Generatieve ai ontwikkelt zich razendsnel tot een nieuwe motor achter cyberaanvallen. Tijdens de One Conference 2026 in Den Haag liet Daniel Kapellmann Zafra, security engineer bij Google Threat Intelligence Group, zien hoe ai niet zozeer ‘supermalware’ creëert, maar bestaande aanvalstechnieken professionaliseert en opschaalt. Met Computable deelt hij vijf inzichten over hoe ai het dreigingslandschap verandert en wat organisaties moeten doen om aanvallers voor te blijven.
1. Hoe gebruiken cybercriminelen achter geavanceerde langdurige dreigingen (advanced persistent threats, apt) en financieel gemotiveerde cybercriminelen ai om hun werkwijze verder te professionaliseren?
In de afgelopen twee jaar hebben zowel door staten gesteunde apt‑groepen als financieel gemotiveerde cybercriminelen ai geïntegreerd als een ‘krachtvermenigvuldiger’ in de volledige aanvalsketen. Dat gaat van initiële verkenning en phishing tot exploit‑ontwikkeling en de stappen die een aanvaller uitvoert nadat hij succesvol is binnengedrongen in een systeem, netwerk of cloudomgeving. Vaak lijken de aanvallen inhoudelijk nog steeds op eerdere campagnes, maar worden ze aanzienlijk efficiënter uitgevoerd.
Taken die vroeger dagen of weken kostten, worden nu teruggebracht tot uren. In een recent Mandiant‑onderzoek bijvoorbeeld compromitteerde een financieel gemotiveerde aanvaller een cloudomgeving en gebruikte een ai‑codeassistent met vooraf ingestelde draaiboeken om binnen zes uur een grootschalige campagne voor het oogsten van inloggegevens te plannen, bouwen en uitvoeren. Hierdoor kon de aanvaller opereren met de snelheid en schaal die voorheen alleen haalbaar was voor de meest geavanceerde staatsactoren.
Daarnaast zien we dat ai de workflows van tegenstanders, malware‑ontwikkeling en zelfs ondergrondse markten verandert. Aanvallers zoeken actief naar manieren om toegang te krijgen tot middelen die ai‑gedreven operaties ondersteunen, zonder hoge kosten te maken. Dit heeft geleid tot een groeiende grijze markt waarin gestolen api‑sleutels worden verhandeld, toegang tot ontwikkeltools wordt verkocht en delen van de zakelijke cloud‑compute-omheving worden gekaapt via (llm jacking). Deze trend creëert nieuwe aanvalsvlakken waar verdedigers rekening mee moeten houden.
2. Op welke manieren gebruiken deze actoren large language models (llm’s) om bestaande aanvalstactieken, zoals social engineering, malware‑ontwikkeling en verkenning, te verfijnen in kwaliteit, schaal en efficiëntie?
Llms worden bij verkenning en social engineering ingezet om traditionele barrières op het gebied van taal, cultuur en onderzoek te omzeilen. Zo kunnen aanvallers hoge kwaliteit combineren met schaalgrootte. Statelijke actoren of groepen die door die staten ondersteund worden en cybercriminelen gebruiken ai routinematig om doelen in kaart te brengen, ook identificeren ze functie binnen organisaties, bijvoorbeeld medewerkers in financiële of beveiligingsrollen, en zetten ze gestolen ruwe data om in bruikbare doelprofielen.
Aanvallers gebruiken deze inzichten vervolgens om overtuigende, specifieke voorwendselen en vermommingen te creëren. Die gebruiken ze om meerdere gesprekken met slachtoffers te voeren en zonder argwaan phishing‑aanvallen, soms zelfs in combinatie met deepfake‑video, in te zetten.
Aan de technische kant functioneren llms als een ontwikkelaar en security‑onderzoeker ‘op afroep’ voor malwarecreatie, het misbruiken van kwetsbaarheden en het omzeilen van detectie. Aanvallers gebruiken ai‑tools om code te schrijven, te beoordelen en te debuggen. Bij kwetsbaarheden zien we dat cybercriminelen zich minder richten op onbekende lekken (zero‑days) en juist bekende lekken (n‑days) in hoog tempo onderzoeken. Interessant is dat criminelen informatie over deze n‑days niet alleen als code delen, maar ook als kennisbestanden die anderen helpen de kwetsbaarheid platform‑agnostisch te reproduceren.
Bij malware‑ontwikkeling zetten aanvallers ai vooral in om detectie te ontwijken. In één geval zagen we dat een apt in het wild malware uitrolde die ai gebruikte om grote delen van de code op te vullen met onschuldig ogende administratieve code, zodat het kwaadaardige gedrag wegviel in de normale operationele ruis.
3. Welke praktijkvoorbeelden uit 2025 en 2026 laten vroege signalen zien van agentische automatisering en ‘just‑in‑time’ code‑aanpassing?
In de tweede helft van 2025 documenteerden we de eerste golf van ‘just‑in‑time’ ai‑malware: tools die tijdens de uitvoering llms raadplegen om code op aanvraag te genereren of te wijzigen, in plaats van te vertrouwen op statische, vooraf gecompileerde payloads.
Een voorbeeld hiervan is Promptflux, experimentele malware die een llm‑api aanstuurt om regelmatig zijn eigen broncode te herschrijven om antivirus‑signaturen te ontwijken. Een ander voorbeeld is Honestcue, dat tijdens runtime fase‑twee‑code ophaalt bij een llm en deze direct in het geheugen compileert, zodat er nooit een kwaadaardig bestand op de schijf terechtkomt.
Wat betreft agentische automatisering zagen we begin 2026 een duidelijke versnelling. Op campagneniveau ontdekten we een blootgestelde command‑and‑controlserver waarop Recon draaide, een autonoom multi‑agentframework dat doelwitten onderzocht en meer dan 23.000 gestolen cloud‑ en ai‑credentials in real‑time beheerde.
Daarnaast wees ik tijdens de presentatie op publieke rapporten uit begin 2026 over een campagne gericht op enkele overheidsinstanties in Latijns‑Amerika en een gemeentelijke waterleverancier. In deze operatie gebruikte één enkele aanvaller commerciële ai‑modellen om agentische automatisering aan te sturen, snel nieuwe tools te genereren en laterale beweging uit te voeren. De aanvaller gebruikte ai om data over honderden servers te verwerken, gestructureerde inlichtingen te produceren en een eigen post‑compromise‑framework te verfijnen. De aanval richtte zich bovendien op de operationele technologie‑interface van de waterleverancier.
4. Wat laten deze voorbeelden zien over hoe de dreiging evolueert en volwassen wordt?
Ten eerste laten deze voorbeelden zien dat het llm niet langer slechts een passieve adviseur is die een menselijke operator helpt een e‑mail te schrijven of een script te debuggen. Maar het wordt een actieve deelnemer in de aanvalsketen. We bewegen van eenvoudige prompting naar autonome, multi‑agent‑workflows waarin modellen beveiligingstools orkestreren, hun eigen fouten oplossen en zelfs taken verdelen over verschillende modellen. Dat doen ze om gestolen data te analyseren en na een eerste, vaak kleine inbraak, stap voor stap verder verplaatsten door het interne netwerk van een organisatie, maar dan op machinesnelheid. Tegelijkertijd wordt malware zelf adaptiever en past het nieuwe methoden toe om detectie te ontwijken door functionaliteit dynamisch op te halen.
Parallel daaraan leidt de groeiende inzet van ai in cyberoperaties ertoe dat aanvallers alternatieve manieren zoeken om toegang te krijgen tot ai‑infrastructuur. Dit leidt tot nieuwe aanvalsvlakken, met name in het ontwikkelaars‑ecosysteem en de software‑supplychain. Door open‑sourcepakketten en ai‑plugins te vergiftigen, ontwikkelomgevingen te compromitteren, api‑sleutels te stelen en enterprise cloud‑compute te kapen, misbruiken tegenstanders klassieke zwaktes in de software‑supplychain en identiteitsbeheer om automatisering te stimuleren.
5. Hoe kunnen verdedigers strategisch vooruitdenken om een tegenstander die het dreigingslandschap in real‑time onder de knie krijgt, voor te blijven?
Wachten tot een dreiging op een endpoint zichtbaar wordt, is simpelweg te laat. Tegenstanders kunnen namelijk in minder dan zes uur een grootschalige campagne voor het binnenhalen van inloggegevens uitvoeren of malware tijdens runtime muteren. Verdedigers moeten dan ook verschuiven van reactieve detectie naar proactieve, vroegtijdige afscherming. Dat betekent: het afsnijden van de infrastructuur en toegang die vijandige ai voedt, nog vóór een aanval kan opschalen.
Binnen hun eigen organisatie hebben verdedigers een belangrijk voordeel. Ze moeten praktische ervaring opdoen met ai‑mogelijkheden om ai‑ondersteunde aanvallen effectief te kunnen pareren. Securityteams moeten ai‑ontwikkeltools, open‑source‑integraties en cloud‑computequota behandelen als kritieke infrastructuur, en risico’s beheersen via kaders zoals het Secure AI Framework (SAIF).
Het beveiligen van de volledige ai‑software‑supplychain: van opensource-softwarecomponenten (libraries, packages, modules) en ontwikkelomgevingen tot api‑sleutelbeheer, is eveneens essentieel om te voorkomen dat tegenstanders zwaktes in identiteitstoegang en infrastructuur misbruiken om hun automatisering aan te jagen.
Uiteindelijk vereist het voorblijven van ai‑gedreven dreigingen dat verdedigers machinesnelheid matchen met geautomatiseerde verdediging. Hij noemt als voorbeeld tools die ai inzetten om kwetsbaarheden sneller te ontdekken en te verhelpen. Deze moeten beveiligingsgaten dichten voordat aanvallers ze kunnen misbruiken. Door frontline‑dreigingsinformatie continu terug te koppelen in de model‑richtlijnen, blijven verdedigingsmechanismen zich ontwikkelen in hetzelfde tempo als de tactieken van tegenstanders.
Wij van WC-eend, adviseren WC-eend want Google zal profiteren van een AI-wedloop. En ja, aanvallers kunnen de bestaande methodieken schalen zoals ook NCSC concludeert in haar rapport. Want het uitbuiten van bekende zwakheden, waaronder de mens, gaat met AI efficiënter door het aloude principe van automatisering. AI veranderd dus vooral de economie en niet zo zeer de technieken. Want een model leren om autonoom door een onbekend netwerk te gaan is volgens NCSC nog een station te ver. De conclusie over slachtoffers die hun basisbeveiliging niet op orde hebben gaat meer om een plat netwerk achter de ophaalbrug waarvoor je geen AI nodig hebt.
Cybercriminaliteit is voor een belangrijk deel een opportunistisch verdienmodel waarin de verhouding tussen inspanning, risico en opbrengst bepalend is. Goedkope toegang tot AI via bijvoorbeeld Google verschuift de discussie want we hadden al ransomware-as-a-service via dubieuze hosting partijen. Misschien moeten we ons daarom richten op het betalingssysteem, het risico van de betaling blijft tenslotte de zwakste schakel. Want AI verlaagt de kosten van de aanval terwijl een effectieve bestrijding van de financiële infrastructuur de kosten en risico’s van het verzilveren kan verhogen.