OWASP Top 10 for LLM-applikationer 2026: alle 10 risici forklaret
Senest opdateret November 19, 20267 minutters læsning
OWASP Top 10 for LLM-applikationer er OWASP GenAI Security Projects liste over de mest kritiske sikkerhedsrisici for apps bygget på store sprogmodeller (LLM'er). 2026-udgaven udkom i august 2026 (dens ressourceside er dateret den 3. august) og blev annonceret den 1. september 2026. Denne guide gennemgår alle ti punkter med deres officielle ID'er, forklarer kort hvert enkelt, giver én praktisk kontrol pr. punkt og opsummerer, hvad der er ændret siden 2025.
Projektledernes åbningsbrev slår tonen an: »Hold op med at prøve at bygge en model, der ikke kan narres. Byg systemet omkring den, så intet vigtigt går i stykker, når modellen bliver narret – og det bliver den.«
Sådan blev listen for 2026 til
Tidligere udgaver byggede på praktikeres vurderinger. Til 2026 holdt OWASP også fællesskabets afstemning op mod et korpus af 7714 virkelige hændelser fra offentlige sårbarhedsdatabaser og en database over AI-skader, hvoraf 6639 var detaljerede nok til at kunne klassificeres. Afstemningen vægter tre fjerdedele og hændelsesdataene en fjerdedel. De to var ikke altid enige: Rangeret efter det rå antal hændelser falder prompt injection ud af top 10, hvilket OWASP tilskriver en »forsvarseffekt«, da teams bekæmper den hårdt, og færre rene exploits når frem til offentlige databaser. Misinformation gik den modsatte vej: Stemmerne placerede den nær bunden, hændelsesdataene nær toppen, og evidensen trak den op på syvendepladsen.
Listen for 2026 i overblik
| Punkt i 2026 | Placering i 2025 |
|---|---|
| LLM01:2026 Prompt Injection | 1 |
| LLM02:2026 Sensitive Information Disclosure | 2 |
| LLM03:2026 Excessive Agency | 6 |
| LLM04:2026 Supply Chain | 3 |
| LLM05:2026 Data and Model Poisoning | 4 |
| LLM06:2026 Unbounded Consumption | 10 |
| LLM07:2026 Misinformation | 9 |
| LLM08:2026 Hidden Context Exposure | 7 (som System Prompt Leakage) |
| LLM09:2026 Vector and Embedding Weaknesses | 8 |
| LLM10:2026 Improper Output Handling | 5 |
Placeringerne for 2025 stammer fra OWASP's liste for 2025.
LLM01:2026 Prompt Injection
Input, der ændrer modellens adfærd på måder, som udvikleren ikke havde til hensigt, uanset om det kommer fra en bruger, et dokument, et værktøjsresultat, et billede eller hukommelsen. Punktet dækker nu også tværmodale angreb, der skjuler instruktioner i billeder eller lyd. Kontrol: Hold adgangsoplysninger og tilstandsændrende handlinger i applikationskoden, og giv modellen mindst mulige rettigheder pr. operation. Vores guide til prompt injection går i dybden med dette punkt.
LLM02:2026 Sensitive Information Disclosure (videregivelse af følsomme oplysninger)
Fortrolige eller regulerede data, der lækker gennem en hvilken som helst kanal: svaret, argumenter til værktøjskald, ræsonnementsspor, hentede chunks, logfiler eller embeddings. OWASP peger på overdeling længere oppe i kæden, for eksempel drev uden afgrænset adgang, der fodrer et indeks til retrieval-augmented generation (RAG), som en af to fejl bag de fleste hændelser. Kontrol: Autorisér før hentning ved at håndhæve adgang på dokument- og chunkniveau inde i selve indeksforespørgslen.
LLM03:2026 Excessive Agency (for vidtgående handlefrihed)
Skadelige handlinger som reaktion på uventet, tvetydigt eller manipuleret modeloutput. Grundårsagerne er for meget funktionalitet, for mange rettigheder eller for meget autonomi. I agentiske systemer kan det ifølge OWASP vise sig som misbrug af værktøjer, misbrug af identiteter og rettigheder eller kaskadefejl. Kontrol: Minimér værktøjer og deres rettigheder (et værktøj, der opsummerer e-mails, behøver kun at kunne læse mails), og kræv menneskelig godkendelse af handlinger med store konsekvenser.
LLM04:2026 Supply Chain (forsyningskæde)
Risici i tredjepartsmodeller, datasæt, adaptere som LoRA, konverteringspipelines og pakker, herunder »slopsquatting«, hvor angribere registrerer pakkenavne, som kodeassistenter hallucinerer. Kontrol: Fastlås modelartefakter med et uforanderligt digest frem for et foranderligt tag, verificér signaturer, og tjek, at AI-foreslåede afhængigheder findes, før du installerer dem.
LLM05:2026 Data and Model Poisoning (data- og modelforgiftning)
Manipulerede data eller modelartefakter, der indlejrer bagdøre eller bias under prætræning, finjustering, embedding eller distribution. Forgiftning kan være billig: Souly et al. (2025) fandt, at 250 forgiftede dokumenter kompromitterede modeller fra 600 mio. til 13 mia. parametre, uanset datasættets størrelse. Kontrol: Spor data- og modelafstamning, versionér dine datasæt, og behandl chatskabeloner, tokenizer-konfigurationer og adaptere som kode, der skal signeres og verificeres.
LLM06:2026 Unbounded Consumption (ubegrænset forbrug)
Ukontrolleret inferens, der forårsager nedbrud, løbske omkostninger (»denial of wallet«) eller modeltyveri gennem ekstraktion. Ræsonnementsmodeller, multimodalt input og agenters værktøjsløkker gør det værre. Kontrol: Hårde udgiftslofter, der stopper inferensen, plus circuit breakers for agenter med grænser for trin, rekursion, tid og omkostning pr. kørsel.
LLM07:2026 Misinformation
Forkert eller udokumenteret output, der virker troværdigt nok til, at man handler på det. I agentiske systemer bliver et forkert svar til en forkert handling, for eksempel når en agent melder, at en backup er kørt, selvom den aldrig blev det. Kontrol: Et claim-check-act-mønster, der adskiller generering fra udførelse og verificerer påstande og forudsætninger, før der handles.
LLM08:2026 Hidden Context Exposure (eksponering af skjult kontekst)
Udtrækning eller rekonstruktion af skjult kontekst: systemprompts, udviklerinstruktioner, hentede politiktekster og værktøjsskemaer. OWASP råder til at gå ud fra, at skjult kontekst kan findes. Kontrol: Hold adgangsoplysninger og hemmeligheder ude af den, og håndhæv autorisation i deterministisk kode uden for modellen.
LLM09:2026 Vector and Embedding Weaknesses (svagheder i vektorer og embeddings)
Angreb på embedding-laget bag RAG, agenthukommelse og semantiske caches. Med OWASP's ord: »Forgiftning gør systemet forkert, inversion får det til at lække, jamming gør det tavst, og svigtende adgangskontrol gør det ukritisk.« Kontrol: Håndhæv adskillelsen mellem tenants inde i selve indeksforespørgslen, ikke som et filter efter hentningen, og hold indhold med forskellige tillidsniveauer i separate indekser.
LLM10:2026 Improper Output Handling (forkert håndtering af output)
Modeloutput sendes videre til efterfølgende systemer uden validering, hvilket kan føre til XSS, SQL-injection, SSRF eller fjernkørsel af kode. Punktet dækker nu også usikker kode, som assistenter genererer i stor skala. Kontrol: Behandl modeloutput som brugerinput: Kod det til den kontekst, det skal bruges i, brug parametriserede forespørgsler, og slå automatisk rendering af Markdown-billeder og linkforhåndsvisninger fra.
Ændringer siden 2025-udgaven
Ifølge OWASP har rækkefølgen »flyttet sig mere end i tidligere år«. De vigtigste ændringer:
- Excessive Agency steg fra sjettepladsen til tredjepladsen, hvilket OWASP kalder »den mest betydningsfulde flytning på listen«.
- Unbounded Consumption steg fire pladser, og Improper Output Handling faldt mest, fra femtepladsen til tiendepladsen.
- Prompt Injection og Sensitive Information Disclosure beholdt de to øverste pladser.
- System Prompt Leakage blev til Hidden Context Exposure, et bredere punkt.
- Eksisterende punkter har optaget nyere risici i stedet for, at der er kommet nye kategorier til: tværmodal injection, modelartefakter, der ikke er, hvad de giver sig ud for, undergravning af finjustering og usikker genereret kode.
- Mapninger til frameworks (NIST, MITRE ATLAS, CWE og andre) er samlet i ét bilag.
OWASP trækker også en klarere grænse. Denne liste dækker modellen som en komponent i din applikation. Når modellen bliver en aktør med værktøjer, hukommelse og konsekvenser længere nede i kæden, siger OWASP, at listen skal kombineres med OWASP Top 10 for agentiske applikationer, som vores guide til, hvordan du sikrer AI-agenter, gennemgår.
Sådan bruger du listen i dit team
OWASP's råd er at »arbejde med alle ti og starte fra toppen«. I praksis:
- Gennemgå de ti punkter, når du designer eller reviewer en LLM-funktion, og notér, hvor den er eksponeret.
- Gør hver kontrol til en ticket med en ejer, og test igen efter rettelserne.
- Mærk fund med punkternes ID'er, så udviklere, sikkerhedsingeniører og product owners deler ét ordforråd.
- Test kun systemer, du ejer eller har skriftlig tilladelse til at teste, og tjek, at din modeludbyders vilkår tillader sikkerhedstest.
I kurset AI-sikkerhed: sikring af LLM-apps og AI-agenter, som du tager i dit eget tempo, slutter det afsluttende projekt, »Angrib, ret og gentest en AI-agent«, med en sikkerhedsrapport, der knytter hvert fund til OWASP-listerne.
Næste skridt
Start med punktet øverst: Vores guide til, hvad prompt injection er, forklarer direkte og indirekte angreb og forsvar i flere lag. Hvis din app henter dokumenter, så se nærmere på LLM02 og LLM09, der dækker rettigheder ved hentning og embedding-laget; AI-ingeniør: Introduktion til RAG og søgning er et beslægtet kursus i eget tempo.
En struktureret måde at opbygge disse færdigheder på er kurset AI-sikkerhed: sikring af LLM-apps og AI-agenter: i eget tempo, på øvet niveau og 40 timer langt, til udviklere, AI-ingeniører og sikkerhedsprofessionelle, der bygger eller tester AI-funktioner.

Lær tekniske færdigheder online hos Code Labs Academy
Bliv en del af vores støttende fællesskab, frigør dit potentiale, og påbegynd en givende karrierevej.
Ansøg nu