Vibe Coding Ciptakan 74 Celah Keamanan Software Hasil AI
NARAWARTA.COM — Temuan riset School of Cybersecurity and Privacy di Georgia Tech mengungkap sisi gelap tren pemrograman berbasis kecerdasan buatan. Tim peneliti memeriksa 43.000 security advisories pada tiga bulan pertama tahun ini dan mengidentifikasi puluhan masalah keamanan yang bersumber langsung dari kode buatan AI.
Sebanyak 14 temuan di antaranya masuk kategori isu kritis. Masalah riil di lapangan bahkan diperkirakan jauh melampaui data tersebut karena pelacakan hanya bisa menjangkau proyek yang mencantumkan keterangan penggunaan AI secara terbuka.
Ancaman Keamanan dan Masalah Perawatan Kode
Kritik utama terhadap vibe coding berpusat pada minimnya pemahaman pengguna terhadap struktur program yang dibuat mesin. Ketika LLM seperti Cursor Composer w Sonnet gagal memperbaiki bug, pembuat aplikasi kerap tidak memiliki dasar teknis memadai untuk menambalnya secara manual.
Kondisi tersebut membuat basis kode aplikasi menjadi rapuh dan sulit dirawat dalam jangka panjang. Celah keamanan otomatis terbuka lebar saat sistem perangkat lunak yang beredar dibangun tanpa pengawasan logika pemrograman yang ketat.
Asal Mula Vibe Coding dan Peluang Pembuatan Aplikasi
Istilah vibe coding pertama kali dicetuskan oleh Andrej Karpathy, mantan pemimpin program Tesla Autopilot Vision. Metode ini mengandalkan perintah teks ke LLM untuk memproduksi sebagian atau seluruh baris instruksi aplikasi secara instan.
"There's a new kind of coding I call 'vibe coding,' where you fully give in to the vibes, embrace exponentials, and forget that the code even exists," tulis Andrej Karpathy melalui media sosial X.
Pendukung pendekatan ini menilai kecerdasan buatan sukses mendemokratisasi rekayasa perangkat lunak. Siapa pun kini dapat merancang platform mandiri secara cepat, mulai dari kalangan non-teknis hingga profesional medis yang membutuhkan aplikasi pelacak kesehatan hewan peliharaan.
Batas Pemisah Bantuan AI dan Regenerasi Programmer
Pola kerja insinyur perangkat lunak kini terbelah menjadi dua kategori, yakni pemanfaatan asisten otomatis dan ketergantungan penuh. Mayoritas praktisi memakai LLM sebatas instrumen pendukung, seperti fitur autocomplete, code review, atau mencari solusi saat menghadapi kendala teknis.
Di sisi lain, otomatisasi fungsi dasar melalui mesin mulai mengikis jalur karier konvensional di industri teknologi. Perusahaan memangkas alokasi rekrutmen pengembang junior karena tugas-tugas tingkat pemula yang biasanya didelegasikan senior kini diselesaikan langsung oleh model kecerdasan buatan.