Risiko keamanan pengodean vibe tidak seperti risiko keamanan biasa

Mungkin sudah tak terhindarkan bahwa pengodean vibe akan menyebabkan serangkaian perubahan kompleks pada praktik pengodean dan pengembangan perangkat lunak. Karena kode yang dihasilkan AI terus terdiri atas pangsa basis kode dunia nyata yang lebih besar, salah satu perubahan yang paling penting adalah perubahan besar dalam jumlah risiko keamanan siber—dan sifat risiko keamanan tersebut.

Singkatnya, pengodean vibe adalah konsep membangun produk hanya dengan menggunakan alat AI dan prompt bahasa alami. Ini harus dipahami sebagai berbeda dari pengodean berbasis agen atau rekayasa berbasis agen, yang memerlukan penggunaan alat AI coding yang lebih disengaja oleh programmer berpengalaman. Istilah ini diciptakan dalam tweet dari Andrej Karpathy—seorang pengembang dan veteran AI terhormat—di mana ia menggambarkan gaya bebas AI coding yang sepenuhnya bergantung pada dorongan model bahasa besar (LLM), membiarkan pengguna “sepenuhnya menyerah pada getaran” dan “lupa bahwa kode itu bahkan ada.”

Dia menggambarkannya sebagai pendekatan yang menyenangkan untuk “proyek akhir pekan yang dibuang,” tetapi proliferasi AI Coding yang kuat telah membuka pintu untuk pengodean vibe di tempat kerja—bahkan dalam perangkat lunak produksi yang menangani data sensitif. Pada akhir 2025, riset industri menunjukkan bahwa kode yang dihasilkan AI sekarang mewakili 22% dari semua kode gabungan.¹ Di GitHub, laporan memperkirakan bahwa 46% dari semua kode tertulis dihasilkan oleh Copilot.²

Ini telah menciptakan ekspansi besar dalam kerentanan dan masalah keamanan di luar apa yang dapat dijelaskan oleh peningkatan alami dalam volume dan kecepatan kode baru yang diaktifkan oleh asisten pengodean. Satu analisis basis kode dunia nyata menemukan bahwa sementara tim yang dibantu AI mengirimkan kode 4 kali lebih cepat, mereka mengirimkan 10 kali lebih banyak kelemahan keamanan.³

Meninggalkan sama sekali metode pengodean berbasis intuisi akan mengorbankan peningkatan produktivitas yang signifikan dari otomatisasi dan peningkatan partisipasi, tetapi jelas bahwa praktik pengodean yang aman harus berkembang sebagai respons terhadap hal tersebut. Pemeriksaan keamanan tradisional dirancang untuk alamat bagaimana pengembang—lebih khusus lagi, pengembang manusia terlatih—biasanya membuat kesalahan. Organisasi sekarang membutuhkan postur keamanan yang diperbarui dan alat keamanan yang diperbarui, disesuaikan dengan realitas baru yang didorong oleh agen AI dan pembuat kode vibe pemula.

Di berbagai platform, lingkungan, dan LLM, riset industri secara konsisten menunjukkan bahwa peningkatan pembuatan kode AI disertai dengan peningkatan kerentanan keamanan aplikasi (AppSec).

Sebagai contoh:

• Sebuah studi Desember 2025 tentang repositori sumber terbuka menemukan bahwa kode yang dihasilkan AI memperkenalkan kerentanan keamanan di 45% tugas pengembangan. Membandingkan permintaan pull (PR) yang dibantu AI (PR) dengan PR khusus manusia, para peneliti menemukan bahwa PR yang didukung AI menghasilkan masalah keamanan 2,74 kali lebih banyak (dan 1,7 kali lebih banyak masalah secara keseluruhan) daripada kode yang ditulis manusia.⁴

• Sebuah laporan GitGuardian tahun 2026 tentang penyebaran rahasia menyatakan bahwa Claude Code yang dibantu melakukan rahasia yang terungkap lebih dari dua kali lebih sering daripada yang dilakukan hanya manusia. Secara keseluruhan, rahasia hardcode (seperti kata sandi dan kunci API) yang terekspos di komitmen GitHub publik meningkat 34% dari tahun ke tahun pada tahun 2025—lonjakan satu tahun terbesar yang pernah tercatat.⁵ 

• Sebuah laporan bulan Oktober 2025 mencatat bahwa kerentanan penting dan paparan data dalam aplikasi yang dikodekan dengan vibe, seperti API yang salah konfigurasi dan masalah otentikasi lainnya, seringkali “terbuka“, dapat diakses langsung melalui titik akhir publik.⁶

Tim keamanan juga harus mempertimbangkan bahwa repositori publik di GitHub (dan layanan serupa) hanyalah puncak gunung es yang terlihat. GitGuardian menyarankan bahwa repositori internal enam kali lebih mungkin berisi rahasia hardcode daripada repo publik.

Hal yang sama memprihatinkan adalah fakta bahwa kredensial sensitif yang diekspos melalui pengodean getaran tampaknya lebih kecil kemungkinannya untuk ditangani dan diperbaiki daripada masalah keamanan yang muncul melalui alur kerja pengodean tradisional. Laporan GitGuardian mencatat bahwa hampir 70% dari kredenSIAL yang terpapar yang telah divalidasi sebagai sah pada tahun 2022 tetap berlaku hingga Januari 2025. 64% masih terekspos dan tidak dicabut pada Januari 2026. Dalam salah satu insiden penting, Football Australia secara tidak sengaja mengekspos kunci akses AWS-nya dalam kode sumber situs webnya—kunci tersebut tetap terekspos selama lebih dari 700 hari.

Secara keseluruhan, pola-pola ini menunjukkan bahwa risiko keamanan pengodean getaran menumpuk dengan laju yang lebih besar daripada yang mampu ditangani oleh program remediasi tradisional.

Frekuensi dan besarnya kelemahan keamanan yang diturunkan dari AI tampaknya bertahan bahkan ketika fungsionalitas LLM terus meningkat. Oleh karena itu, pengamat industri menyarankan bahwa jalur pelatihan dan tolok ukur yang digunakan untuk mengoptimalkan dan memvalidasi kinerja model tidak selalu selaras secara alami dengan pembuatan kode yang aman di dunia nyata.⁴ Sebagian besar studi mengevaluasi kode yang dihasilkan AI secara terpisah, dengan fokus pada keakuratan—apakah itu hanya mengkompilasi, menjalankan, dan menjalankan tugasnya—dan kinerja pada tolok ukur sintetis.⁷

Namun dalam lingkungan pengembangan perusahaan, model tidak beroperasi secara terisolasi. Laporan GitGuardian menemukan bahwa infrastruktur terkait LLM, seperti layanan untuk orkestrasi, retrieval-augmented generation (RAG) atau penyimpanan, mengekspos rahasia pada tingkat lima kali lebih besar daripada penyedia model inti.⁵

Dengan kata lain, banyak risiko keamanan pengodean vibe tidak berasal dari LLM: mereka berasal dari ekosistem tempat model digunakan. Penyedia inferensi, gateway, registri, dan lapisan integrasi yang baru dirilis memasuki alur kerja produksi dengan cepat—seringkali terlalu cepat untuk mengikuti postur keamanan (atau kode vibe pemula).

AI agen menambah kompleksitas lebih lanjut pada pertimbangan keamanan: ketika agen AI diberikan akses lokal ke file, penyimpanan kredensial, dan terminal, komputer itu sendiri dapat menjadi permukaan serangan potensial lainnya. Injeksi prompt dan serangan rantai pasokan yang memanfaatkan kredensial lokal yang terekspos dapat menyebabkan risiko organisasi. Dalam worm Shai-Hulud yang terkenal, yang membahayakan registri JavaScript terbesar di dunia pada akhir tahun 2025, hampir 60% mesin yang terkompromikan bukanlah workstation pribadi—melainkan continuous integration/continuous delivery (CI/CD) runner⁴ (yang tujuannya, ironisnya, adalah untuk mengotomatiskan pengujian keamanan dan memastikan kualitas kode).

Faktor penting yang memperburuk risiko keamanan pengodean berbasis vibe adalah cara perubahan kode yang didorong oleh AI biasanya dikemas: Rata-rata, pengembang yang dibantu AI menghasilkan lebih dari tiga kali lipat jumlah commit dibandingkan rekan-rekan mereka yang menggunakan metode analog, tetapi mengemas commit tersebut ke dalam jumlah pull request (PR) yang jauh lebih sedikit—dan jauh lebih besar. Permintaan perubahan (PR) yang diberi kode vibe ini biasanya memiliki cakupan yang lebih besar, mengubah banyak file dan layanan.

“Laporan Kebiasaan Pengembang” Cursor, dirilis pada Musim Semi 2026, mencatat bahwa jumlah rata-rata baris kode per PR telah meningkat sekitar 250% dari tahun ke tahun (dan tingkat pertumbuhan itu sendiri semakin cepat). “Mega PR”, yang oleh Cursor didefinisikan sebagai PR dengan perubahan minimal 1.000 baris kode, meningkat dari 8% dari total PR pada Januari 2025 menjadi 13,9% dari total PR pada Mei 2026.⁸

PR besar dan luas yang menyentuh banyak bagian basis kode jauh lebih sulit untuk ulasan secara mendalam daripada PR yang lebih kecil dan lebih ditargetkan. Perubahan yang terisolasi pada satu service atau blok kode dapat memerlukan perubahan tambahan di bagian lain untuk menghindari masalah downstream. Namun, dampak turunannya lebih kecil kemungkinannya teridentifikasi selama ulasan kode review apabila PR yang ditinjau menggunakan pendekatan shotgun yang memecah fokus pengulas. Riset dari Apiiro, sebuah platform AppSec, menemukan bahwa meskipun volume PR untuk tim yang dibantu AI turun hampir sepertiga, tim-tim tersebut mengirimkan 10 kali lebih banyak cacat keamanan.³

Singkatnya, AI mempercepat setiap bagian pembuatan kode—termasuk kebiasaan buruk menerapkan terlalu banyak perubahan sekaligus. Berkonsentrasi dan mempercepat perubahan juga dapat memusatkan dan mempercepat risiko setiap penggabungan.

Sebuah studi skala besar terhadap 500.000 sampel kode, yang dipresentasikan pada Simposium Internasional IEEE ke-36 tentang Rekayasa Keandalan Perangkat Lunak (ISSRE 2025), menentukan bahwa “kode yang dihasilkan AI berbeda dari kode yang ditulis manusia tidak hanya dalam jumlah kerentanan keamanan tetapi juga dalam sifat dan distribusinya.” 

Ini menimbulkan kekhawatiran eksistensial: kerangka kerja yang ada untuk menilai kualitas kode dan kerentanan keamanan “berpusat pada manusia, dirancang di sekitar asumsi tentang kognisi manusia, mode kesalahan, dan proses ulasan.” Kode yang dihasilkan AI menunjukkan karakteristik dan kecenderungan yang sangat berbeda, membuat kerangka kerja yang berpusat pada manusia itu tidak cocok untuk mengevaluasinya.⁷

Memperparah masalah ini, riset tentang risiko keamanan pengodean vibe juga mengungkapkan beberapa jenis serangan yang muncul yang tidak memiliki padanan dalam perangkat lunak berkode manusia.

LLM, dan alat AI coding yang mereka kuasai, memiliki kecenderungan untuk merekomendasikan paket yang sebenarnya tidak ada—dan riset telah menemukan bahwa nama paket yang berhalusinasi ini kadang-kadang diulang di berbagai skenario dan bahkan model yang berbeda. Slopsquatting, yaitu jenis serangan halusinasi paket, mengeksploitasi kecenderungan tersebut.

Penyerang slopsquatting mengamati nama-nama paket halusinasi yang berulang kali dihasilkan LLM dan pra-mendaftarkan nama-nama paket fiktif (sebelumnya) ini di register publik. Ketika pembuat kode vibe, seringkali sama sekali tidak terbiasa dengan paket yang umum digunakan (dan dengan demikian tidak mungkin menemukan yang palsu), membuat kode yang berisi nama-nama paket ini, mereka tanpa sadar menginstal kode berbahaya.

Solusi ini tidak memiliki analog dalam pengembangan perangkat lunak tradisional. Seorang programmer manusia tidak mungkin berhalusinasi tentang paket yang tidak ada—dan bahkan jika ada, tidak mungkin dan tidak praktis bagi calon penyerang untuk memprediksi ini, menebak nama paket yang berhalusinasi dan mendaftarkan kode berbahaya di bawah nama paket itu.

Serangan backdoor file aturan mengeksploitasi file konfigurasi (“aturan”) yang digunakan untuk menyesuaikan perilaku agen AI saat membuat atau memodifikasi kode di platform seperti Cursor, GitHub Copilot, dan Claude Code. 

Penyerang biasanya memodifikasi file aturan sumber terbuka populer, menanamkan instruksi berbahaya dalam bentuk karakter Unicode tersembunyi yang hampir tidak mungkin deteksi. Setelah perubahan ini diterima, kode berbahaya itu akan diaktifkan di setiap sesi AI coding berikutnya yang mereferensikan file aturan yang terinfeksi. Akibatnya, kode apa pun yang dihasilkan selama sesi tersebut akan dikompromikan—tetapi karena output yang dikompromikan terdiri atas karakter Unicode yang pada dasarnya tidak terlihat, kode tersebut tampak bersih dalam ulasan.

Tujuan penyerang biasanya untuk memperkenalkan kerentanan dan “pintu belakang” dalam kode yang dihasilkan selanjutnya (dan aplikasi yang menggunakan kode itu) yang dapat mereka eksploitasi nanti.

Berbekal pemahaman tentang pola-pola spesifik ini, organisasi harus memperbarui praktik terbaik keamanan mereka untuk mendapatkan manfaat dari keuntungan kode yang dihasilkan AI tanpa menjadi korban jenis kerentanan yang muncul dari pengodean tanpa pandang bulu.

Sementara potensi cacat keamanan ini mungkin timbul dari ketidaksempurnaan alat AI coding, perwujudan dari risiko ini adalah kegagalan pengawasan manusia. Pengembang, pada akhirnya, masih mengendalikan penambahan dan perubahan apa yang diterima, direvisi, atau diabaikan. Asisten pengodean terus memperluas dan meningkatkan pagar pembatas bawaan mereka, tetapi tinjauan manusia tetap menjadi penghalang terakhir untuk kerentanan keamanan yang dihidupkan—itulah sebabnya pengaturan default IBM® Bob mengintegrasikan ulasan manual dan persetujuan interaksi manusia di setiap tahap.

Konon, ada cara untuk meningkatkan kemanjuran ulasan manusia.

• Kelemahan yang tersembunyi di dalam permintaan perubahan (pull request) yang besar dan bertele-tele jauh lebih sulit ditemukan dalam pemeriksaan keamanan dibandingkan dengan kelemahan yang terdapat dalam permintaan perubahan yang lebih terfokus. Tim keamanan harus menerapkan pedoman untuk ukuran PR yang sesuai.

• Paket harus diberikan pengawasan khusus untuk meminimalkan risiko serangan slopsquatting. Tim keamanan harus mencatat bahwa dengan setiap iterasi baru dari model AI yang diberikan, pola halusinasi paket baru dapat muncul.

• Baik pengembang maupun tim keamanan harus memahami perbedaan antara cacat kode yang ditulis manusia dan yang dihasilkan oleh AI.

Organisasi harus menganggap kode yang dihasilkan AI sebagai kategori input berbeda yang membutuhkan kontrol keamanan khusus yang berbeda (daripada hanya mengintegrasikan output AI ke dalam proses peninjauan standar yang berorientasi manusia).

Sebagai aksioma yang luas, organisasi harus memperlakukan kode atau modul yang diturunkan dari AI sebagai input yang tidak tepercaya dengan cara yang sama seperti mereka memperlakukan kode perpustakaan eksternal. Pengujian keamanan analisis statis (SAST) harus menjadi gerbang wajib yang dilalui semua kontribusi AI sebelum memasuki basis kode. File aturan pihak ketiga—seperti sumber terbuka, Aturan Kursor yang telah dikonfigurasi sebelumnya, Claude.md file, instruksi Copilot, atau Mode Bob—harus diteliti secara menyeluruh dan ditambahkan secara selektif ke daftar putih setelahnya, daripada diizinkan secara default.

Peningkatan berkelanjutan dari platform rekayasa agen menghadirkan peluang untuk memerangi api dengan api melalui deteksi rahasia didukung AI, di mana kredensial khusus AI, seperti kunci API LLM atau token basis data vektor, memiliki tanda tangan deteksi khusus mereka sendiri.

 IBM® Bob, misalnya, memiliki alat bawaan untuk menegakkan pengodean aman dan kontrol akses dalam skala besar melalui kombinasi mode kustom Bob, integrasi Hashicorp Vault, dan IBM® MCP Gateway. Solusi ini juga melakukan tinjauan kode real-time, memindai kode untuk masalah kompleksitas, potensi kerentanan, dan peluang pemfaktoran ulang yang dapat diatasi secara sebaris atau ditinjau nanti di panelBob Findings .

Kemampuan untuk menangkap cacat yang baru diperkenalkan dalam basis kode sebagian besar tergantung pada keterbacaan basis kode itu. Oleh karena itu, menetapkan dan menegakkan standar kualitas kode sangat penting untuk memfasilitasi ulasan keamanan yang produktif. Standar bersama dan pemfaktoran ulang rutin akan memaksimalkan kemungkinan kode tidak aman diidentifikasi dan ditangani.