AI hacking: hoe aanvallers AI inzetten — en hoe je met continue monitoring vóór blijft

Praktijkgids · Cybersecurity · AI & monitoring

De asymmetrie in cybersecurity is de afgelopen twee jaar verschoven. Een aanvaller hoeft niet meer maandenlang handmatig te verkennen: hij laat modellen en scripts het werk doen, vierentwintig uur per dag, over duizenden doelwitten tegelijk. Een verdediger die één keer per jaar een penetratietest laat uitvoeren, vergelijkt een momentopname met een tegenstander die permanent meekijkt. Dit artikel legt uit wat AI hacking in de praktijk betekent, waar het echte risico zit, en hoe doorlopende, AI-gedreven monitoring van je eigen aanvalsoppervlak dat gat dicht — met praktijkvoorbeelden uit het securitywerk van Liplyn.com.

Wat ‘AI hacking’ werkelijk inhoudt

De term dekt twee verschillende dingen, en die worden in de meeste discussies door elkaar gehaald.

1. AI als gereedschap van de aanvaller. Modellen versnellen elke stap van de aanvalsketen:

• Reconnaissance op schaal: automatisch subdomeinen, verlopen DNS-records, vergeten testomgevingen, publieke S3-buckets en gelekte credentials koppelen aan één organisatie.
• Phishing zonder taalfouten: gepersonaliseerde berichten in vlekkeloos Nederlands, afgestemd op functie, project en toon van de ontvanger. Het klassieke ‘let op slecht Nederlands’-advies is achterhaald.
• Exploit-versnelling: van gepubliceerde CVE naar werkende proof-of-concept in uren in plaats van weken.
• Deepfake-stem en -beeld: CEO-fraude die niet meer op een e-mail leunt maar op een telefoongesprek.

2. AI als doelwit. Je eigen AI-toepassingen vergroten je aanvalsoppervlak op manieren die klassieke scanners niet zien: prompt injection via documenten of webpagina’s die je model inleest, datalekken via te ruim ingestelde retrieval, agents met te veel rechten op interne systemen, en modelkoppelingen die stilzwijgend gevoelige data naar buiten sturen.

Het echte probleem: je aanvalsoppervlak verandert sneller dan je documentatie

In vrijwel elke organisatie die wij spreken, is het lek niet het gevolg van een geavanceerde zero-day maar van iets banaals: een testomgeving die online bleef staan, een verlopen certificaat, een subdomein dat naar een opgeheven clouddienst wijst, een adminpaneel zonder tweefactor, een API-endpoint dat na een release publiek werd. Stuk voor stuk zaken die niemand bewust heeft aangezet.

De oorzaak is structureel. Ontwikkelteams leveren wekelijks op, marketing zet campagnepagina’s live, leveranciers koppelen systemen. Het aanvalsoppervlak groeit continu, terwijl de controle erop periodiek is. Een pentest van maart zegt weinig over de infrastructuur van oktober.

Van periodiek testen naar doorlopende monitoring

De remedie is niet meer pentests, maar een andere frequentie van kijken. Continue monitoring van het externe aanvalsoppervlak draait om vier stappen die elkaar permanent opvolgen:

1. Ontdekken. Automatisch in kaart brengen welke domeinen, subdomeinen, IP-ranges, poorten, services en cloudresources op jouw naam bereikbaar zijn — inclusief wat niemand meer wist.
2. Verrijken. Per gevonden asset bepalen welke technologie eronder draait, welke versies, en welke bekende kwetsbaarheden daarbij horen.
3. Prioriteren. Niet elke melding is een incident. AI helpt hier het meest: ruis wegfilteren, dubbelingen samenvoegen en bevindingen rangschikken op werkelijke exploiteerbaarheid en bedrijfsimpact in plaats van op CVSS-score alleen.
4. Signaleren en opvolgen. Elke verandering is het signaal: een nieuw open poort, een nieuw subdomein, een gewijzigde TLS-configuratie. Wat gisteren nog niet bestond, is vandaag het interessantste voor een aanvaller.

Tools inzetten: HaxUnit als doorlopende scanlaag

Hier komt gereedschap in beeld. HaxUnit van Liplyn is opgezet rond precies dat principe: in plaats van een enkele diepe test op een vast moment, draait het doorlopend geautomatiseerde reconnaissance en kwetsbaarhedenscans op je externe assets, en bundelt het de resultaten van meerdere scanmethodes tot één beeld. De winst zit in drie dingen:

• Volledigheid. Door verschillende ontdekkingstechnieken te combineren komen assets in beeld die een enkele scanner mist — en juist die vergeten assets zijn de klassieke ingang.
• Snelheid van signalering. Het verschil tussen een kwetsbaarheid die twee dagen openstaat en één die vier maanden openstaat, is in de praktijk het verschil tussen een ticket en een incident.
• Werkbare output. Een scanner die duizend meldingen produceert, wordt genegeerd. De waarde zit in de gefilterde, geprioriteerde lijst die een team op maandagochtend daadwerkelijk kan afwerken.

Belangrijk om te benoemen: een scanlaag vervangt geen menselijke expertise. Logische fouten in autorisatie, misbruik van bedrijfsprocessen en ketenrisico’s vindt geen enkele automaat. De verstandige combinatie is doorlopende geautomatiseerde monitoring als basislaag, met periodiek menselijk onderzoek op de plekken waar de impact het grootst is. Wie wil weten hoe zo’n gecombineerde aanpak eruitziet voor de eigen omgeving, vindt bij Liplyn de achtergrond bij het platform en de bijbehorende security-diensten.

Een werkbaar securityritme in vijf lagen

1. Continu (geautomatiseerd): asset discovery, poort- en servicescan, kwetsbaarhedencheck, waarschuwing bij elke verandering.
2. Wekelijks: triage van nieuwe bevindingen, eigenaar toewijzen, deadline koppelen aan risicoklasse.
3. Maandelijks: patchstatus, verlopen certificaten en credentials, review van externe koppelingen en leveranciers.
4. Elk kwartaal: menselijke test op de kroonjuwelen — betalingsstromen, klantdata, beheerinterfaces — plus een aparte review van je AI-toepassingen op prompt injection en te ruime agentrechten.
5. Jaarlijks: een oefening waarin je aanneemt dat de aanvaller al binnen is: detectie, escalatiepad en herstel testen in plaats van alleen preventie.

Specifiek voor je AI-toepassingen

Behandel elk model met toegang tot bedrijfsdata als een gebruiker met rechten, en niet als een functie. Dat betekent concreet: geef een agent uitsluitend de rechten die hij op dat moment nodig heeft, behandel alle ingelezen content — documenten, e-mails, webpagina’s — als onbetrouwbare invoer, log elke actie die het model namens iemand uitvoert, en bouw een menselijke goedkeuring in bij onomkeerbare handelingen zoals betalen, verwijderen of extern verzenden. Test daarnaast expliciet op prompt injection: verstop een instructie in een document dat je model verwerkt en kijk of hij hem opvolgt.

De kern

AI verandert niet zozeer het soort aanvallen als wel het tempo en de schaal ervan. Daarmee verschuift ook de zinvolle verdediging: van een jaarlijks rapport naar een permanent proces, van ‘zijn we veilig?’ naar ‘wat is er sinds gisteren veranderd?’. Organisaties die die vraag elke dag beantwoord krijgen — geautomatiseerd, gefilterd en met een eigenaar per bevinding — verkleinen hun risico meer dan met welke extra tool dan ook.

Wie de eerste stap concreet wil maken, begint met een volledige inventarisatie van het externe aanvalsoppervlak; op Liplyn.com staat beschreven hoe die scan is opgebouwd en wat een organisatie er in de eerste weken uit haalt.

Verder lezen: het dossier AI in het bedrijfsleven, Bedrijfsfinanciering over de kosten van digitale incidenten, en Arbeidsmarkt & carrière over het tekort aan securityspecialisten.