Dwóch inżynierów z projektu OpenClaw (zwanego też „Lobster”) bije na alarm: narzędzia sztucznej inteligencji mogą przyspieszać prace programistyczne, ale równie dobrze potrafią wpuszczać do produkcji kod niskiej jakości, a nawet niebezpieczny. Ich obawy nie dotyczą samej AI, lecz tego, jak szybko firmy zaczynają na niej polegać bez odpowiedniego nadzoru.
Mario Zekner, twórca wewnętrznego frameworka agentów Pi w OpenClaw, mówi, że infrastruktura już teraz pracuje na granicy wydolności, a oprogramowanie z dnia na dzień staje się coraz bardziej podatne na ataki. Branża może na razie udawać, że problemu nie ma, ale prędzej czy później zapłaci za nagromadzone błędy. Kolejny inżynier, Armin Ronacher, uważa, że AI powinna pomagać doświadczonym programistom pracować szybciej. Tymczasem wiele firm traktuje ją jako skrót do natychmiastowych oszczędności, kosztem długoterminowej jakości.
Prawdziwy kłopot polega na tym, że generowanie kodu to nie to samo, co porządna inżynieria oprogramowania. AI potrafi szybko wyrzucić szkice, standardowe funkcje i prototypy. Bez przeglądu, testów i nadzoru architektonicznego taki kod często stwarza więcej problemów, niż rozwiązuje. Najgorzej jest, gdy wygenerowane fragmenty trafiają wprost do działających produktów – z pominięciem kontroli bezpieczeństwa, testów obciążeniowych, analizy zgodności i planowania dalszego utrzymania.
Według inżynierów pogoń za krótkoterminową wydajnością może doprowadzić do niedoboru młodych talentów, rosnącego długu technicznego, nowych luk w zabezpieczeniach i częstszych awarii usług. Gdy firmy zastępują szkolenia i rozwój programistów automatycznym generowaniem kodu, zyskują szybkość tu i teraz – ale jutro tracą stabilność zespołu i jakość produktu.
„The Wall Street Journal” nazywa to zjawisko „vibe slop” – połączeniem „vibe coding” (programowania na wyczucie, opartego na szybkich promptach i przybliżonych rezultatach) oraz powodzi śmieci generowanych przez AI. Dla firm przekaz jest jasny: te narzędzia mogą być potężnymi pomocnikami, ale nie zwalniają z konieczności solidnych praktyk inżynieryjnych. Krytyczne systemy wciąż wymagają doświadczonych programistów, przeglądów kodu, refaktoryzacji, testów i audytów bezpieczeństwa.
Ostatecznie czas zaoszczędzony na początku często zamienia się w większe wydatki później. Jeśli AI produkuje niskiej jakości kod, prawdziwy koszt rozwoju zostaje po prostu przeniesiony w przyszłość – do poprawek błędów, dochodzeń po awariach, łatania luk i odbudowy zaufania użytkowników.