Провалы безопасности вайб-кодинга: результаты аудита 1 764 приложений
Провалы вайб-кодинга: аудит 1764 ИИ-приложений выявил критические уязвимости. Утечки данных, взломы БД и открытые API-ключи.
Аудит, который выявил закономерность, которую никто не хотел видеть
Стартап выпускает продукт за выходные. Демо выглядит отполированным, онбординг работает, инвесторы впечатлены. Под капотом у базы данных нет контроля доступа, API-ключи лежат в консоли браузера, и любой пользователь может скачать данные другого пользователя, поменяв число в URL.
Это не гипотетический сценарий. Масштабный аудит безопасности 1 764 приложений, созданных «вайб-кодингом» — приложений, построенных преимущественно или полностью с помощью ИИ-генераторов кода — обнаружил именно эти уязвимости, повторяющиеся в сотнях продуктов. Результаты рисуют картину, которую должен понимать каждый, кто создаёт продукты с помощью ИИ-инструментов, прежде чем выкатывать их в продакшн.
Если коротко: прирост скорости от вайб-кодинга сопровождается издержками в безопасности, которые большинство команд не учитывают.
Реальные цифры: что именно показал аудит
Основные статистические данные аудита достаточно конкретны, чтобы действовать:
- У 7% всех проверенных приложений были полностью открытые базы данных Supabase — без Row Level Security (RLS), без политик доступа, то есть любой, у кого есть URL API, мог свободно читать или записывать данные.
- 15% приложений, созданных в Bolt, содержали захардкоженные API-ключи — учётные данные, вшитые прямо в клиентский код, видимые любому, кто откроет инструменты разработчика в браузере.
- Уязвимости IDOR (Insecure Direct Object Reference) и API-эндпоинты без какой-либо аутентификации встречались повсеместно в выборке.
Эти цифры получены по результатам проверки приложений, созданных с помощью различных ИИ-инструментов, включая Claude Code, Codex, Cursor, Replit и Devin. Согласно исследованию безопасности от Wiz, отчёт за август 2025 года показал, что 45% кода, сгенерированного ИИ, поставляется с уязвимостями безопасности. Более 7 из 10 фрагментов Java-кода, сгенерированного LLM, содержали уязвимости, тогда как для JavaScript, Python и C# этот показатель составлял около 40%.
Отдельное исследование, описанное на CodeWithSeb, показало, что у Lovable, ИИ-конструктора приложений, 170 из 1 645 просканированных приложений публично раскрывали пользовательские данные. Вайб-кодинговая социальная платформа Moltbook утекла 1,5 миллиона токенов аутентификации, потому что никто не проверил то, что сгенерировал ИИ.
Реальные цифры: целенаправленный тест 15 приложений, созданных с помощью популярных ИИ-инструментов для кодинга, выявил 69 уязвимостей. Общая картина исследований показывает, что код, сгенерированный ИИ, содержит примерно в 2,74 раза больше уязвимостей безопасности, чем код, написанный человеком, согласно отчёту Forbes. GitHub Copilot теперь пишет примерно 46% кода среднестатистического разработчика, а это значит, что почти половина всего нового кода, попадающего в продакшн, подвержена этим повышенным рискам.
Проблема 83%: работающий код — не значит безопасный код
Один из самых полезных показателей этой волны исследований разделяет два вопроса, которые команды часто смешивают: «Работает ли это?» и «Безопасно ли это?»
Ответ обескураживает. Исследование, цитируемое на LinkedIn, показало, что хотя 61% решений, сгенерированных ИИ, работали корректно, только 10,5% были действительно безопасными. Это даёт 83% провалов в коде, который выглядит вполне рабочим — коде, который проходит ручное тестирование, хорошо смотрится на демо и без проблем обрабатывает основной сценарий.
Этот разрыв — главная опасность вайб-кодинга. Петля обратной связи нарушена. Когда разработчик пишет код вручную, он сталкивается с трением — ему приходится думать о правах доступа к базе данных, потоках аутентификации, валидации ввода. ИИ-генераторы кода пропускают это трение. Они создают работающие функции и пропускают каркас безопасности.
Как отмечает анализ Retool, это создаёт «самоуспокоенность от автоматизации» — когда система стабильно выдаёт правильные результаты, люди перестают тщательно проверять её работу. ИИ столько раз оказывался прав в плане функциональности, что никто не ищет, где он мог ошибиться в плане безопасности.
Широко открытые базы данных: что на самом деле означает «без контроля доступа»
Показатель 7% для полностью открытых баз данных Supabase заслуживает детального разбора, потому что бизнес-последствия серьёзны.
Supabase предоставляет автоматически генерируемые Data API, позволяющие фронтенд-коду напрямую обращаться к базе данных. Это осознанное архитектурное решение, ускоряющее разработку — нет необходимости создавать отдельные бэкенд-сервисы. Но такая архитектура требует наличия политик Row Level Security (RLS). Без них фронтенд-ключ API фактически предоставляет неограниченный доступ к каждой строке в каждой таблице.
Согласно собственной документации Supabase, anon-ключ безопасен для публичного использования только при включённом RLS, потому что права доступа к строкам проверяются на основе политик доступа и JWT-токена пользователя. Без RLS этот «безопасный для публикации» ключ превращается в универсальный ключ ко всему.
Вот что происходит, когда ИИ-генератор кода создаёт приложение на Supabase:
- Он создаёт таблицы базы данных.
- Он генерирует фронтенд-операции CRUD.
- Он подключает их через клиент Supabase с anon-ключом.
- Он не генерирует политики RLS или генерирует их некорректно.
Результат: работающее приложение, в котором любой пользователь — или любой злоумышленник — может запросить любую таблицу и получить все данные. Не нужно обходить аутентификацию. Дверь никогда не была заперта.
Утечка ключа сервисной роли
Связанный, но ещё более опасный паттерн: ключ сервисной роли (service role key), появляющийся во фронтенд-коде. Документация Supabase явно указывает — этот ключ полностью обходит RLS и никогда не должен появляться на клиентской стороне. Его следует считать секретом, импортировать через переменную окружения, никогда не захардкоживать.
ИИ-генераторы кода часто игнорируют это различие. Они видят, что ключ сервисной роли заставляет API-вызовы работать без ошибок доступа, и используют его. Сгенерированный код работает. Он также предоставляет каждому посетителю полный административный доступ к базе данных.
Честная оценка: архитектура Supabase мощная, но она требует от разработчиков понимания модели безопасности. ИИ-инструменты генерируют код, использующий API, не понимая этой модели. Показатель 7%, вероятно, занижает масштаб проблемы, потому что учитывает только базы данных с полным отсутствием RLS — а не базы данных с некорректно настроенными или чрезмерно разрешительными политиками.
Захардкоженные API-ключи: $200 в месяц, которые может украсть кто угодно
Показатель 15% захардкоженных API-ключей в приложениях, сгенерированных Bolt, тревожен из-за того, к чему эти ключи дают доступ.
Аудиторы безопасности обнаружили API-ключи OpenAI, видимые в консолях браузеров. Секреты платёжной системы Stripe, полностью открытые. В исследовании описан случай с API-ключами на $200 в месяц, которые мог извлечь и использовать кто угодно. Это не просто уязвимость безопасности — это прямые, продолжающиеся финансовые потери.
Паттерн повторяется, потому что ИИ-генераторы кода оптимизируют путь к работающей функции по кратчайшему маршруту. Нужно вызвать API OpenAI с фронтенда? Самый простой путь — вставить ключ в JavaScript-код. Нужна интеграция со Stripe? Встроить секретный ключ. Функция сразу работает. Ключ тоже сразу доступен каждому посетителю.
Почему это продолжает происходить
Три фактора в совокупности делают захардкоженные ключи паттерном по умолчанию в коде, сгенерированном ИИ:
Во-первых, ИИ-модели обучены на огромных объёмах кода, включая туториалы, демо и примеры проектов, где захардкоженные ключи — норма. Код туториалов оптимизирован для ясности, а не для безопасности. Модель воспроизводит то, что видела чаще всего.
Во-вторых, управление переменными окружения требует настройки инфраструктуры — файлы .env, серверный рендеринг или API-маршруты, конфигурация деплоя. ИИ-генераторы кода, нацеленные на быстрое прототипирование, часто полностью пропускают инфраструктурные вопросы.
В-третьих, сгенерированный код работает с захардкоженным ключом. Нет ошибки, нет предупреждения, нет упавшего теста. Единственный сигнал о проблеме поступает из ревью безопасности — которое, как показывает аудит, большинство вайб-кодинговых приложений никогда не проходят.
IDOR и отсутствие аутентификации: уязвимости, которые отдают всё
IDOR — Insecure Direct Object Reference (небезопасная прямая ссылка на объект) — это уязвимость, при которой изменение идентификатора в запросе даёт доступ к данным другого пользователя. Представьте это как почтовые ящики в подъезде без замков: смени номер — открой любой ящик.
Аудит обнаружил этот паттерн в разных вайб-кодинговых приложениях. В одном задокументированном случае кто угодно мог скачать всю клиентскую базу — имена, email-адреса, остатки кредитов — просто изменив одно число в URL. Аутентификация не требовалась. Проверки авторизации не было. Просто увеличь ID на единицу.
Это происходит потому, что ИИ-генераторы кода создают CRUD-операции с использованием последовательных числовых ID и пропускают промежуточное ПО авторизации. Сгенерированные API-эндпоинты отдают данные любому, кто запрашивает, без проверки того, что запрашивающий пользователь имеет право на доступ к конкретному ресурсу.
API без аутентификации усугубляют проблему. Аудиторы обнаружили:
- REST-эндпоинты вообще без проверки аутентификации — любой HTTP-запрос получает ответ.
- Админские маршруты, защищённые только клиентским флагом
isAdmin— тривиально обходятся модификацией запроса. - Обработчики загрузки файлов, принимающие любой тип файла в публично доступные бакеты S3 — открывая дверь для размещения вредоносных файлов или утечки данных.
- XSS-уязвимости, при которых вредоносные скрипты, спрятанные в ссылках, могли красть учётные данные администратора при клике.
- Инъекции заголовков, позволяющие отравление кэша и подделку cookies.
Что это значит для вашего проекта: каждый API-эндпоинт в вайб-кодинговом приложении требует ручной проверки на аутентификацию и авторизацию. ИИ генерирует основной сценарий — аутентифицированный пользователь запрашивает свои данные — но не генерирует границы безопасности, которые предотвращают нежелательные сценарии.
Почему ИИ-генераторы кода стабильно выдают небезопасный результат
Понимание корневой причины помогает командам правильно распределять бюджет на безопасность.
ИИ-генераторы кода — это языковые модели. Они предсказывают наиболее вероятный следующий токен на основе обучающих данных. Паттерны безопасности — валидация ввода, параметризованные запросы, правильные потоки аутентификации, политики RLS — встречаются в обучающих данных реже, чем базовые CRUD-паттерны, от которых они защищают. Модель производит то, что видела чаще всего, а это функциональный код без слоёв безопасности.
Множитель 2,74x по уязвимостям безопасности по сравнению с кодом, написанным человеком, отражает эту статистическую тенденцию. Разработчик с пониманием безопасности пишет запрос к базе данных и думает об SQL-инъекциях. ИИ пишет запрос, который работает, и идёт дальше.
Корпоративные среды усиливают каждый из этих рисков. Как отмечает Retool, больше пользователей, больше конфиденциальных данных и больше регуляторных обязательств означают, что последствия уязвимости гораздо серьёзнее. Открытая база данных в проекте на выходных — это неловко. Открытая база данных в продукте, обрабатывающем платёжные данные или медицинские записи, — это нарушение регуляторных требований с шестизначными штрафами.
Как проверять вайб-кодинговые приложения перед выпуском
Разрыв в безопасности реален, но он устраним. Ключ — в признании того, что код, сгенерированный ИИ, требует другого процесса ревью, чем код, написанный человеком.
Шаг 1: Поиск захардкоженных секретов
Перед любым деплоем просканируйте всю кодовую базу на наличие API-ключей, токенов и учётных данных. Такие инструменты, как git-secrets, truffleHog или gitleaks, автоматизируют этот процесс. Обратите особое внимание на:
- Любые строки, похожие на API-ключи, в файлах JavaScript или TypeScript
- Переменные окружения с fallback-значениями (fallback часто и есть настоящий ключ)
- Файлы конфигурации, попавшие в репозиторий
Шаг 2: Проверка контроля доступа к базе данных
Для проектов на Supabase конкретно:
- Убедитесь, что RLS включён на каждой таблице, содержащей пользовательские данные.
- Проверьте каждую политику RLS — чрезмерно разрешительная политика (например,
trueдля всех операций) функционально эквивалентна отсутствию политики. - Убедитесь, что ключ сервисной роли никогда не появляется во фронтенд-коде. Ищите его явно.
- Протестируйте с anon-ключом из неаутентифицированного контекста, чтобы убедиться, что вы не можете получить доступ к защищённым данным.
Шаг 3: Тестирование каждого API-эндпоинта на аутентификацию и авторизацию
- Составьте список всех API-маршрутов в приложении.
- Вызовите каждый маршрут без токена аутентификации. Любой маршрут, возвращающий данные без аутентификации, требует расследования.
- Вызовите каждый маршрут с валидным токеном Пользователя A, запрашивая данные Пользователя B. Любой маршрут, который отдаёт данные другого пользователя, имеет уязвимость IDOR.
- Проверьте, что функциональность только для администраторов верифицирует права на стороне сервера, а не через клиентские флаги.
Шаг 4: Проверка обработки ввода
- Убедитесь, что запросы к базе данных используют параметризованные выражения, а не конкатенацию строк.
- Проверьте, что загрузка файлов валидирует типы и размеры файлов на стороне сервера.
- Убедитесь, что пользовательский ввод, отображаемый в интерфейсе, правильно экранируется для предотвращения XSS.
Шаг 5: Используйте ИИ как ревьюера безопасности
Интересно, что те же ИИ-инструменты, которые генерируют небезопасный код, могут помочь находить уязвимости при другом формулировании запроса. Попросить ИИ проверить код на уязвимости из OWASP Top 10 или предложить ему «думать как пентестер» может выявить проблемы, которые этап генерации пропустил. Это не замена профессиональному ревью безопасности, но позволяет поймать очевидные проблемы.
Вот что мы рекомендуем: считайте каждое вайб-кодинговое приложение ненадёжным кодом, пока не доказано обратное. Закладывайте бюджет на ревью безопасности пропорционально чувствительности обрабатываемых данных. Для MVP без реальных пользовательских данных может быть достаточно автоматического сканирования и ручной проверки эндпоинтов. Для приложений, обрабатывающих платежи, персональные данные или медицинскую информацию, профессиональный тест на проникновение — это минимально ответственный шаг.
Ключевой вывод для бизнеса
Три вывода из данных этого аудита:
Во-первых, вайб-кодинг действительно даёт преимущества в скорости, но команды должны закладывать время на ревью безопасности в цикл разработки. Приложение, созданное за выходные, всё равно нуждается в дне проверки безопасности, прежде чем работать с реальными пользовательскими данными. Пропуск этого этапа не экономит время — это заимствование у будущего инцидента.
Во-вторых, найденные уязвимости не являются экзотическими или сложными для эксплуатации. Открытые базы данных, захардкоженные ключи и уязвимости IDOR — это векторы атак начального уровня. Они не требуют сложного инструментария или глубоких технических знаний. Любопытный пользователь с инструментами разработчика в браузере может найти и проэксплуатировать большинство из них.
В-третьих, уровень уязвимостей 24,7% в коде, сгенерированном ИИ (примерно в 1,5–2 раза выше, чем у написанного человеком, согласно анализу CodeWithSeb), — это не повод прекращать использование ИИ-инструментов для кодинга. Это повод встроить проверки безопасности в рабочий процесс, а не считать их опциональными. Преимущества в скорости реальны. Риски тоже реальны. Управление и тем и другим — это и есть работа.
Часто задаваемые вопросы
Почему ИИ-генераторы кода оставляют базы данных Supabase полностью открытыми без контроля доступа?
ИИ-модели генерируют наиболее статистически распространённые паттерны кода из своих обучающих данных. Создание таблиц и CRUD-операций часто встречается в туториалах и примерах; написание политик Row Level Security — нет. Модель создаёт работающий доступ к данным и пропускает слой безопасности, потому что он был недостаточно представлен в обучающих данных. Архитектура Supabase требует, чтобы RLS был явно включён и настроен — безопасного значения по умолчанию, на которое ИИ мог бы положиться, не существует.
Какой самый быстрый способ просканировать захардкоженные API-ключи перед деплоем вайб-кодинговых приложений?
Запустите gitleaks или truffleHog по репозиторию — оба инструмента сканируют на соответствие паттернам известных форматов API-ключей и помечают их за секунды. Для дополнительного уровня защиты поищите в кодовой базе распространённые префиксы ключей, такие как sk-, pk_live_, eyJ, а также любые буквенно-цифровые строки длиной 32+ символа во фронтенд-файлах JavaScript. Автоматическое сканирование ловит большинство утечек секретов до того, как они попадут в продакшн.
Как проверить, что переход с последовательных ID на UUID действительно предотвращает уязвимости IDOR?
UUID усложняют IDOR, убирая предсказуемость — злоумышленник не может просто увеличить число, чтобы получить доступ к другой записи. Однако UUID сами по себе не являются решением. Правильные проверки авторизации должны верифицировать, что запрашивающий пользователь имеет право доступа к конкретному ресурсу, независимо от формата ID. Протестируйте это, выполняя API-запросы с валидной сессией одного пользователя, нацеливаясь на UUID другого пользователя. Если запрос проходит успешно, авторизации по-прежнему нет.
Может ли промпт к ИИ-инструменту «думай как хакер» реально выявить уязвимости в вайб-кодинговых приложениях?
Да, но с оговорками. Запрос к ИИ-моделям проверить код на уязвимости OWASP Top 10 или действовать как пентестер может поймать распространённые проблемы — отсутствие аутентификации, открытые ключи, паттерны SQL-инъекций. Исследования показывают, что этот подход находит значительную долю очевидных уязвимостей безопасности. Однако он должен дополнять, а не заменять структурированное тестирование безопасности, потому что ИИ-ревьюеры могут пропустить логические ошибки, состояния гонки и сложные обходы авторизации, требующие понимания полного контекста приложения.
Как проверить, работает ли моя аутентификация на стороне клиента или на стороне сервера?
Откройте инструменты разработчика в браузере, найдите API-запросы, которые делает ваше приложение, и повторите их с помощью такого инструмента, как curl или Postman — но удалите или измените заголовки аутентификации. Если API по-прежнему возвращает данные, аутентификация применяется только на стороне клиента (или не применяется вообще). Серверная аутентификация означает, что сам API отклоняет неаутентифицированные запросы со статус-кодом 401 или 403, независимо от того, что делает фронтенд.
Статья подготовлена на основе открытых источников и может содержать неточности.


