OWASP Top 10 for LLM-applikasjoner 2026: alle 10 risikoene forklart
Oppdatert den November 19, 2026Lesetid: 7 minutter
OWASP Top 10 for LLM-applikasjoner er OWASP GenAI Security Projects liste over de mest kritiske sikkerhetsrisikoene for apper bygd på store språkmodeller (LLM-er). Utgaven for 2026 kom i august 2026 (ressurssiden er datert 3. august) og ble kunngjort 1. september 2026. Denne guiden lister opp alle ti punktene med de offisielle ID-ene, forklarer hvert av dem kort, gir ett praktisk tiltak per punkt og oppsummerer hva som er endret siden 2025.
Åpningsbrevet fra prosjektlederne setter tonen: «Slutt å prøve å bygge en modell som ikke kan lures. Bygg systemet rundt den, slik at ingenting viktig går i stykker når modellen blir lurt – og det kommer den til å bli.»
Slik ble listen for 2026 til
Tidligere utgaver bygde på vurderingene til praktikere. For 2026 testet OWASP også fellesskapets avstemning mot et korpus på 7714 faktiske hendelser fra offentlige sårbarhetsdatabaser og en database over AI-skader, der 6639 hadde nok detaljer til å kunne klassifiseres. Avstemningen teller tre firedeler og hendelsesdataene en firedel. De to var ikke alltid enige: Rangert etter rå antall hendelser faller prompt injection ut av topp 10, noe OWASP tilskriver en «forsvarseffekt», siden team bekjemper den hardt og færre rene utnyttelser når fram til offentlige databaser. Misinformation gikk motsatt vei: De som stemte, plasserte den nær bunnen, hendelsesdataene nær toppen, og bevisene trakk den opp til sjuendeplass.
Listen for 2026 i korte trekk
| Punkt i 2026 | Plassering 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 |
Plasseringene for 2025 kommer fra OWASPs liste for 2025.
LLM01:2026 Prompt Injection
Inndata som endrer modellens oppførsel på måter utvikleren ikke hadde til hensikt, enten de kommer fra en bruker, et dokument, et verktøyresultat, et bilde eller minnet. Punktet dekker nå også kryssmodale angrep som skjuler instruksjoner i bilder eller lyd. Tiltak: Hold legitimasjon og tilstandsendrende handlinger i applikasjonskoden, og gi modellen minste privilegium per operasjon. Guiden vår om prompt injection går i dybden på dette punktet.
LLM02:2026 Sensitive Information Disclosure (avsløring av sensitiv informasjon)
Konfidensielle eller regulerte data som lekker gjennom en hvilken som helst kanal: svaret, argumenter til verktøykall, resonneringsspor, hentede chunks, logger eller embeddinger. OWASP peker på overdeling lenger opp i kjeden, for eksempel disker uten avgrenset tilgang som mater en indeks for retrieval-augmented generation (RAG), som en av to feil bak de fleste hendelsene. Tiltak: Autoriser før henting ved å håndheve tilgang på dokument- og chunknivå inne i selve indeksspørringen.
LLM03:2026 Excessive Agency (overdreven handlefrihet)
Skadelige handlinger som svar på uventede, tvetydige eller manipulerte utdata fra modellen. Rotårsakene er for mye funksjonalitet, for mange tillatelser eller for mye autonomi. I agentiske systemer kan det ifølge OWASP vise seg som misbruk av verktøy, misbruk av identitet og privilegier eller kaskadefeil. Tiltak: Begrens verktøy og tillatelsene deres til et minimum (et verktøy som oppsummerer e-post, trenger bare å kunne lese e-post), og krev menneskelig godkjenning av handlinger med store konsekvenser.
LLM04:2026 Supply Chain (forsyningskjede)
Risikoer i tredjeparts modeller, datasett, adaptere som LoRA, konverteringspipelines og pakker, inkludert «slopsquatting», der angripere registrerer pakkenavn som kodeassistenter hallusinerer. Tiltak: Fest modellartefakter til en uforanderlig digest i stedet for en foranderlig tagg, verifiser signaturer, og sjekk at avhengigheter som AI foreslår, faktisk finnes før du installerer dem.
LLM05:2026 Data and Model Poisoning (data- og modellforgiftning)
Manipulerte data eller modellartefakter som bygger inn bakdører eller skjevheter under forhåndstrening, finjustering, embedding eller distribusjon. Forgiftning kan være billig: Souly mfl. (2025) fant at 250 forgiftede dokumenter kompromitterte modeller fra 600 millioner til 13 milliarder parametere, uavhengig av størrelsen på datasettet. Tiltak: Spor opphavet til data og modeller, versjonsstyr datasettene dine, og behandle chatmaler, tokenizer-konfigurasjoner og adaptere som kode som må signeres og verifiseres.
LLM06:2026 Unbounded Consumption (ubegrenset forbruk)
Ukontrollert inferens som fører til driftsavbrudd, løpske kostnader («denial of wallet») eller modelltyveri gjennom ekstraksjon. Resonneringsmodeller, multimodale inndata og agenters verktøyløkker gjør det verre. Tiltak: Harde utgiftstak som stopper inferensen, pluss circuit breakers for agenter med grenser for steg, rekursjon, tid og kostnad per kjøring.
LLM07:2026 Misinformation (feilinformasjon)
Feilaktige eller udokumenterte utdata som virker troverdige nok til at noen handler på dem. I agentiske systemer blir et feil svar til en feil handling, for eksempel når en agent rapporterer at en sikkerhetskopiering ble kjørt, selv om den aldri ble det. Tiltak: Et claim-check-act-mønster som skiller generering fra utførelse og verifiserer påstander og forutsetninger før det handles.
LLM08:2026 Hidden Context Exposure (eksponering av skjult kontekst)
Uthenting eller rekonstruksjon av skjult kontekst: systemprompter, utviklerinstruksjoner, hentede policytekster og verktøyskjemaer. OWASP anbefaler å gå ut fra at skjult kontekst kan avdekkes. Tiltak: Hold legitimasjon og hemmeligheter utenfor den, og håndhev autorisasjon i deterministisk kode utenfor modellen.
LLM09:2026 Vector and Embedding Weaknesses (svakheter i vektorer og embeddinger)
Angrep på embeddinglaget bak RAG, agentminne og semantiske cacher. Med OWASPs ord: «Forgiftning gjør systemet feil, inversjon får det til å lekke, jamming gjør det stumt, og sviktende tilgangskontroll gjør det ukritisk.» Tiltak: Håndhev skillet mellom leietakere (tenants) inne i selve indeksspørringen, ikke som et filter etter hentingen, og hold innhold med ulike tillitsnivåer i separate indekser.
LLM10:2026 Improper Output Handling (feilaktig håndtering av utdata)
Modellens utdata sendes videre til systemer lenger ned i kjeden uten validering, noe som kan føre til XSS, SQL-injeksjon, SSRF eller fjernkjøring av kode. Punktet dekker nå også usikker kode som assistenter genererer i stor skala. Tiltak: Behandle modellens utdata som brukerinndata: Kod dem for konteksten de havner i, bruk parameteriserte spørringer, og slå av automatisk gjengivelse av Markdown-bilder og forhåndsvisning av lenker.
Dette er endret siden 2025-utgaven
Ifølge OWASP har rekkefølgen «flyttet seg mer enn i tidligere år». De viktigste endringene:
- Excessive Agency klatret fra sjetteplass til tredjeplass, det OWASP kaller «den mest betydningsfulle endringen på listen».
- Unbounded Consumption steg fire plasser, og Improper Output Handling falt lengst, fra femteplass til tiendeplass.
- Prompt Injection og Sensitive Information Disclosure beholdt de to øverste plassene.
- System Prompt Leakage ble til Hidden Context Exposure, et bredere punkt.
- Eksisterende punkter har tatt opp i seg nyere risikoer i stedet for at nye kategorier er lagt til: kryssmodal injeksjon, modellartefakter som ikke er det de gir seg ut for å være, undergraving av finjustering og usikker generert kode.
- Koblinger til rammeverk (NIST, MITRE ATLAS, CWE og andre) er flyttet til ett vedlegg.
OWASP trekker også en tydeligere grense. Denne listen dekker modellen som en komponent i applikasjonen din. Når modellen blir en aktør med verktøy, minne og konsekvenser lenger ned i kjeden, sier OWASP at listen bør kombineres med OWASP Top 10 for agentiske applikasjoner, som guiden vår om hvordan du sikrer AI-agenter går gjennom.
Slik bruker du listen i teamet ditt
OWASPs råd er å «jobbe med alle ti og begynne øverst». I praksis:
- Gå gjennom de ti punktene når du designer eller vurderer en LLM-funksjon, og noter hvor den er eksponert.
- Gjør hvert tiltak til en sak med en eier, og test på nytt etter rettingene.
- Merk funn med ID-ene til punktene, slik at utviklere, sikkerhetsingeniører og produkteiere bruker det samme vokabularet.
- Test bare systemer du eier eller har skriftlig tillatelse til å teste, og sjekk at vilkårene til modelleverandøren din tillater sikkerhetstesting.
I selvstudiekurset AI-sikkerhet: sikring av LLM-apper og AI-agenter avsluttes sluttprosjektet, «Angrip, rett og test en AI-agent på nytt», med en sikkerhetsrapport som knytter hvert funn til OWASP-listene.
Veien videre
Begynn med punktet øverst: Guiden vår om hva prompt injection er forklarer direkte og indirekte angrep og forsvar i flere lag. Hvis appen din henter dokumenter, bør du se nøye på LLM02 og LLM09, som dekker tillatelser ved henting og embeddinglaget; AI Engineer: introduksjon til RAG og søk er et beslektet selvstudiekurs.
En strukturert måte å bygge disse ferdighetene på er kurset AI-sikkerhet: sikring av LLM-apper og AI-agenter: selvstudium, mellomnivå og 40 timer, for utviklere, AI-ingeniører og sikkerhetsfagfolk som bygger eller tester AI-funksjoner.

Lær tekniske ferdigheter på nett med Code Labs Academy
Bli en del av vårt støttende fellesskap, lås opp potensialet ditt og start på en givende karrierevei.
Søk nå