不久前，几乎所有的应用程序代码都是由人类编写的。但现在情况已经发生改变：使用 AI 工具编写代码的情况大幅增加。一些专家，如 Anthropic 的 CEO Dario Amodei 预计，在未来 6 个月内，AI 将编写 90% 的代码。
在这样的背景下，对企业有什么影响？传统的代码开发实践涉及各个层面的控制、监督和治理，以确保质量、合规性和安全性。对于 AI 开发的代码，组织是否能获得同样的保证？更重要的是，组织必须知道是哪些模型生成了他们的 AI 代码。
了解代码来源对企业来说并不是一个新挑战。这就是源代码分析 (SCA) 工具发挥作用的地方。历史上，SCA 工具并不提供对 AI 的洞察，但现在这种情况正在改变。包括 Sonar、Endor Labs 和 Sonatype 在内的多个供应商现在提供不同类型的洞察，可以帮助企业处理 AI 开发的代码。
"现在我们接触的每个客户都对如何负责任地使用 AI 代码生成器感兴趣，"Sonar CEO Tariq Shaukat 告诉 VentureBeat。
金融公司每周因 AI 开发的代码出现一次故障
AI 工具并非完美无缺。许多组织在早期就学到了这一教训，当内容开发工具提供了被称为"幻觉"的不准确结果时。
同样的基本教训也适用于 AI 开发的代码。当组织从实验模式转向生产模式时，他们越来越意识到代码存在很多 bug。Shaukat 指出，AI 开发的代码还可能导致安全性和可靠性问题。这种影响是真实的，而且并非微不足道。
"例如，大约六个月前，一家金融服务公司的 CTO 告诉我，他们每周都会因为 AI 生成的代码而出现一次故障，"Shaukat 说。
当他询问客户是否进行代码审查时，答案是肯定的。但是，开发人员对代码的责任感远不如以前，也没有像以前那样投入时间和严谨性。
代码最终变得有 bug，尤其是对大型企业来说，原因可能各不相同。但一个特别常见的问题是，企业通常有大型代码库，可能具有 AI 工具可能不了解的复杂架构。在 Shaukat 看来，AI 代码生成器通常无法很好地处理更大更复杂的代码库。
"我们最大的客户分析超过 20 亿行代码，"Shaukat 说。"当你开始处理这些代码库时，它们更复杂，有更多的技术债务和依赖关系。"
AI 开发代码的挑战
对 Sonatype 的首席产品开发官 Mitchell Johnson 来说，AI 开发的代码显然将继续存在。
软件开发人员必须遵循他所说的工程希波克拉底誓言。也就是说，不要损害代码库。这意味着在提交之前严格审查、理解和验证每一行 AI 生成的代码——就像开发人员对手写或开源代码所做的那样。
"AI 是一个强大的工具，但在安全性、治理和质量方面不能取代人类判断，"Johnson 告诉 VentureBeat。
据 Johnson 说，AI 生成代码的最大风险是：
安全风险：AI 在包含易受攻击或恶意代码的海量开源数据集上进行训练。如果不加检查，可能会在软件供应链中引入安全漏洞。
盲目信任：开发人员，尤其是经验较少的开发人员，可能会认为 AI 生成的代码是正确和安全的，而没有进行适当的验证，导致未经检查的漏洞。
合规性和上下文差距：AI 缺乏对业务逻辑、安全策略和法律要求的认识，使合规性和性能权衡变得有风险。
治理挑战：AI 生成的代码可能在没有监督的情况下扩散。组织需要自动化护栏来大规模跟踪、审计和保护 AI 创建的代码。
"尽管存在这些风险，但速度和安全性不必是一个权衡，"Johnson 说。"有了正确的工具、自动化和数据驱动的治理，组织可以安全地利用 AI——在确保安全性和合规性的同时加速创新。"
模型很重要：识别代码开发的开源模型风险
组织正在使用各种模型来生成代码。例如，Anthropic Claude 3.7 是一个特别强大的选择。Google Code Assist、OpenAI 的 o3 和 GPT-4o 模型也是可行的选择。
然后是开源。Meta 和 Qodo 等供应商提供开源模型，在 HuggingFace 上似乎有无穷无尽的选择。Endor Labs CISO Karl Mattson 警告说，这些模型带来了许多企业尚未准备好应对的安全挑战。
"系统性风险是使用开源大语言模型，"Mattson 告诉 VentureBeat。"开发人员使用开源模型正在创造一整套新问题。他们正在将未经审查或评估、未经验证的模型引入他们的代码库。"
与 Anthropic 或 OpenAI 等公司的商业产品不同，Mattson 将后者描述为具有"实质性的高质量安全和治理计划"，来自 Hugging Face 等存储库的开源模型在质量和安全态势方面可能有很大差异。Mattson 强调，组织应该了解潜在风险并适当选择，而不是试图禁止使用开源模型进行代码生成。
Endor Labs 可以帮助组织检测代码库中何时使用开源 AI 模型，特别是来自 Hugging Face 的模型。该公司的技术还从 10 个风险属性评估这些模型，包括操作安全性、所有权、使用率和更新频率，以建立风险基线。
专门的检测技术出现
为了应对新出现的挑战，SCA 供应商发布了许多不同的功能。
例如，Sonar 开发了一种 AI 代码保证功能，可以识别机器生成特有的代码模式。该系统可以检测代码何时可能是 AI 生成的，即使没有与编码助手直接集成。然后 Sonar 对这些部分进行专门审查，寻找人工编写的代码中不会出现的幻觉依赖和架构问题。
Endor Labs 和 Sonatype 采用不同的技术方法，专注于模型来源。Sonatype 的平台可用于识别、跟踪和管理 AI 模型及其软件组件。Endor Labs 还可以识别代码库中何时使用开源 AI 模型并评估潜在风险。
如何有效使用 AI 工具生成企业应用程序代码
在企业环境中实施 AI 生成的代码时，组织需要采用结构化方法来降低风险，同时最大限度地发挥效益。
企业应考虑几个关键最佳实践，包括：
实施严格的验证流程：Shaukat 建议组织对代码库特定部分使用代码生成器的情况有严格的流程。这对于确保生成代码的正确问责制和审查级别是必要的。
认识到 AI 在复杂代码库方面的局限性：虽然 AI 生成的代码可以轻松处理简单的脚本，但在处理具有大量依赖关系的复杂代码库时，有时可能会受到限制。
了解 AI 生成代码中的独特问题：Shaukat 指出，虽然 AI 避免了常见的语法错误，但它往往会通过幻觉创造更严重的架构问题。代码幻觉可能包括编造一个实际不存在的变量名或库。
要求开发人员问责：Johnson 强调 AI 生成的代码本质上并不安全。开发人员必须在提交之前审查、理解和验证每一行代码。
简化 AI 审批：Johnson 还警告了影子 AI 的风险，即不受控制地使用 AI 工具。许多组织要么完全禁止 AI (员工会忽视)，要么创建过于复杂的审批流程，导致员工绕过它们。相反，他建议企业创建一个清晰、高效的框架来评估和批准 AI 工具，确保安全采用而不会有不必要的障碍。
这对企业意味着什么
影子 AI 代码开发的风险是真实存在的。
组织在 AI 协助下可以生产的代码量正在急剧增加，并可能很快占所有代码的大部分。
对于复杂的企业应用程序来说，风险尤其高，因为一个幻觉的依赖关系就可能导致灾难性的故障。对于希望采用 AI 编码工具同时保持可靠性的组织来说，实施专门的代码分析工具正在从可选变为必需。
"如果你允许在生产中使用 AI 生成的代码而没有专门的检测和验证，你实际上是在盲目飞行，"Mattson 警告说。"我们看到的故障类型不仅仅是 bug——它们是可能使整个系统崩溃的架构故障。"
