O panorama, em números e com fontes
Em 2026, vários trabalhos independentes deixaram de falar de impressões e passaram a medir. A constatação mais citada cabe numa frase: apenas cerca de 35 % do código de backend gerado por IA é ao mesmo tempo seguro E correto, segundo as avaliações empíricas. Em outras palavras, na maioria dos casos o código produzido é errado, ou vulnerável, ou ambos, mesmo quando «parece» funcionar.
A parcela de código que contém pelo menos uma vulnerabilidade é estimada entre 62 % e 92 % conforme o estudo. É uma faixa ampla e deve ser lida como tal: as metodologias diferem (linguagens testadas, definição de vulnerabilidade, gravidade considerada, corpus de prompts). Nenhum número isolado dessa faixa deve ser citado sozinho sem precisar o estudo e o seu método; o honesto é a faixa, não um ponto.
O risco não é teórico. O «Vibe Security Radar» do Georgia Tech registra as CVEs ligadas ao código gerado por IA em forte aceleração no primeiro trimestre de 2026: 6 em janeiro, 15 em fevereiro, 35 em março, ou seja, nesses três meses, mais do que todo o ano de 2025 somado.
Quanto à percepção, a desconfiança acompanha os números: 87 % dos desenvolvedores dizem duvidar da confiabilidade do código gerado por IA. Quem mais o usa costuma ser o primeiro a não confiar nele de olhos fechados.
Uma ressalva de método, por honestidade: este corpus é sobretudo pesquisa de segurança industrial, relatórios de empresas de segurança, auditorias, benchmarks, e não um conjunto de literatura acadêmica revisada por pares. Há nele apenas um trabalho realmente acadêmico (um artigo arXiv); o resto vem da indústria. Isso não torna os números falsos, mas obriga a lê-los pelo que são: medições independentes que convergem, não um consenso científico consolidado.
Um desses trabalhos merece ser nomeado, porque enquadra exatamente o debate: o benchmark independente Vibe-Eval (2026) cataloga os modos de falha de vários geradores de uso amplo, Lovable, Bolt, Cursor, Replit, v0, com critérios de segurança de aplicações. É precisamente o terreno em que um motor que publica uma validação em tempo de execução datada pode se medir de frente, em vez de remeter à confiança.
- ~35 % do código de backend gerado por IA é ao mesmo tempo seguro e correto (avaliações empíricas).
- De 62 % a 92 % do código gerado contém vulnerabilidades, faixa ampla, métodos diferentes.
- CVEs relacionadas: 6 → 15 → 35 por mês (jan. → mar. 2026, Vibe Security Radar, Georgia Tech).
- 87 % dos desenvolvedores duvidam da confiabilidade do código gerado por IA.
Por quê: um modelo probabilístico produz código plausível, não garantido
A causa é estrutural, não conjuntural. Um grande modelo de linguagem produz o token mais provável dado o contexto. Aplicado ao código, isso dá a continuação mais verossímil, não necessariamente a correta nem a segura. O modelo não tem uma noção interna de «este esquema compila», «esta consulta está parametrizada», «este controle de acesso existe»; tem uma noção de «com o que se parece o código desse tipo».
É exatamente isso que torna o problema pernicioso: o código alucinado é plausível. Lê-se bem, às vezes compila, é implantado e falha no uso, ou pior, funciona em aparência enquanto deixa aberta uma injeção SQL, um segredo em texto claro, um controle de autorização ausente. As categorias de falhas recorrentes documentadas pelos estudos (injeção, má gestão de segredos, ausência de validação de entrada, controle de acesso defeituoso) são justamente as que um modelo reproduz porque abundam nos seus dados de treinamento.
Acrescentar uma instrução ao prompt («escreva código seguro») desloca as probabilidades, mas não muda a natureza do objeto: nada garante o resultado, porque nada o verifica. Uma instrução não é uma prova.
A distinção que muda tudo: a IA escreve a especificação, um builder compila o código
O Blueprint Maker parte dessa constatação e recusa deixar o modelo escrever o código. O pipeline separa dois papéis que nada obriga a confundir. A IA faz o que sabe fazer de melhor: compreender um domínio de negócio e produzir uma especificação estruturada, um esquema de entidades, relações e regras em formato JSON. Ela concebe, não programa.
Em seguida, builders determinísticos, escritos uma vez, testados, versionados, transformam essa especificação em código: esquema de banco de dados, telas, rotas, painéis. O código, portanto, nunca é «alucinado» pelo LLM: é produzido por um programa cujo comportamento se conhece. As propriedades dos componentes não são adivinhadas, são derivadas da especificação segundo regras fixas. A mesma especificação na entrada produz sempre o mesmo código na saída.
Essa separação não elimina magicamente todo risco, mas desloca o problema para onde ele é tratável: em vez de esperar que um modelo probabilístico não tenha introduzido uma falha em milhares de linhas únicas, garante-se por construção que os padrões de código (consultas, formulários, controles) saem de um único gerador, auditável e corrigível de uma vez por todas.
- A IA → compreende o domínio → produz uma especificação (não código).
- Os builders determinísticos → compilam a especificação → produzem o código.
- O código não é inferido linha a linha pelo modelo: é gerado por um programa conhecido.
A defesa verificável: uma validação em tempo de execução publicada (K-15 / Health Score)
Escrever código por um método mais seguro continua sendo uma promessa enquanto não se prova. A diferença decisiva não é afirmar «o nosso código é confiável», é medi-lo e publicar a medida. Cada aplicação produzida pelo Blueprint Maker passa por uma validação em tempo de execução automatizada, chamada K-15: o código é compilado, a aplicação é de fato iniciada e depois percorrida tela por tela por um navegador automatizado. O critério é binário: funciona, ou não funciona.
O resultado agregado, a parcela de aplicações que passam no conjunto dessas verificações numa janela móvel de sete dias, é publicado e datado sob o nome de Health Score. É uma métrica de confiabilidade verificável: comprovável, não declarativa, produzida por um juiz automático e não por um argumento de marketing.
É precisamente o que nenhum gerador puramente probabilístico publica, e por uma razão de fundo: produzir uma medida dessas pressupõe um meio determinístico e reproduzível de testar cada saída em condições reais. Um pipeline que faz o modelo escrever o código e o entrega como está não tem nenhuma barreira de tempo de execução sistemática a exibir. A transparência sobre a confiabilidade só é possível se a confiabilidade for construída para ser medida.
Os nossos limites, com honestidade
Uma validação em tempo de execução prova que uma aplicação se constrói, inicia e se percorre corretamente; reduz fortemente a classe de erros «código plausível mas quebrado». Não substitui uma auditoria de segurança de aplicações completa, um teste de intrusão nem uma revisão de conformidade. O Blueprint Maker não reivindica, até hoje, uma certificação SOC 2 ou ISO: preferimos publicar uma métrica real e datada a exibir um selo que nada diz sobre o produto entregue.
A leitura correta é esta: o código gerado por IA tem um problema de confiabilidade medido; a única resposta crível não é uma promessa mas uma verificação publicada; separar a concepção (a IA) da fabricação (os builders determinísticos) torna essa verificação possível e reproduzível. É uma base, não um cheque em branco, e vale mais do que um número que não se mostra.
Fontes
Cloud Security Alliance, Vibe Coding / AI Governance Gap: https://labs.cloudsecurityalliance.org/research/csa-research-note-vibe-coding-ai-governance-gap-20260602-csa/
The Security Crisis in AI-Generated Code (2026): https://blog.vibecoder.me/security-crisis-ai-generated-code-2026
IOActive, The Security Gap in AI-Generated Code: https://www.ioactive.com/wp-content/uploads/2026/05/IOA-The-Security-Gap-in-AI-Generated-Code.pdf
AppStuck, AI-Generated App Security Risks (2026): https://www.appstuck.com/blog/ai-generated-app-security-risks
Vibe-Eval, AI App Security Benchmark 2026: https://vibe-eval.com/data-studies/ai-app-security-benchmark-2026/
Sherlock Forensics, AI Code Security Report 2026: https://www.sherlockforensics.com/pages/ai-code-security-report-2026.html
OX Security, Vibe Coding Security: https://www.ox.security/blog/vibe-coding-security/
arXiv, Coding With AI: https://arxiv.org/pdf/2512.23982