Новые исследования безопасности кода с использованием генеративного ИИ (GenAI) выявляют упрямый факт: по мере того как ИИ генерирует все больше кода, попадающего в продакшн, безопасный результат не улучшается с той же скоростью. В результате проблема безопасности кода GenAI определяется масштабом, выбором моделей и растущей потребностью в верификации.
Написание кода с помощью ИИ вышло за рамки экспериментов. Для многих команд это теперь часть повседневной разработки программного обеспечения.
В этом заключается как возможность, так и риск.
В организациях, внедривших инструменты программирования на базе ИИ, искусственный интеллект теперь создает примерно половину всего закоммиченного кода. Это полностью меняет дискуссию о безопасности кода GenAI. Речь больше не идет о том, может ли ИИ писать код. Может и пишет в промышленных масштабах. Реальный вопрос заключается в том, смогут ли программы безопасности угнаться за объемом, скоростью и вариативностью того, что производят эти системы.
Наше последнее исследование показывает, что ответ по-прежнему отрицательный.
Отчет по безопасности кода GenAI за 2026 год показал, что примерно 44% задач по генерации кода с помощью ИИ приводили к появлению рискованных уязвимостей безопасности в тестах. Средний показатель успешного прохождения тестов безопасности среди моделей составляет 56% — практически не изменившись по сравнению с 55% в первом отчете. Иными словами, показатели безопасности остались прежними, в то время как объем сгенерированного ИИ кода, поступающего в конвейеры, резко возрос.
Именно поэтому безопасность кода GenAI в настоящее время является проблемой масштаба, а не дискуссией о теоретических рисках. Если на долю ИИ приходится половина кодовой базы, а уязвимый вывод остается столь же распространенным, каждой организации требуется более четкая стратегия выбора моделей, верификации, устранения уязвимостей и управления.
Объем кода, создаваемого ИИ, растет быстрее, чем механизмы контроля
Самое главное изменение в отчете этого года заключается вовсе не в резком падении показателей безопасности. А в том, что тот же уровень сбоев теперь применим к гораздо большему объему кода.
Команды безопасности уже ощущают это давление. По мере того как ИИ ускоряет создание программного обеспечения, проверка кода расширяется, очереди на исправление растут, а модели управления с трудом успевают за рабочими процессами, которые меняются в режиме реального времени. Лидеры не ищут способ отключить ИИ. Они хотят найти способ масштабировать его безопасно и с уверенностью.
В этом суть текущего момента на рынке. ИИ увеличивает производительность разработчиков, но он также увеличивает количество решений по безопасности, принимаемых на ранних этапах, зачастую до того, как команды безопасности получат видимость или контекст. Когда верификация не успевает за процессами, риски незаметно накапливаются.
Именно поэтому безопасность кода GenAI нельзя рассматривать как второстепенный вопрос в рамках более широкой стратегии использования ИИ. Она становится ключевым элементом доверия к программному обеспечению.
Главный вывод: синтаксис решен, безопасность — нет
Данные отчета делают один факт абсолютно очевидным: функциональный результат и безопасный результат полностью разделены.
Современные модели теперь генерируют синтаксически корректный код почти в 100% случаев. Проблема синтаксиса фактически решена. Но безопасное программирование не следует по той же кривой. По всем языкам, уязвимостям CWE, задачам и протестированным моделям средний показатель успешного прохождения проверок безопасности остается на уровне 56%..
Этот разрыв имеет значение, поскольку синтаксическая беглость может создавать ложную уверенность. Код, который компилируется, запускается и выглядит чистым, все равно может содержать эксплуатируемые уязвимости в продакшне. Фактически примерно 44% протестированных задач по генерации кода с помощью ИИ привели к созданию кода с известной уязвимостью.
Для руководителей, принимающих решения по платформам и политикам, это критическое различие. Способность генерировать работающий код быстрее имеет ценность. Но работающий код по умолчанию не является надежным. Безопасность кода GenAI зависит от верификации, а не от внешнего вида.
Почему это важно именно сейчас
Это исследование публикуется в то время, когда риски в сфере программного обеспечения уже усиливаются.
В отчете Verizon Data Breach Investigations Report за 2026 год указано, что уязвимости программного обеспечения теперь являются основным вектором атак (31%), опережая украденные учетные данные. В то же время отчет Veracode State of Software Security за 2026 год показывает, что технический долг по безопасности затрагивает 82% организаций, критический технический долг — 60%, а количество уязвимостей высокого риска выросло на 36% в годовом исчислении.
Сложите эти сигналы вместе, и вывод станет очевиден: речь идет не просто об увеличении количества кода, сгенерированного ИИ. Речь идет о большем количестве уязвимого кода, попадающего в среды, которые и так несут слишком много нерешенных рисков.
Для директоров по информационной безопасности (CISO) и руководителей AppSec это меняет операционную задачу. Проблема больше не в том, создает ли сгенерированный ИИ код риски. Проблема заключается в том, как предотвратить ситуацию, когда эти риски перегружают возможности проверки, увеличивают отставание по устранению уязвимостей и ослабляют управление в масштабах предприятия.
Именно поэтому безопасное внедрение важнее тотального запрета. Организации, которые успешно движутся вперед, не пытаются замедлить разработку до минимума. Они пытаются построить систему, в которой разработка с помощью ИИ может двигаться быстро, в то время как команды безопасности сохраняют видимость, контекст и контроль.
Что говорят данные о выборе моделей
Один из важнейших выводов отчета заключается в том, что выбор модели стал решением в области безопасности.
Средний показатель может не меняться, но ситуация в целом неоднородна. GPT-5.5 лидирует в текущем срезе с 68%, в то время как более половины протестированных моделей находятся в диапазоне 50–53%. Такой разброс имеет практические последствия. Модель, которая дает сбой в одной из трех задач безопасности, создает значительно меньше работы по последующему устранению уязвимостей, чем модель, дающая сбой в одной из двух, даже если это устранение поддерживается ИИ.
Для предприятий, масштабирующих кодирование с помощью ИИ, эта разница имеет значение. Она влияет на то, сколько дефектов нужно найти, сколько времени разработчиков тратится на их исправление и какая нагрузка ложится на руководителей AppSec и инженерных команд для повторного тестирования и управления результатами.
Вывод прост: не все приросты производительности одинаковы. Если две модели помогают разработчикам двигаться быстро, но одна стабильно производит менее уязвимый код, это не просто техническое предпочтение. Это решение по управлению рисками.
Даже самая лучшая модель не решает проблему полностью
GPT-5.5 лидирует с показателем 68%. Это заметный прогресс по сравнению с остальными участниками.
Это также означает, что лучшая модель все еще дает сбой почти в каждой третьей задаче по безопасности.
Именно так следует воспринимать таблицу лидеров. Несколько моделей вырываются вперед, но ни одна модель в этом наборе данных не генерирует безопасный код достаточно надежно, чтобы исключить необходимость верификации. Правильный выбор модели может снизить нагрузку. Он не устраняет риск.
Большие возможности неавтоматически означают большую безопасность
Некоторые из самых полезных выводов в отчете этого года бросают вызов общепринятым предположениям.
Специализированные модели для написания кода показали в среднем 51% в задачах безопасности. Модели общего назначения — в среднем 52%. Модели, созданные специально для более быстрого написания кода, в среднем не пишут его более безопасно.
Модели с возможностями логического рассуждения (reasoning models) действительно имеют преимущество: в среднем 56% против 51% у моделей без таких возможностей. Это говорит о том, что внутренний анализ помогает моделям обнаруживать небезопасные конструкции до вывода результатов. Но даже более сильная категория по-прежнему дает сбои почти в 44% задач.
Размер модели также существенно не меняет картину. Крупные модели показали в среднем 53%, в то время как средние и малые модели — по 51%. Более крупные модели также не решают проблему безопасного кодирования.
В совокупности эти результаты указывают на более широкую реальность: безопасность не является побочным эффектом общего прогресса моделей. Она требует целенаправленного акцента, тщательной оценки и надежного контроля над тем, как модели используются в рабочих процессах продакшна.
Сохраняющиеся уязвимости показывают, где проверка имеет наибольшее значение
В отчете также говорится, что показатели эффективности существенно различаются в зависимости от типа уязвимости.
В отношении SQL-инъекций модели показали себя относительно хорошо, со средней долей успешных прохождений в 83%. В криптографических алгоритмах этот показатель достиг 87%. Но производительность резко упала для межсайтового скриптинга (15%) и инъекций в лог-файлы (12%).
Этот разброс имеет значение, поскольку он показывает, где команды могут, а где не могут доверять выводу по умолчанию.
Некоторые проблемы безопасности моделям проще усвоить как повторяющиеся паттерны. Другие зависят от потоков данных, контекста приложения и более глубокого понимания того, как пользовательский ввод перемещается по системам. Именно в этих областях исходный вывод модели наиболее вероятно потерпит неудачу и где проверка должна быть наиболее сильной.
Для руководителей служб безопасности это практический урок: безопасность кода на базе генеративного ИИ — это не единая проблема управления. Это проблема приоритизации. Командам необходимо знать, какие типы уязвимостей остаются устойчивыми, где отсутствует контекст и как сосредоточить проверки там, где модели наименее надежны.
Вот как выглядит безопасное масштабирование
Организации, которые извлекут наибольшую пользу из ИИ-кодирования, — это не те, которые предполагают, что модель безопасна. Это те, которые превращают доверие в рабочий инструмент.
Это означает отношение к безопасности кода GenAI как к дисциплине, основанной на четырех возможностях:
1. Выбирайте модели с учетом безопасности
Различия в производительности между моделями существенны. Решения о закупках и платформах должны включать оценку безопасности, а не только стоимость, скорость или предпочтения разработчиков.
2. Проверяйте код в рамках рабочего процесса
Поскольку синтаксис больше не является проблемой, командам нужны средства контроля, которые проверяют безопасность по мере написания кода и до того, как он попадет в продакшн. Чем быстрее ИИ пишет код, тем важнее становится проверка прямо в рабочем процессе.
3. Сосредоточьте исправление там, где риск выше всего
Когда количество уязвимого вывода увеличивается, управление бэклогом становится стратегической задачей. Командам безопасности нужна единая видимость для приоритизации эксплуатируемых дефектов с высоким уровнем влияния и снижения уровня шума, который замедляет работу.
4. Управляйте ИИ-кодированием как реальным исходным кодом программного обеспечения
Если ИИ пишет половину кода, его использование требует политики, подотчетности и измеримого контроля. Управление должно охватывать то, какие модели используются, где они применяются, как проверяется результат и как отслеживаются результаты с течением времени.
Именно здесь важен комплексный подход. Командам необходимо рано выявлять риски, быстро их устранять и последовательно управлять ими на протяжении всего жизненного цикла программного обеспечения. Именно так масштабируется безопасная поставка программного обеспечения в эпоху ИИ-кодирования.
Следующий этап безопасности кода GenAI носит операционный характер
Дискуссия вокруг ИИ-кодирования меняется. Вопрос больше не в том, впечатляет ли технология. Вопрос в том, смогут ли организации усвоить ее результаты, не увеличивая риски быстрее, чем они могут их снизить.
Наше исследование показывает, что ответ зависит от того, что произойдет дальше.
Когда ИИ создает примерно половину зафиксированного в репозитории кода, средний показатель успешности проверки безопасности в 56% неприемлем в качестве фонового шума. Это операционный сигнал. Это означает, что выбор модели имеет значение. Проверка имеет значение. Приоритизация имеет значение. Управление имеет значение.
Больше всего это означает, что безопасная поставка программного обеспечения должна развиваться так же быстро, как и сама разработка с помощью ИИ.
Прочтите полный отчет о безопасности кода GenAI за 2026 год, чтобы узнать, какой выбор моделей снижает риски, где сохраняются уязвимости и как укрепить безопасность кода GenAI по мере масштабирования ИИ-кодирования.
