INICIO
A Ilusão do Código Perfeito
CAPÍTULO 1
"O código compila, o deploy passou, o SaaS está no ar. Mas ninguém perguntou: ele é seguro?"
Seção 1.1
O Que É Vibecoding (E Por Que Ele Explodiu)
Em fevereiro de 2025, Andrej Karpathy — cofundador da OpenAI e ex-diretor de IA da Tesla — cunhou o termo vibecoding em um post que viralizou instantaneamente. A descrição era simples: em vez de escrever código linha por linha, você descreve o que quer em linguagem natural e a IA constrói para você. Quando aparece um erro, você copia e cola o erro de volta. Quando algo não funciona, você descreve o comportamento desejado e a IA corrige. Você não precisa entender o código. Você se rende à "vibe".
O que parecia uma piada de insider tech se tornou, em poucos meses, a forma dominante de desenvolvimento para milhares de novos empreendedores digitais. E faz sentido: a promessa é irresistível. Um SaaS completo em um fim de semana. Uma landing page em 30 minutos. Um MVP funcional antes de levantar do sofá.
O vibecoding democratizou a criação de software. Pessoas sem formação técnica estão construindo produtos reais, cobrando assinaturas, processando pagamentos, armazenando dados de usuários. Isso não é especulação — é o que está acontecendo agora em comunidades no Twitter/X, Discord, YouTube e Reddit.

⚠️ O problema central: democratizar a criação não democratizou a responsabilidade. Cada SaaS que sobe em produção com dados de usuários reais carrega consigo uma obrigação legal e ética de proteger esses dados. E a grande maioria dos vibecodders não sabe — nem tem como saber — que o código gerado pela IA está cheio de brechas de segurança.
Este ebook existe para fechar essa lacuna.
Seção 1.2
O Ecossistema de Ferramentas de AI Coding
Para entender os riscos, precisamos primeiro mapear o terreno. As ferramentas de AI coding se dividem em quatro categorias, cada uma com seus próprios padrões de risco.
Editores com IA Nativa
Cursor e Antigravity são editores construídos do zero com IA integrada. A IA tem acesso completo ao projeto: lê todos os arquivos, entende a estrutura, e gera código contextualizado. Quando a IA tem acesso ao projeto inteiro, ela pode ler seus arquivos
O Modelo Mental Errado: "Se Funciona, Está Pronto"
Existe um viés cognitivo poderoso em ação quando usamos IA para gerar código. Funciona assim:
1
Você descreve o que quer.
2
A IA gera o código.
3
Você roda. Funciona.
4
Seu cérebro registra: tarefa concluída.
O problema é que "funciona" e "é seguro" são coisas completamente diferentes. Veja os exemplos:
⛔ Funciona, mas é vulnerável
Um endpoint que retorna dados de qualquer usuário com base no ID na URL funciona perfeitamente — mas é uma vulnerabilidade IDOR que permite acesso aos dados de qualquer outro usuário simplesmente alterando o número na URL.
Uma tela de login que salva o token JWT.
Seção 1.4
Por Que a IA Não Prioriza Segurança
Para entender por que a IA gera código inseguro, precisamos entender como ela foi treinada. Os LLMs aprendem a partir de bilhões de linhas de código disponíveis publicamente: repositórios do GitHub, Stack Overflow, tutoriais, documentações, blogs técnicos. Esse corpus de treinamento reflete o mundo real — e no mundo real, a maioria do código público é inseguro.
Quatro razões estruturais:
Tutoriais priorizam clareza, não segurança
Quando um blog ensina "Como construir uma API REST com Next.js", o autor simplifica deliberadamente o código. Autenticação, validação de input, rate limiting, error handling — tudo removido para não distrair do ponto central. A IA treinou em milhares desses tutoriais e internalizou o padrão: código "educacional" sem camadas de segurança.
Exemplos de documentação são mínimos por design
A própria documentação oficial de frameworks como Next.js, Supabase e Express mostra exemplos reduzidos ao essencial. Um exemplo de API route no docs do Next.js não inclui validação com zod, rate limiting, ou verificação de ownership — porque o objetivo é demonstrar a API, não construir um sistema de produção.
Feedback do treino recompensa funcionalidade
Quando humanos avaliam código durante o treinamento (RLHF), eles tendem a recompensar código que resolve o problema descrito. Código que além de resolver o problema também implementa 15 camadas de segurança recebe o mesmo score — ou menor, se o avaliador achar que está "over-engineered".
A janela de contexto favorece o caminho mais curto
LLMs operam dentro de uma janela de contexto limitada. Gerar código seguro requer mais tokens: schemas de validação, middleware de auth, error handling, comentários de segurança. O modelo tende a gerar a solução mais compacta que atende ao prompt — e a solução mais compacta quase nunca é a mais segura.

✅ A boa notícia: essas mesmas ferramentas aceitam instruções. E quando você configura as regras certas, a IA se torna sua aliada de segurança, não sua vulnerabilidade.
Seção 1.5
Os Números Que Ninguém Quer Ver
Vamos sair do campo conceitual e olhar para dados concretos.
5/6
Tarefas mais vulneráveis
O grupo com Copilot produziu código com mais vulnerabilidades em 5 das 6 tarefas de segurança avaliadas no estudo de Stanford (2023).
36%
Sugestões com falhas
O relatório da Snyk (2023) revelou que mais de 36% das sugestões de código do Copilot continham vulnerabilidades de segurança identificáveis — catalogadas no OWASP Top 10.
30%
Aceitos sem revisão
O GitHub reportou que desenvolvedores aceitam sugestões do Copilot sem modificação em aproximadamente 30% dos casos — sem review, sem edição, sem questionamento.
Combine os três dados: a IA gera código inseguro em mais de 1/3 dos casos. Desenvolvedores aceitam o código sem revisar em 1/3 dos casos. Desenvolvedores que usam IA se sentem mais seguros do que realmente estão.
O resultado é previsível: uma onda massiva de SaaS vulneráveis em produção, construídos por pessoas que acreditam genuinamente que seu software é seguro.
Esse é o fenômeno mais perigoso do vibecoding:
Seção 1.6
O Custo Real de Uma Breach

⚠️ "Mas quem vai querer hackear meu SaaS pequeno?" — Essa é a objeção mais comum e a mais perigosa. A maioria dos ataques são bots automatizados que varrem a internet 24h por dia, testando vulnerabilidades em qualquer URL que encontram. Seu SaaS com 50 usuários é alvo da mesma maneira que um SaaS com 50.000.
💸 Custo Financeiro Direto
Multas da ANPD sob a LGPD podem chegar a 2% do faturamento bruto, limitadas a R$ 50 milhões por infração. Um estudo do IBM Security estimou o custo médio global de uma breach em US$ 4,45 milhões (2023). Para pequenas empresas: ~US$ 150.000 — alto o suficiente para encerrar operações.
📉 Custo Reputacional
Para um SaaS early-stage, confiança é tudo. Um post no Twitter/X de um usuário dizendo "meus dados vazaram do SaaS X" tem alcance viral no nicho tech. Em um mercado com dezenas de alternativas, o usuário simplesmente migra. Não há segunda chance.
⚖️ Custo Legal
A LGPD não faz distinção entre uma startup de garagem e uma multinacional. Se você coleta dados pessoais de usuários brasileiros, você tem as mesmas obrigações: notificar a ANPD, demonstrar medidas técnicas de segurança, comprovar base legal. Se o SaaS não tinha nem as proteções básicas, a responsabilização é agravada.
⏱️ Custo de Oportunidade
O tempo que você gastaria construindo features e crescendo o produto será consumido por gestão de crise, conversas com advogados, reconstrução de sistemas, e tentativas de recuperar a confiança perdida. Para um founder solo, isso pode significar meses de trabalho jogados fora.
A conclusão é simples: investir em segurança antes da breach é ordens de magnitude mais barato do que lidar com as consequências depois.
Seção 1.7
Anatomia de um Desastre: Um SaaS Vibecoded Comprometido
Para tornar os riscos tangíveis, vamos acompanhar um cenário realista baseado em padrões reais encontrados em SaaS construídos com vibecoding. Os nomes são fictícios, mas cada vulnerabilidade descrita é real e recorrente.
O Cenário: FinTrack
Lucas é um empreendedor com uma ideia para um SaaS de gestão financeira pessoal chamado FinTrack. Usando Cursor e Claude Code, ele construiu o MVP em um fim de semana: autenticação com Google OAuth, dashboard com gráficos, integração com a API do banco via Open Finance, e deploy na Vercel. O produto ficou bonito, funcional, e Lucas publicou no Twitter: "Construí um SaaS completo em 48 horas com IA". O post viralizou. Em uma semana, 200 usuários se cadastraram.
⛔ As 5 Vulnerabilidades Geradas pela IA
  1. Service Role Key no frontend — chave com acesso administrativo total exposta no DevTools.
  1. RLS desabilitado — qualquer pessoa podia ler todas as transações financeiras de todos os 200 usuários.
  1. IDOR nos endpoints —
O Que Vem a Seguir
Próximo Capítulo: Mapeando as Superfícies de Ataque
No próximo capítulo, vamos mapear cada componente do stack de vibecoding — das ferramentas de IA ao banco de dados — e identificar exatamente onde estão as superfícies de ataque que a IA cria. Porque antes de blindar, precisamos saber o que estamos protegendo.
Mapeamento Completo do Stack
Cada camada do seu SaaS — frontend, backend, banco de dados, autenticação — será analisada como uma superfície de ataque potencial.
Regras de Configuração por Ferramenta
Aprenda a configurar