مخاطر الأمان في البرمجة التلقينية بالذكاء الاصطناعي (Vibe coding) ليست كمخاطر الأمان المعتادة

ربما كان من المحتم أن تؤدي البرمجة التلقينية بالذكاء الاصطناعي إلى سلسلة من التغييرات المعقدة في ممارسات البرمجة وتطوير البرمجيات. ومع استمرار تزايد حصة التعليمات البرمجية التي ينشئها الذكاء الاصطناعي في قواعد التعليمات البرمجية المستخدمة فعليًا، كان من أبرز التغييرات وأكثرها تأثيرًا التحول الكبير في حجم مخاطر الأمن الإلكتروني وطبيعتها.

البرمجة التلقينية بالذكاء الاصطناعي، باختصار، هي فكرة إنشاء المنتجات باستخدام أدوات الذكاء الاصطناعي وموجّهات اللغة الطبيعية وحدها. يجب التمييز بينها وبين البرمجة القائمة على الوكلاء أو الهندسة القائمة على الوكلاء، إذ ينطوي هذان النهجان على استخدام أكثر تدبرًا لأدوات البرمجة بالذكاء الاصطناعي من جانب مبرمج متمرس. صاغ Andrej Karpathy، وهو مطور مرموق وخبير مخضرم في الذكاء الاصطناعي، هذا المصطلح في تغريدة وصف فيها أسلوبًا متحررًا في البرمجة بالذكاء الاصطناعي يعتمد بالكامل على توجيه النماذج اللغوية الكبيرة (LLMs)، بما يتيح للمستخدم "الانسياق التام وراء الإحساس العام" "ونسيان وجود التعليمات البرمجية من الأساس".

ووصفها بأنها نهج ممتع يصلح "لمشروعات عطلة نهاية الأسبوع المؤقتة"، غير أن انتشار أدوات البرمجة القوية المدعومة بالذكاء الاصطناعي أفسح المجال أمام استخدام البرمجة التلقينية بالذكاء الاصطناعي في بيئات العمل، حتى في برمجيات الإنتاج التي تتعامل مع بيانات حساسة. وبحلول أواخر عام 2025، أشارت أبحاث القطاع إلى أن التعليمات البرمجية التي ينشئها الذكاء الاصطناعي أصبحت تمثل 22% من إجمالي التعليمات البرمجية المدمجة.¹ وفي GitHub، قدّرت التقارير أن Copilot أنشأ 46% من إجمالي التعليمات البرمجية المكتوبة.²

وقد أدى ذلك إلى زيادة كبيرة في الثغرات والمشكلات الأمنية، تجاوزت ما يمكن تفسيره بالزيادة الطبيعية في حجم التعليمات البرمجية الجديدة ووتيرة إنتاجها بفضل أدوات المساعدة على البرمجة. ووجد أحد التحليلات لقواعد تعليمات برمجية مستخدمة فعليًا أن الفرق التي تستعين بالذكاء الاصطناعي كانت تسلّم التعليمات البرمجية بسرعة أكبر بمقدار 4 مرات، لكنها كانت تسلّم معها عيوبًا أمنية أكثر بمقدار 10 مرات.³

ومن شأن التخلي تمامًا عن البرمجة التلقينية بالذكاء الاصطناعي أن يحرم المؤسسات من مكاسب كبيرة في الإنتاجية تتيحها الأتمتة واتساع نطاق المشاركة، لكن من الواضح أن ممارسات البرمجة الآمنة يجب أن تتطور استجابةً لهذا الواقع. صُممت فحوصات الأمان التقليدية لمعالجة الأخطاء التي يرتكبها المطورون عادةً، وبصورة أدق، المطورون البشريون المدرَّبون. وتحتاج المؤسسات الآن إلى وضع أمني محدَّث وأدوات أمنية مطوَّرة تتلاءم مع الواقع الجديد الذي يشكّله وكلاء الذكاء الاصطناعي والمبرمجون المبتدئون الذين يعتمدون البرمجة التلقينية بالذكاء الاصطناعي.

وتشير أبحاث القطاع باستمرار، عبر مختلف المنصات والبيئات والنماذج اللغوية الكبيرة، إلى أن ازدياد توليد التعليمات البرمجية بالذكاء الاصطناعي تصاحبه زيادة في ثغرات أمان التطبيقات (AppSec).

على سبيل المثال:

• وجدت دراسة أُجريت في ديسمبر 2025 على مستودعات مفتوحة المصدر أن التعليمات البرمجية المولَّدة بالذكاء الاصطناعي أدخلت ثغرات أمنية في 45% من مهام التطوير. وعند مقارنة طلبات السحب (PRs) المدعومة بالذكاء الاصطناعي بطلبات السحب التي أنشأها البشر وحدهم، وجد الباحثون أن الطلبات المدعومة بالذكاء الاصطناعي تسببت في مشكلات أمنية أكثر بمقدار 2,74 مرة، وفي مشكلات إجمالية أكثر بمقدار 1,7 مرة، مقارنة بالتعليمات البرمجية التي كتبها البشر.⁴

• يفترض تقرير صادر عن GitGuardian في عام 2026 حول انتشار الأسرار أن عمليات الالتزام التي أُجريت بمساعدة Claude Code كشفت أسرارًا بمعدل يزيد على ضعف عمليات الالتزام التي أجراها البشر وحدهم. وبوجه عام، ارتفع عدد الأسرار المضمّنة مباشرةً في التعليمات البرمجية، مثل كلمات المرور ومفاتيح واجهات برمجة التطبيقات، التي كُشف عنها في عمليات الالتزام العامة على GitHub بنسبة 34% على أساس سنوي في عام 2025، وهي أكبر زيادة سنوية مسجلة حتى الآن.⁵ 

• وأشار تقرير صدر في أكتوبر 2025 إلى أن الثغرات الحرجة وحالات كشف البيانات في التطبيقات المنشأة باستخدام البرمجة التلقينية بالذكاء الاصطناعي، مثل واجهات برمجة التطبيقات غير المهيأة على النحو الصحيح وغيرها من مشكلات المصادقة، كانت في كثير من الأحيان مكشوفةً للعلن ويمكن الوصول إليها مباشرةً عبر نقاط نهاية عامة.⁶

ينبغي لفرق الأمان أيضًا أن تضع في اعتبارها أن المستودعات العامة على GitHub والخدمات المماثلة لا تمثل سوى الجزء الظاهر من المشكلة. وتشير GitGuardian إلى أن احتمال احتواء المستودعات الداخلية على أسرار مضمّنة مباشرةً في التعليمات البرمجية يزيد 6 مرات على احتمال وجودها في المستودعات العامة.

ومما يثير القدر نفسه من القلق أن بيانات الاعتماد الحساسة التي تُكشف بسبب البرمجة التلقينية بالذكاء الاصطناعي تبدو أقل عرضةً للمعالجة والإصلاح من المشكلات الأمنية التي تنشأ ضمن مهام سير العمل التقليدية لكتابة التعليمات البرمجية. أشار تقرير GitGuardian إلى أن نحو 70% من بيانات الاعتماد المكشوفة التي تأكدت صحتها في عام 2022 ظلت صالحةً حتى يناير 2025. وحتى يناير 2026، ظل 64% منها مكشوفًا ولم يُلغَ. وفي إحدى الحوادث البارزة، كشفت Football Australia عن غير قصد مفاتيح وصول AWS ضمن التعليمات البرمجية المصدرية لموقعها الإلكتروني، وظلت هذه المفاتيح مكشوفةً لأكثر من 700 يوم.

تشير هذه الأنماط مجتمعةً إلى أن مخاطر أمن البرمجة التلقينية بالذكاء الاصطناعي تتراكم بوتيرة تتجاوز قدرة برامج المعالجة التقليدية على التعامل معها.

ويبدو أن تواتر العيوب الأمنية الناجمة عن الذكاء الاصطناعي وحجمها يظلان مرتفعين، حتى مع استمرار تحسن وظائف النماذج اللغوية الكبيرة (LLMs). لذلك، أشار مراقبو القطاع إلى أن مسارات التدريب والمعايير المرجعية المستخدمة لتحسين أداء النماذج والتحقق منه لا تتوافق دائمًا بطبيعتها مع متطلبات توليد تعليمات برمجية آمنة في الاستخدامات الفعلية.⁴ تقيّم معظم الدراسات التعليمات البرمجية التي ينشئها الذكاء الاصطناعي بمعزل عن سياق استخدامها، مع التركيز على مدى صحة عملها، أي ما إذا كانت تُترجم وتُشغّل وتنفذ مهمتها، وعلى أدائها وفق معايير مرجعية اصطناعية.⁷

لكن النماذج في بيئات تطوير المؤسسات لا تعمل بمعزل عن غيرها. ووجد تقرير GitGuardian أن البنية التحتية المرتبطة بالنماذج اللغوية الكبيرة، مثل خدمات التنسيق، والتوليد المعزز بالاسترجاع (RAG)، والتخزين المتجهي، تكشف عن الأسرار بمعدل يعادل خمسة أضعاف المعدل لدى مزودي النماذج الأساسية.⁵

وبعبارة أخرى، لا تنشأ كثير من مخاطر أمن البرمجة التلقينية بالذكاء الاصطناعي من النماذج اللغوية الكبيرة نفسها، بل من النظام البنائي الذي تُستخدم فيه هذه النماذج. تُدمج خدمات مزودي الاستدلال حديثي الظهور، والبوابات، والسجلات، وطبقات التكامل سريعًا في مهام سير عمل الإنتاج، وغالبًا بوتيرة تفوق قدرة التدابير الأمنية، أو المبرمجين المبتدئين الذين يعتمدون البرمجة التلقينية بالذكاء الاصطناعي، على مواكبتها.

ويضيف الذكاء الاصطناعي الوكيل مزيدًا من التعقيد إلى الاعتبارات الأمنية؛ فعندما يُمنح وكيل ذكاء اصطناعي وصولًا محليًا إلى الملفات، ومخازن بيانات الاعتماد، والواجهات الطرفية، يمكن أن يتحول الكمبيوتر نفسه إلى سطح هجوم محتمل آخر. وقد تتفاقم هجمات حقن الموجّهات وهجمات سلسلة التوريد التي تستغل بيانات الاعتماد المحلية المكشوفة، لتتحول إلى مخاطر على مستوى المؤسسة. وفي هجوم دودة Shai-Hulud سيئة السمعة، التي اخترقت أكبر سجل JavaScript في العالم في أواخر عام 2025، لم تكن نحو 60% من الأجهزة المخترقة محطات عمل شخصية، بل كانت مشغلات للتكامل المستمر والتسليم المستمر (CI/CD)⁴، التي يتمثل الغرض منها، للمفارقة، في أتمتة اختبارات الأمان وضمان جودة التعليمات البرمجية.

من العوامل المهمة التي تفاقم مخاطر أمن البرمجة التلقينية بالذكاء الاصطناعي الطريقة التي تُجمّع بها عادةً التغييرات التي تُجرى على التعليمات البرمجية بمساعدة الذكاء الاصطناعي؛ ففي المتوسط، ينفّذ المطورون الذين يستعينون بالذكاء الاصطناعي أكثر من ثلاثة أضعاف عدد عمليات الالتزام التي ينفذها نظراؤهم الذين لا يستخدمونه، لكنهم يجمعون هذه العمليات في عدد أقل بكثير من طلبات السحب (PRs)، تكون أكبر حجمًا بكثير. وعادةً ما تكون طلبات السحب الناتجة عن البرمجة التلقينية بالذكاء الاصطناعي أوسع نطاقًا، إذ تُجري تغييرات في ملفات وخدمات متعددة.

أشار تقرير "Developer Habits Report" الصادر عن Cursor في ربيع عام 2026 إلى أن متوسط عدد أسطر التعليمات البرمجية في كل طلب سحب ارتفع بنحو 250% على أساس سنوي، وأن معدل هذا النمو نفسه كان يتسارع. وارتفعت نسبة "طلبات السحب الضخمة"، التي عرّفتها Cursor بأنها طلبات سحب تتضمن تغييرات في 1000 سطر على الأقل من التعليمات البرمجية، من 8% من إجمالي طلبات السحب في يناير 2025 إلى 13,9% في مايو 2026.⁸

ويصعب إجراء مراجعة شاملة لطلبات السحب الكبيرة والمترامية التي تمس أجزاءً كثيرة من قاعدة التعليمات البرمجية، مقارنةً بطلبات السحب الأصغر والأكثر تحديدًا. وقد تستلزم التغييرات المنفردة في خدمة واحدة أو كتلة من التعليمات البرمجية إجراء تغييرات إضافية في مواضع أخرى لتجنب المشكلات اللاحقة، لكن احتمالية اكتشاف هذه الآثار المصاحبة أثناء مراجعة التعليمات البرمجية تقل عندما يتضمن طلب السحب قيد المراجعة تغييرات كثيرة ومتفرقة تشتت انتباه المراجع. ووجدت أبحاث أجرتها Apiiro، وهي منصة لأمان التطبيقات، أنه على الرغم من انخفاض عدد طلبات السحب لدى الفرق التي تستعين بالذكاء الاصطناعي بنحو الثل^{ث، فقد سلّمت هذه الفرق عيوبًا أمنية أكثر بعشرة أضعاف.3}

وباختصار، يسرّع الذكاء الاصطناعي جميع جوانب إنشاء التعليمات البرمجية، بما في ذلك الممارسة غير السليمة المتمثلة في تنفيذ عدد كبير جدًا من التغييرات دفعةً واحدةً. وعندما تتركز التغييرات وتتسارع، قد تتركز مخاطر كل عملية دمج وتتسارع بدورها.

وخلصت دراسة واسعة النطاق شملت 500000 عينة من التعليمات البرمجية، وعُرضت في الندوة الدولية السادسة والثلاثين لمعهد IEEE حول هندسة موثوقية البرمجيات (ISSRE 2025)، إلى أن "التعليمات البرمجية التي ينشئها الذكاء الاصطناعي تختلف عن التعليمات البرمجية التي يكتبها البشر، ليس في عدد الثغرات الأمنية فحسب، بل في طبيعتها وتوزيعها أيضًا". 

يثير ذلك مبعث قلق جوهريًا؛ إذ إن الأطر الحالية لتقييم جودة التعليمات البرمجية والثغرات الأمنية "متمحورة حول الإنسان، وصُممت استنادًا إلى افتراضات تتعلق بالإدراك البشري، وأنماط الأخطاء، وعمليات المراجعة". وتتسم التعليمات البرمجية التي ينشئها الذكاء الاصطناعي بخصائص ونزعات مختلفة اختلافًا واضحًا، مما يجعل هذه الأطر المتمحورة حول الإنسان غير ملائمة لتقييمها.⁷

ومما يزيد المشكلة تعقيدًا أن الأبحاث المتعلقة بمخاطر أمن البرمجة التلقينية بالذكاء الاصطناعي كشفت أيضًا عن أنواع ناشئة متعددة من الهجمات لا نظير لها في البرمجيات التي يكتبها البشر.

تميل النماذج اللغوية الكبيرة، وأدوات البرمجة بالذكاء الاصطناعي التي تدعمها، إلى اقتراح حزم غير موجودة أصلًا. وقد أظهرت الأبحاث أن أسماء هذه الحزم الوهمية تتكرر أحيانًا في سيناريوهات مختلفة، بل وعبر نماذج مختلفة. ويستغل Slopsquatting، وهو نوع من الهجمات القائمة على هلوسة الحزم، هذا الميل.

يرصد منفذو هجمات Slopsquatting أسماء الحزم الوهمية التي تولدها النماذج اللغوية الكبيرة مرارًا، ثم يسجّلون مسبقًا أسماء هذه الحزم التي كانت وهمية في السابق ضمن السجلات العامة. وعندما ينفّذ مستخدمو البرمجة التلقينية بالذكاء الاصطناعي، الذين غالبًا ما يجهلون تمامًا الحزم الشائعة الاستخدام ومن ثم يصعب عليهم اكتشاف الحزم المزيفة، عمليات التزام تتضمن تعليمات برمجية تحتوي على أسماء هذه الحزم، فإنهم يثبّتون تعليمات برمجية ضارة من دون علمهم.

ولا يوجد ما يماثل ذلك في تطوير البرمجيات التقليدي. فمن غير المرجح أن يتوهم مبرمج بشري وجود حزمة غير موجودة. وحتى إن حدث ذلك، فسيكون من المستحيل وغير العملي أن يتنبأ مهاجم محتمل بهذا الأمر، ويخمن اسم الحزمة الوهمية، ثم يسجّل تعليمات برمجية ضارة تحت اسمها.

تستغل هجمات الأبواب الخلفية عبر ملفات القواعد ملفات التهيئة، أو "القواعد"، المستخدمة لتخصيص سلوك وكلاء الذكاء الاصطناعي عند توليد التعليمات البرمجية أو تعديلها في منصات مثل Cursor وGitHub Copilot وClaude Code.

يعدّل المهاجمون عادةً ملفات القواعد مفتوحة المصدر الشائعة، ويدسّون فيها تعليمات ضارة في صورة أحرف Unicode مخفية يكاد يستحيل اكتشافها. وبمجرد اعتماد هذه التغييرات، تُفعَّل التعليمات البرمجية الضارة في كل جلسة لاحقة للبرمجة بالذكاء الاصطناعي تستند إلى ملف القواعد المصاب. ونتيجةً لذلك، تتعرض أي تعليمات برمجية تُنشأ خلال هذه الجلسات للاختراق. لكن نظرًا إلى أن المخرجات المخترقة تتضمن أحرف Unicode تكاد تكون غير مرئية، فإنها تبدو سليمة عند مراجعة التعليمات البرمجية.

ويهدف المهاجمون عادةً إلى إدخال ثغرات و«أبواب خلفية» في التعليمات البرمجية التي تُنشأ لاحقًا، وفي التطبيقات التي تستخدمها، لاستغلالها في وقت لاحق.

وبعد فهم هذه الأنماط المحددة، ينبغي للمؤسسات تحديث أفضل ممارساتها الأمنية حتى تستفيد من مزايا التعليمات البرمجية التي ينشئها الذكاء الاصطناعي، من دون الوقوع ضحية للثغرات الناجمة عن الاستخدام العشوائي للبرمجة التلقينية بالذكاء الاصطناعي.

وعلى الرغم من أن احتمال ظهور هذه العيوب الأمنية قد يرجع إلى أوجه القصور في أدوات البرمجة بالذكاء الاصطناعي، فإن تحوّلها إلى مخاطر فعلية يعكس قصورًا في الإشراف البشري. ففي نهاية المطاف، يظل المطورون أصحاب القرار في ما يُعتمد أو يُعدّل أو يُتجاهل من إضافات وتغييرات. ويواصل مساعدو البرمجة توسيع حواجز الحماية المضمّنة لديهم وتحسينها، لكن المراجعة البشرية تظل خط الدفاع الأخير الذي يمنع وصول الثغرات الأمنية إلى بيئة التشغيل الفعلي. ولهذا تدمج الإعدادات الافتراضية في IBM Bob المراجعات اليدوية والموافقة بمشاركة العنصر البشري في كل مرحلة.

ومع ذلك، توجد سبل لتحسين فاعلية المراجعة البشرية.

• يصعب بدرجة كبيرة اكتشاف العيوب المدفونة داخل طلبات السحب الضخمة والمترامية الأطراف أثناء الفحص الأمني، مقارنةً بالعيوب الموجودة في طلبات سحب أكثر تحديدًا وتركيزًا. ولذلك، ينبغي لفرق الأمان وضع إرشادات مناسبة تحدد حجم طلبات السحب.

• ينبغي إخضاع الحزم لتدقيق خاص للحد من مخاطر هجمات Slopsquatting. وينبغي لفرق الأمان أن تدرك أن كل إصدار جديد من نموذج ذكاء اصطناعي معين قد يصاحبه ظهور أنماط جديدة من هلوسة الحزم.

• كما ينبغي للمطورين وفرق الأمان على حد سواء الإلمام بالفروق بين عيوب التعليمات البرمجية التي يكتبها البشر وتلك التي ينشئها الذكاء الاصطناعي.

وينبغي للمؤسسات التعامل مع التعليمات البرمجية التي ينشئها الذكاء الاصطناعي بوصفها فئة مستقلة من المدخلات، تتطلب ضوابط أمنية مخصصة ومختلفة، بدلًا من الاكتفاء بإدماج مخرجات الذكاء الاصطناعي في عمليات المراجعة القياسية المصممة للتعليمات البرمجية التي يكتبها البشر.

وكقاعدة عامة، ينبغي للمؤسسات التعامل مع أي تعليمات برمجية أو وحدات ينشئها الذكاء الاصطناعي باعتبارها مدخلات غير موثوق بها، بالطريقة نفسها التي تتعامل بها مع التعليمات البرمجية الواردة من المكتبات الخارجية. وينبغي أن يكون اختبار الأمان بالتحليل الثابت (SAST) مرحلة تحقق إلزامية تمر بها جميع مساهمات الذكاء الاصطناعي قبل إدخالها إلى قاعدة التعليمات البرمجية. وينبغي التدقيق بعناية في ملفات القواعد التابعة لجهات خارجية، مثل قواعد Cursor مفتوحة المصدر والمهيأة مسبقًا، وملفات Claude.md ، وتعليمات Copilot، وأوضاع Bob، ثم إضافتها بصورة انتقائية إلى قائمة السماح، بدلًا من السماح بها افتراضيًا.

ويتيح التطور المستمر لمنصات الهندسة القائمة على الوكلاء فرصة لمواجهة هذه المخاطر بأدوات من جنسها، من خلال اكتشاف الأسرار المدعوم بالذكاء الاصطناعي، حيث تُخصص بصمات كشف مستقلة لبيانات الاعتماد الخاصة بالذكاء الاصطناعي، مثل مفاتيح واجهات برمجة تطبيقات النماذج اللغوية الكبيرة أو رموز قواعد بيانات المتجهات.

يضم IBM Bob، على سبيل المثال، أدوات مضمّنة لفرض ممارسات البرمجة الآمنة وضوابط التحكم في الوصول على نطاق واسع، من خلال الجمع بين أوضاع Bob المخصصة، والتكامل مع HashiCorp Vault، وIBM MCP Gateway. كما يراجع التعليمات البرمجية في الوقت الفعلي، ويفحصها للكشف عن مشكلات التعقيد والثغرات الأمنية المحتملة وفرص إعادة الهيكلة، بحيث يمكن معالجتها مباشرةً في موضعها أو مراجعتها لاحقًا في لوحة Bob Findings .

وتعتمد القدرة على اكتشاف العيوب التي أُدخلت حديثًا إلى قاعدة التعليمات البرمجية إلى حد كبير على سهولة قراءة هذه القاعدة. لذلك، يُعد وضع معايير لجودة التعليمات البرمجية وإنفاذها أمرًا ضروريًا لتيسير إجراء مراجعات أمنية فعالة. وتعزز المعايير المشتركة وإعادة الهيكلة الدورية فرص اكتشاف التعليمات البرمجية غير الآمنة ومعالجتها.