AI生成コードを安全に保護する方法 CI/CD

AI生成コードが特定のパターンで失敗する理由

制御方法について説明する前に、AIが生成したコードが人間が書いたコードとは異なる形で失敗する理由を理解しておくことが重要です。なぜなら、失敗のモードによって、実際にどの制御方法が重要になるかが決まるからです。

セキュリティ推論に対するパターン補完

LLM（論理レベルモデル）は、学習データで確認されたパターンの統計的に可能性の高い継続を予測することでコードを生成します。学習データに数百万もの安全でないコードの例が含まれている場合、モデルはそれらのパターンを自信を持って流暢に再現します。

このモデルはセキュリティについて推論しているわけではありません。パターンを補完しているだけです。「このエンドポイントに認証を追加する」というリクエストに対しては、認証のように見えるコードが生成され、多くの場合、認証と同様の機能を発揮しますが、トークンの有効期限切れを省略したり、認可チェックを怠ったり、非推奨の暗号プリミティブを使用したりする可能性があります。これは、これらの省略がトレーニングデータにおいて統計的に頻繁に発生するためです。

意味的な安全性を伴わない構造的正しさ

セキュリティ企業Tenzaiが2025年12月に実施した分析では、5つの主要なAIコーディングツールを使用して構築された15の運用アプリケーションを調査した結果、サンプル全体で69の脆弱性が発見された。すべてのアプリケーションにCSRF対策が施されておらず、セキュリティヘッダーも設定されていなかった。また、すべてのツールでサーバーサイドリクエストフォージェリ（SSRF）の脆弱性が引き起こされており、15のアプリケーションすべてにおいて基本的なセキュリティ上の欠陥が一掃された形となった。

これらは例外的なケースではありません。AIツールが最適化する対象、つまり安全なデフォルト設定ではなく、動作するコードに根本的な欠陥があることを示しています。

ジョージタウン大学CSETは、主要な5つのLLM（法学修士課程）でテストされたAI生成コードサンプルの86%にXSS脆弱性を発見した。

秘密暴露の加速

AI支援 commit秘密を暴露する速度は人間だけの場合の2倍以上 commitだ。ザ CSAによるvibコーディングセキュリティに関する調査ノート AI支援による数字は3.2%です commits 対 人間のみの場合 1.5%、パブリック GitHub では 2025 年にハードコードされた認証情報が前年比 34% 増加しました。

その仕組みは単純明快だ。AI開発のスピードで作業する開発者は、コンテキストとして認証情報をプロンプトに貼り付けることが多く、AIツールはそれらの認証情報を生成出力に忠実に含める。高速でAIコードをレビューする開発者は、機能的な正しさを確認するだけで、機密情報の漏洩はチェックしない。

目に見えない建築上の欠陥

従来のセキュリティツールは、静的コードにおける既知の脆弱性パターン（SQLインジェクション、XSS、安全でない逆シリアル化など）の検出に優れています。しかし、設計レベルの欠陥、APIルート全体における認証の欠如、不完全なアクセス制御ロジック、順序通りの処理を前提としているものの順不同で回避可能な認可モデルなどには対応が困難です。

AIが生成するコードは、AIツールがシステムレベルではなく機能レベルでコードを生成するため、設計上の欠陥が多く発生する。AIは、明示的にそのコンテキストが与えられない限り、周囲のシステムのセキュリティモデルを認識できない。そして、ほとんどの開発者は、そのコンテキストを提供することを考えない。