TechHuman

Análise especial · IA e governança

Código com IA é menos seguro? O maior levantamento complica essa resposta

Um estudo comparou 253.390 arquivos atribuídos a sete ferramentas de IA com 9.544 arquivos escritos por pessoas em repositórios públicos. O resultado contraria slogans fáceis: o risco varia por linguagem, ferramenta, contexto e método de medição.

Por Fernando ParreirasRevisão: Fernando ParreirasPublicado em 05 de outubro de 202610 min de leitura

A pergunta parece objetiva: código produzido com IA é mais vulnerável do que código escrito por pessoas? Para uma diretoria decidindo como adotar agentes de programação, seria conveniente receber um sim ou não. O maior levantamento público localizado pelo Radar de Evidências mostra por que essa simplificação é perigosa.

O que o estudo realmente mediu

Pesquisadores da Oregon State University analisaram 253.390 arquivos contendo código atribuído a sete ferramentas de assistência por IA e os compararam com 9.544 arquivos classificados como escritos por pessoas em repositórios públicos do GitHub [1][2]. O trabalho foi aceito no workshop EXPRESS 2026, associado à SPLASH/ISSTA.

O desenho observa indicadores de CWE e severidade em arquivos. Ele não acompanha incidentes em produção, exploração confirmada, configuração de infraestrutura, qualidade da revisão ou todo o ciclo de desenvolvimento. Portanto, o estudo compara sinais estáticos dentro da amostra — não uma taxa universal de software inseguro.

O resultado que complica a narrativa

Os autores encontraram variação significativa por linguagem e ferramenta. Em Python, a amostra classificada como humana apresentou maior prevalência de CWE relevantes à segurança do que a amostra atribuída a IA: 21,08% contra 11,15%. A severidade CVSS no nível de arquivo também foi maior no grupo humano analisado [1][2].

Isso não prova que a IA produz código mais seguro. Distribuição de projetos, linguagem, tamanho dos arquivos, popularidade, momento do commit, forma de atribuição e comportamento de quem aceita ou edita sugestões podem explicar parte da diferença. O achado útil é outro: a origem declarada do código, isoladamente, não explica o risco.

O que muda na política de engenharia

  • Segmente métricas por linguagem, framework, ferramenta, repositório e criticidade; uma média global pode esconder o risco relevante.
  • Registre a procedência da contribuição sem transformar procedência em veredito. Código humano e código assistido passam pelos mesmos gates mínimos.
  • Combine análise estática, testes executáveis, revisão arquitetural, composição de dependências e observabilidade; nenhum indicador isolado prova segurança.
  • Avalie falsos positivos, falsos negativos e cobertura antes de usar um scanner como gate automático de merge.
  • Vincule achado, ferramenta, configuração, commit, correção e decisão humana em uma trilha reproduzível.
  • Aumente a exigência quando o software controla dinheiro, identidade, dados sensíveis ou infraestrutura, independentemente de quem escreveu a linha.

Limites, conflitos e contrapontos

  • O estudo usa repositórios públicos e uma metodologia de atribuição de arquivos; contribuições não declaradas, edições humanas posteriores e seleção da amostra podem alterar a classificação.
  • CWE e CVSS derivados por análise de arquivo são indicadores de risco, não vulnerabilidades exploradas nem incidentes observados em produção.
  • O resultado de Python não deve ser transferido automaticamente para outras linguagens, ferramentas ou organizações.
  • Os próprios autores produziram método e análise. Até o corte editorial de 04/10/2026, não localizamos reprodução independente do levantamento completo.
  • O paper reforça que código vulnerável assistido por IA chega a repositórios públicos; o achado comparativo não autoriza relaxar revisão ou treinamento de segurança.

A regra prática: não governe pela etiqueta

A empresa não precisa escolher entre entusiasmo e proibição. Precisa saber qual evidência autoriza cada mudança a avançar. A IA aumenta volume e velocidade; isso torna procedência, testes, revisão e responsabilidade mais importantes — não porque todo código de IA seja pior, mas porque a capacidade de produzir cresceu mais rápido do que a capacidade humana de inspecionar linha por linha.

Nota editorial e de responsabilidade

Números, método, população e autoria foram atribuídos às fontes diretas. O artigo separa resultados do estudo de interpretação editorial e recomendações profissionais. Pontos de vista pessoais e profissionais do autor não são fatos universais nem garantia de segurança. Este conteúdo é informativo e não substitui avaliação técnica, jurídica, regulatória ou de segurança aplicada ao seu contexto. Tech Human e Trustyu atuam comercialmente em desenvolvimento e governança de produtos digitais. Pesquisa, estrutura e redação tiveram assistência de IA; revisão factual, aprovação autoral e autorização de publicação foram confirmadas por Fernando Parreiras em 04/10/2026, sem revisão humana independente adicional.

Este conteúdo ajudou?

Resposta anônima, sem cadastro.

Fontes e método

O que sustenta esta análise.

As referências numeradas abaixo são links diretos para permitir verificação. Síntese, análise própria, hipótese e experiência de campo permanecem identificadas separadamente.

Corte da pesquisa
04 de outubro de 2026
Última revisão
04 de outubro de 2026
Correções
Nenhuma correção registrada
  1. [1]Vulnerability Trends Across Open-Source AI-Attributed CodeACM / EXPRESS 2026 · fonte primária · acesso em 04 de outubro de 2026
  2. [2]Vulnerability Trends Across Open-Source AI-Attributed Code — program pageSPLASH / ISSTA 2026 · fonte primária · acesso em 04 de outubro de 2026

Continue a decisão

Ver IA e governança
Análise especialIA e governança12 min

Pedir ‘faça seguro’ não torna o código seguro

Um estudo com 4.240 gerações de código encontrou forte efeito dos prompts sobre a disposição do modelo para responder, mas não uma redução consistente das fraquezas detectadas. Para a liderança, a decisão é simples: instrução ajuda; controle precisa ser verificável fora do modelo.

Ler análise
Análise especialIA e governança11 min

Código funcional não é código seguro

Um novo estudo transformou correções históricas de vulnerabilidades em testes executáveis para treinar agentes de programação. O resultado reforça uma decisão de negócio: software que passa no teste funcional ainda precisa provar as propriedades de segurança que o pedido não escreveu.

Ler análise
Análise especialIA e governança11 min

Trocar o modelo não elimina o risco do código

Um estudo longitudinal avaliou 380.800 programas gerados por 32 modelos de sete famílias. Todos melhoraram em segurança absoluta, mas nenhuma família fechou a distância entre código funcional e código seguro — e versões novas também regrediram em fraquezas específicas.

Ler análise