Výzkumníci z řeckých univerzit a infrastruktury GRNET popsali, jak lze AI kontrolu kódu ovlivnit zavádějícím popisem změny. V řízeném experimentu zkoušeli vracet známé zranitelnosti do dvaceti skutečných projektů a sledovali reakce kontrol založených na Claude Code a CodeRabbit. Test zahrnoval 33 případů se známými CVE.
Jednoduché šablony s přesvědčovacím textem většinou nepomáhaly a někdy dokonce zvýšily podezření kontrolora. Iterativní postup, při němž útočník upravoval metadata podle předchozí odezvy lokální kopie kontroly, však uspěl ve 32 případech. Výsledek není mírou úspěšnosti útoků v běžném provozu ani důkazem kompromitace uvedených projektů. Ukazuje riziko, že přesvědčivý příběh kolem změny převáží nad jejím skutečným dopadem. Autoři proto zdůrazňují lidský dohled a důvěryhodnost přispěvatelů.
