LLM 기반 코딩(Vibe Coding)이 오픈소스 프로젝트의 사용자 참여를 감소시키고, 새로운 프로젝트 시작을 어렵게 만들 수 있다는 우려가 제기됨
LLM은 훈련 데이터에 기반하여 인기 있는 라이브러리(Popular Libraries)를 선호하며, 이는 의존성 선택 편향(Dependency Selection Bias)을 초래할 수 있음
보안 취약점(Security Vulnerabilities) 증가 및 개발자의 인지 능력 저하에 대한 비판이 제기됨
연구에 따르면, LLM 기반 코딩은 오픈소스 프로젝트에 대한 사용자 참여를 감소시키고, 새로운 프로젝트의 시작을 어렵게 만들 수 있다고 지적한다. 특히, LLM이 개발자를 위한 코드를 생성하는 과정에서 개발자는 코드의 작동 방식(Code Functionality)에 대한 이해 없이 챗봇의 결과에 의존하게 된다. 이는 오픈소스 프로젝트의 커뮤니티 기여(Community Contribution)를 저해하고, 상업적 후원 및 커뮤니티 포럼의 활성화를 방해할 수 있다.
커뮤니티에서는 LLM이 훈련 데이터에서 가장 인기 있는 패키지를 선호하여 의존성 선택 편향(Dependency Selection Bias)을 발생시킨다는 점을 우려한다. 이는 덜 알려진, 더 나은 유지보수를 받는 대안을 배제하고, 보안 취약점(Security Vulnerabilities)을 증가시킬 수 있다. 실제 사례로, 77만 개의 API 키가 노출된 Supabase/Moltbook 침해 사고는 LLM 기반의 설정 생성으로 인한 보안 문제의 심각성을 보여준다.
일부에서는 LLM 기반 코딩이 개발자의 인지 능력을 저하시키고, 생산성을 감소시킨다고 비판한다. 2024년 보고서에 따르면, LLM 챗봇을 사용한 'vibe coding'은 41% 더 많은 버그를 생성하며, 2025년에는 개발자의 생산성을 19% 감소시키는 것으로 나타났다. 숙련된 개발자들은 LLM 기반 코딩의 부정적인 영향을 강조하며, 이는 AI 기술(AI Technology)이 생산성 향상보다는 인간의 지능에 대한 스트레스 테스트로 작용할 수 있음을 시사한다.