Аудит AI-кода

Аудит AI-кода — это независимая проверка кодовой базы, будь то код, написанный ИИ, или вручную, на уязвимости безопасности, архитектурные слабости и пробелы в готовности к продакшену — до того, как их найдут реальные пользователи. Итог — отчёт с находками, ранжированными по критичности, и понятный путь к их исправлению.

Большая часть того, что мы аудируем сегодня, начиналась в Cursor, Bolt, Lovable, Claude или ChatGPT — быстро собрать прототип, но редко готово к продакшену в первый день. Но сам аудит не ограничен продуктом ИИ: те же категории риска и тот же процесс применимы к кодовой базе, которую ИИ вообще не писал. Вы команда, которая быстро выпускает продукт с AI-инструментами и хочет проверку перед следующим релизом, или основатель, унаследовавший AI-приложение и не знающий, что в нём на самом деле — аудит один и тот же.

Что мы проверяем

Семь направлений, каждый раз — а не только сканирование безопасности, на котором останавливается большинство инструментов «AI code review».

Что вы получаете

Аудит — это не PDF, который ложится в стол. На выходе три вещи.

Два способа начать

К нам приходят за аудитом по одной из двух причин. Отчёт с находками выглядит одинаково в обоих случаях — разница в том, с чего мы начинаем искать.

Аудит AI-сгенерированного или vibe-coding приложения

Вы (или нетехнический основатель, или подрядчик) собрали в Cursor, Bolt, Lovable, Claude или ChatGPT что-то рабочее — оно хорошо смотрится на демо, ранним пользователям нравится, и теперь это нужно проверить на столкновение с реальным миром. Мы начинаем с того, в чём эти инструменты систематически проваливаются: захардкоженные секреты, аутентификация, которая формально есть, но не проверяет запрос, и использование API, которое никогда не проектировалось под бюджет. Наш разбор именно этого перехода — в статье Как довести AI-прототип до продакшена.

AI-ускоренный аудит любой кодовой базы

Кодовая база не обязана быть создана ИИ, чтобы это применялось. Мы прогоняем один и тот же автоматизированный анализ — статический анализ, сканирование зависимостей, обнаружение секретов — на любом стеке, независимо от того, помогал ли ИИ его писать, и именно это позволяет нам укладывать аудит в недели, а не месяцы. Ручная проверка сверху — это то, где наши инженеры действительно читают вашу архитектуру и бизнес-логику; автоматизация лишь означает, что меньше бюджета уходит на поиск очевидного вручную.

Что идёт не так в AI-сгенерированном коде

Мы провели аудит десятков AI-сгенерированных кодовых баз. Одни и те же категории проблем появляются практически в каждой — это системные слепые пятна, а не исключения.

Эти цифры подтверждены независимыми исследованиями: Veracode протестировал 100+ LLM и обнаружил, что 45% сгенерированного кода проваливает тесты безопасности. Анализ Apiiro за 2025 год показал, что AI-разработчики раскрывают учётные данные почти вдвое чаще. Исследователи NYU нашли уязвимости в ~40% программ, сгенерированных Copilot, а исследование Стэнфорда подтвердило, что разработчики с AI-помощниками пишут менее безопасный код — и при этом больше уверены в его надёжности. Наш собственный разбор Flutter-кода, написанного агентами, — в статье Почему AI-агенты буксуют на Flutter: дублированное состояние, отсутствие тестов и интерфейс, который никто не проверил второй раз.

Уязвимости безопасности

1. Открытые API-ключи и секреты

AI-инструменты часто хардкодят API-ключи, учётные данные баз и токены сторонних сервисов прямо в исходный код. Они попадают в публичные репозитории, клиентские бандлы или файлы окружения, которые уходят в продакшен. Один утёкший ключ OpenAI может привести к тысячам долларов несанкционированных расходов за несколько часов.

2. Отсутствие аутентификации и авторизации

AI-приложения часто реализуют аутентификацию на поверхностном уровне — экран логина есть, но бэкенд на самом деле не проверяет права. API-эндпоинты принимают любой запрос. Административные маршруты доступны без проверки ролей. Пользователь A может видеть данные пользователя B, просто подменив ID в URL.

3. Инъекционные атаки

SQL-инъекции, XSS и промпт-инъекции распространены в AI-коде. AI-модели генерируют код, который конкатенирует пользовательский ввод напрямую в запросы, HTML или промпты LLM без санитизации. Один уязвимый эндпоинт может скомпрометировать всю базу данных или позволить злоумышленникам манипулировать поведением вашего ИИ.

4. Небезопасное хранение данных

Персональные данные в открытом виде, сессионные токены в localStorage, пароли хешированные MD5 или вообще без хеширования. AI-инструменты выбирают простейшую реализацию, которая редко бывает безопасной. Соответствие GDPR и требованиям конфиденциальности, как правило, отсутствует. Наш разбор шифрования в продакшен-приложениях показывает, как данные должны защищаться при хранении и передаче.

Оптимизация расходов на API

1. Избыточные вызовы API

Самая дорогая проблема, которую мы находим. AI-приложения делают лишние вызовы к платным сторонним API — геокодинг, финансовые данные, AI-модели, сервисы верификации. Они запрашивают одни и те же данные повторно, не кэшируют ответы и делают запросы, которых можно было бы избежать простой локальной логикой. Мы регулярно находим приложения, где 60-80% расходов на API — впустую.

2. Отсутствие лимитов и бюджетов

Нет лимитов на пользователя. Нет дневных лимитов расходов. Нет автоматических выключателей при скачке затрат. Один пользователь — или бот — может выжечь весь ваш месячный бюджет за день. AI-инструменты никогда не реализуют контроль затрат, потому что не имеют представления о вашей бизнес-модели и тарифах интегрируемых сервисов.

3. Отсутствие кэширования и батчинга

Запрос одного и того же курса валюты, геолокации по IP или профиля пользователя из платного API при каждом обращении вместо кэширования. Индивидуальные вызовы API в цикле вместо использования пакетных эндпоинтов. Каждый лишний запрос стоит денег, и при масштабировании это складывается в тысячи долларов в месяц.

Утечки данных и конфиденциальность

1. Логирование конфиденциальной информации

AI-код обожает избыточное логирование. Email-адреса, пароли, платёжные данные и персональная информация попадают в логи приложения, сервисы трекинга ошибок и сторонние аналитические системы. Эти логи часто доступны без аутентификации и хранятся бессрочно.

2. Избыточные ответы API

API-ответы, возвращающие целые объекты пользователя — включая хешированные пароли, внутренние ID, email-адреса и метаданные — когда фронтенду нужно только отображаемое имя. GraphQL-эндпоинты без ограничений глубины, позволяющие злоумышленникам извлечь всю модель данных.

3. Передача данных третьим сторонам

AI-инструменты интегрируют аналитику, трекинг ошибок и мониторинг без учёта того, какие данные в них уходят. Поведение пользователей, персональная информация и бизнес-данные оказываются в сторонних системах без согласия, нарушая GDPR и другие требования конфиденциальности.

Кто проводит аудит

Nerdy Production возглавляет Илья Никсан — экс-CTO QIWI, одной из крупнейших платёжных платформ на своём рынке, где он руководил примерно 12 инженерными командами: от веб-продуктов до карточного процессинга и зоны PCI-DSS. Это и есть планка, по которой мы ведём аудиты: не «работает ли код», а «выдержал бы он проверку человека, который нёс ответственность за соответствие требованиям и отвечал за продакшен-инцидент». Мы не имеем сертификации PCI-DSS или SOC 2 сами и прямо скажем, если находка выходит за рамки того, что может подтвердить аудит, — но человек, задающий планку критичности находок, управлял регулируемой инфраструктурой, а не просто читал о ней.

Наши инженеры ежедневно работают с AI-инструментами разработки, и именно поэтому мы знаем, где они дают сбой. Статья Почему AI-агенты буксуют на Flutter разбирает конкретные пробелы, которые агент без присмотра оставляет за собой: дублированное состояние, отсутствие тестов, интерфейс, который никто не проверил второй раз — те же паттерны, что мы ищем в каждом аудите, независимо от языка и фреймворка.

Как проходит аудит

Мы даём полный аудит с конкретными исправлениями — не просто список проблем.

1. Доступ и определение объёма

Вы предоставляете нам доступ на чтение к репозиторию и развёрнутому окружению. Мы определяем объём аудита на основе ваших приоритетов: полный аудит или фокус на конкретных направлениях (безопасность, расходы или конфиденциальность). Никаких изменений в коде на этапе аудита.

2. Автоматический анализ

Мы запускаем статический анализ, сканирование уязвимостей зависимостей, обнаружение секретов и профилирование расходов на API. Это ловит очевидные проблемы — известные уязвимости, открытые учётные данные, устаревшие пакеты с патчами безопасности и явные проблемы производительности.

3. Ручная экспертная проверка

Наши инженеры вручную проверяют архитектуру, бизнес-логику, потоки аутентификации, API-интеграции и обработку данных. Именно здесь мы находим то, что пропускают автоматизированные инструменты: логические ошибки, пробелы авторизации, возможности оптимизации расходов и проектные проблемы, которые проявятся при масштабировании.

4. Отчёт с ранжированием по критичности

Мы предоставляем детальный отчёт, где каждая находка категоризирована по критичности (критическая, высокая, средняя, низкая) и типу (безопасность, расходы, конфиденциальность, производительность). Каждая находка включает понятное описание риска, proof of concept где применимо и конкретную рекомендацию по исправлению с примерами кода.

5. Исправление — выбор за вами

Вы решаете, кто исправляет находки. Мы можем реализовать все исправления сами как проект с фиксированным объёмом — сначала критические патчи безопасности, вы проверяете каждое изменение перед мержем. Или, если вы хотите, чтобы исправления делала ваша команда, мы можем встроить в неё инженера, который уже знает ваш отчёт с находками, через расширение команды — вместо того чтобы просто вручить вам документ и исчезнуть. В любом случае результат — кодовая база, готовая к продакшену, которую можно деплоить с уверенностью.

AI-код vs продакшен-код

Что меняется после профессионального аудита

Цены на аудит AI-кода

Прозрачные тарифы в зависимости от объёма кодовой базы и области аудита

Часто задаваемые вопросы

Ответы на частые вопросы об аудите AI-сгенерированного и обычного кода