Perto da metade do código entregue por assistentes de inteligência artificial carrega falhas de segurança, ainda que o resultado pareça funcional e pronto para ir a produção. O dado não é especulativo: o relatório GenAI Code Security 2025, da Veracode, submeteu mais de cem modelos de linguagem a 80 tarefas de codificação e verificou reprovação de 45% das amostras em testes de segurança, com problemas em categorias clássicas do OWASP Top 10.
Quando o recorte é Java, linguagem predominante em ambientes corporativos, a reprovação sobe para 72%. Estudo da Stanford University divulgado nos anais da ACM CCS chegou a um achado complementar e mais incômodo: quem se apoia em assistentes de IA não apenas escreve código menos seguro, como tende a confiar mais na segurança do que produziu.
A projeção do Gartner é de que 75% dos engenheiros de software em grandes empresas estejam usando assistentes de IA para codificar até 2028. No Brasil, levantamento do GitHub com 500 respondentes de companhias de grande porte, publicado em 2024, apontou adoção acima de 97% entre desenvolvedores — patamar equivalente ao de economias como Estados Unidos, Alemanha e Índia.
Limitações dos modelos de linguagem
A origem do problema está na própria natureza desses sistemas. Modelos de linguagem não compreendem segurança em sentido técnico: operam por probabilidade e devolvem padrões presentes no material de treinamento. Como esse material mistura boas práticas e implementações vulneráveis, a saída reproduz a mesma ambiguidade.
O agravante é que a falha não se manifesta como erro visível. Uma vulnerabilidade pode atravessar meses sem ser notada, com o sistema rodando normalmente enquanto expõe dados, autoriza acessos indevidos ou prepara terreno para exploração futura.
Na prática, o que se observa é a ampliação de problemas já conhecidos, só que em outra escala. Entre os mais frequentes estão injeção, uso inadequado de queries, validação insuficiente de entrada e montagem insegura de chamadas a APIs. Com frequência o modelo devolve soluções de aparência padrão que desconsideram nuances de contexto — procedência dos dados, limites de confiança, regras específicas do negócio.
Falhas de autenticação e autorização também são recorrentes. Fluxos gerados por IA tendem a encurtar processos, suprimindo validações intermediárias ou concedendo permissões mais amplas do que o necessário. Em ambiente corporativo, esse atalho pode liberar acesso indevido a dados sensíveis ou a funções administrativas.
As dependências formam outro vetor relevante. Os modelos sugerem bibliotecas externas para resolver problemas pontuais sem avaliar maturidade ou segurança desses componentes, e chegam a indicar pacotes desatualizados ou inexistentes — brecha explorada em ataques de cadeia de suprimentos, quando alguém registra maliciosamente uma biblioteca com o nome que o próprio modelo sugeriu.
Como incorporar a IA com segurança
A decisão já não é se a organização vai usar IA no desenvolvimento, e sim como construir controles proporcionais à velocidade com que esse código chega a produção. O ponto de partida é tratar toda saída de modelo de linguagem como código de terceiro não confiável, com análise estática e dinâmica calibrada para os padrões de vulnerabilidade típicos da IA embutida no próprio pipeline de CI/CD.
O passo seguinte é mapear e controlar o shadow AI antes que ele exponha ativos da organização. Vale lembrar que nenhuma lista de ferramentas aprovadas substitui controles técnicos efetivos de prevenção de vazamento de dados para provedores externos.
O que se consolida, portanto, é uma mudança no conceito de desenvolvimento. A IA não substitui o engenheiro de software, mas redefine seu papel: o foco deixa de ser escrever código e passa a ser validar, interpretar e assegurar que o resultado atende aos requisitos de segurança, qualidade e conformidade.
No relatório Predicts 2026, o Gartner estimou que abordagens baseadas em geração de código por IA elevarão os defeitos de software em 2.500% até 2028 caso os processos de revisão não sejam redesenhados. Não é catastrofismo, é projeção de escala a partir das taxas atuais de adoção e das taxas documentadas de vulnerabilidade.
No fim, o risco não está na tecnologia, e sim no modo como ela é incorporada ao processo. Organizações que tratam a IA como acelerador sem ajustar controles acumulam vulnerabilidades mais rápido do que conseguem responder. As que estruturam governança, observabilidade e disciplina de engenharia capturam o ganho de produtividade sem abrir mão da segurança.
