Slik sikrer du AI-agenter: OWASP Agentic Top 10, MCP og viktige tiltak
Oppdatert den November 19, 2026Lesetid: 7 minutter
En AI-agent bygd rundt en stor språkmodell (LLM) gjør mer enn å svare på spørsmål. Den planlegger, kaller verktøy, leser og skriver data og snakker noen ganger med andre agenter. Dermed står det mer på spill ved hver svakhet i modellen: En prompt injection som bare ville gitt et dårlig svar i en chatbot, kan få en agent til å sende e-post, endre poster eller kjøre kode. Denne guiden tar for seg OWASP Top 10 for agentiske applikasjoner og praktiske tiltak, inkludert sikkerhet for Model Context Protocol (MCP).
Hvorfor agenter trenger sin egen sikkerhetsmodell
NIST AI 100-2e2025 beskriver en agent som programvare som «gir en modell prompter iterativt», behandler utdataene, for eksempel for å kalle en funksjon, og mater resultatene tilbake i neste prompt. OWASP Top 10 for LLM-applikasjoner 2026 trekker grensen nettopp der: Listen dekker modellen som en komponent, og når modellen handler med verktøy, minne og konsekvenser lenger ned i kjeden, viser OWASP til listen sin for agentiske applikasjoner.
Den listen legger til et prinsipp som er verdt å ta i bruk først: least agency (minst mulig handlefrihet). OWASP råder organisasjoner til «å unngå unødvendig autonomi», fordi agentisk atferd der det ikke er behov for den, «øker angrepsflaten uten å tilføre verdi».
OWASP Top 10 for agentiske applikasjoner
OWASP GenAI Security Project publiserte OWASP Top 10 for agentiske applikasjoner 9. desember 2025. De ti punktene:
- ASI01: Agent Goal Hijack (kapring av agentens mål). Injisert innhold styrer målene eller planene til agenten i en annen retning.
- ASI02: Tool Misuse and Exploitation (misbruk og utnyttelse av verktøy). Agenten bruker legitime verktøy på utrygge måter.
- ASI03: Identity and Privilege Abuse (misbruk av identitet og privilegier). Delegert eller arvet legitimasjon blir misbrukt.
- ASI04: Agentic Supply Chain Vulnerabilities (sårbarheter i den agentiske forsyningskjeden). Verktøy, MCP-servere, prompter eller agenter er ondsinnede eller manipulerte.
- ASI05: Unexpected Code Execution (RCE) (uventet kodekjøring). Generert eller injisert kode kjører på systemene dine.
- ASI06: Memory & Context Poisoning (forgiftning av minne og kontekst). Lagret minne eller hentet kontekst blir korrumpert.
- ASI07: Insecure Inter-Agent Communication (usikker kommunikasjon mellom agenter). Meldinger mellom agenter blir forfalsket eller endret.
- ASI08: Cascading Failures (kaskadefeil). Én feil sprer seg på tvers av agenter og arbeidsflyter.
- ASI09: Human-Agent Trust Exploitation (utnyttelse av tillit mellom menneske og agent). Folk stoler for mye på en agent som virker selvsikker.
- ASI10: Rogue Agents (agenter som har løpt løpsk). En agent glir bort fra den tiltenkte funksjonen eller det tiltenkte omfanget sitt.
Gi agenter minste privilegium og avgrenset legitimasjon
OWASPs punkt LLM01:2026 påpeker at de fleste registrerte prompt injection-hendelser med store konsekvenser ble alvorlige fordi den kompromitterte modellen kunne handle gjennom verktøy med brukerens privilegier. ASI03 anbefaler egne identiteter per agent og «kortlivede, snevert avgrensede tokens per oppgave»; ASI02 anbefaler profiler per verktøy med scopes, hastighetsgrenser og tillatelseslister for utgående trafikk. Kjør verktøy i brukerens egen kontekst med minst mulig OAuth-scope, ikke gjennom en delt konto med høye privilegier.
Invariant Labs viste hvorfor omfanget betyr noe: En ondsinnet GitHub-issue kunne kapre en agent koblet til GitHubs MCP-server og eksponere data fra brukerens private repositorier. Forskerne kalte det «ikke en feil i selve koden til GitHub MCP-serveren», men et arkitekturproblem, og foreslo å begrense hver økt til ett repositorium.
En rask designsjekk er Metas Agents Rule of Two: I én økt bør en agent kombinere høyst to av disse: behandle upålitelige inndata, få tilgang til sensitive systemer eller private data, og endre tilstand eller kommunisere eksternt. Trenger den alle tre, «bør den ikke få operere autonomt», ifølge Meta.
Bruk tillatelseslister og en policysjekk utenfor modellen
Bestem i koden, ikke i prompten, hva agenten får lov til å gjøre. Sett verktøyene for hver oppgave, nettverksmålene den kan nå, og kommandoene den kan kjøre uten å spørre, på en tillatelsesliste, og avvis alt annet. ASI02 beskriver et policyhåndhevingspunkt (policy enforcement point) som behandler planleggerens utdata som ikke-klarerte, kontrollerer intensjon og argumenter, håndhever skjemaer og hastighetsgrenser og utsteder kortlivet legitimasjon før et verktøy kjører.
Kjør all kode fra agenten i en sandkasse
Hvis en agent skriver eller kjører kode, må du regne med at noe av den er fiendtlig (ASI05). OWASPs råd: Kjør aldri som root, kjør kode i containere i sandkasse med strenge grenser, også for nettverkstilgang, og skill kodegenerering fra kjøring med valideringstrinn. Anthropics gjennomgang av sandboxing av selskapets kodeagent legger til at effektiv sandboxing krever både filsystem- og nettverksisolasjon, siden en kompromittert agent uten nettverksisolasjon «kunne eksfiltrere sensitive filer som SSH-nøkler».
Spør et menneske før handlinger som ikke kan angres
Krev godkjenning før alt som er vanskelig å angre eller som er synlig utenfor systemet: sletting av data, flytting av penger, publisering eller sending av meldinger. ASI02 foreslår å vise en prøvekjøring (dry run) eller en diff av handlingen før godkjenningen. Hold forespørslene så sjeldne at de betyr noe: OWASP advarer om at godkjenningstretthet svekker dømmekraften, og ASI09 beskriver agenter som overtaler dem som godkjenner, til å godkjenne skadelige handlinger.
Behandle MCP-servere og verktøybeskrivelser som ikke-klarerte
MCP gjør det enkelt å koble verktøy til en agent, og det gjør verktøy til en risiko i forsyningskjeden. MCP-spesifikasjonen sier at klienter «MÅ betrakte verktøyannotasjoner som ikke-klarerte, med mindre de kommer fra klarerte servere», og at det «alltid BØR være et menneske i loopen som kan avvise verktøykall».
Invariant Labs beskriver tool poisoning som instruksjoner i verktøybeskrivelser som «er usynlige for brukere, men synlige for AI-modeller», og advarer om at en server kan endre en beskrivelse etter at du har godkjent den. OWASPs ASI04 nevner en ondsinnet MCP-server på npm som utga seg for å være en legitim e-postintegrasjon og i det skjulte kopierte e-poster til angriperen.
Praktiske steg:
- Installer MCP-servere fra kilder du stoler på, fest versjoner og verifiser hasher.
- Gå gjennom verktøybeskrivelser på jakt etter skjulte instruksjoner, og gjør det på nytt når de endres.
- For lokale servere: Vis den nøyaktige kommandoen før den kjører, og start serveren med minimale privilegier i en sandkasse, slik MCPs beste praksis for sikkerhet anbefaler.
- Send aldri tokens videre: MCP-servere «MÅ IKKE godta tokens som ikke er eksplisitt utstedt for MCP-serveren».
- Begynn med smale OAuth-scopes, og legg bare til flere når en operasjon trenger dem.
Modul 4 i selvstudiekurset AI-sikkerhet: sikring av LLM-apper og AI-agenter handler om å sikre AI-agenter, verktøy og MCP-servere.
Hold agentens minne rent
Minne lar et angrep vare på tvers av økter (ASI06). Valider det som skrives til minnet, hold minnet adskilt per bruker og per oppgave, la oppføringer som ikke er verifisert, utløpe, og ikke la agentens egne utdata flyte automatisk tilbake til klarert minne. OWASPs punkt LLM01:2026 legger til: Behandle skriving til minnet som privilegert, og logg prompten bak hver skriveoperasjon.
Logg agentens handlinger og ha en måte å stoppe den på
Før logger der manipulering kan oppdages, over verktøykall, godkjenninger og meldinger mellom agenter, slik at du kan undersøke og rulle tilbake (ASI08, ASI10). Sørg for at du kan stoppe en agent raskt: OWASP nevner nødbrytere (kill switches) og tilbakekalling av legitimasjon for agenter som har løpt løpsk, og circuit breakers med grenser for steg, tid og kostnad for kjøringer som løper løpsk. Test stoppmekanismen før du trenger den, og utsett agenter jevnlig for red teaming, bare på systemer du eier eller har skriftlig tillatelse til å teste, og sjekk at vilkårene til modelleverandøren din tillater sikkerhetstesting.
Hva EUs regler sier (bakgrunn, ikke juridisk rådgivning)
- Ikke alle AI-systemer er høyrisiko etter EUs KI-forordning: Grovt sett gjelder det bare systemer som brukes til et formål oppført i vedlegg III (med unntak), eller som er en sikkerhetskomponent i et produkt som omfattes av EU-regelverket oppført i vedlegg I (eller selv er et slikt produkt), når produktet må gjennom en samsvarsvurdering utført av en tredjepart.
- For AI-systemer med høy risiko krever artikkel 15 «et passende nivå av nøyaktighet, robusthet og cybersikkerhet». Artikkel 15 nr. 5 legger til motstandsdyktighet mot forsøk fra uautoriserte tredjeparter på å endre et systems bruk, utdata eller ytelse, og nevner, der det er hensiktsmessig, tiltak mot dataforgiftning, modellforgiftning, adversarielle eksempler (modellunnvikelse) og angrep på konfidensialitet eller modellfeil.
- Etter forordning (EU) 2026/1744, «KI-omnibusen» (i kraft fra 27. juli 2026), gjelder forpliktelsene for høyrisikosystemer fra 2. desember 2027 for systemer under vedlegg III og fra 2. august 2028 for systemer i produkter under vedlegg I.
- Noen regler gjelder allerede: Etter artikkel 50 må tilbydere av AI-systemer som samhandler direkte med mennesker, siden 2. august 2026 sørge for at disse menneskene får vite at de har med en AI å gjøre, med mindre det er åpenbart.
- Cyber Resilience Act gjelder for produkter med digitale elementer, programvare inkludert, som bringes i omsetning på EU-markedet, så sjekk om agenten din leveres som et slikt produkt eller kjører som en tjeneste. Den trådte i kraft 10. desember 2024. Produsentenes rapporteringsplikt for aktivt utnyttede sårbarheter og alvorlige hendelser har gjeldt siden 11. september 2026, og hovedforpliktelsene gjelder fra 11. desember 2027.
Om noe av dette gjelder for agenten din, er et spørsmål for en jurist.
Veien videre
Hvis du er ny på å bygge agenter, dekker guiden vår om hvordan du bygger en AI-agent (på engelsk) og selvstudiekurset Agentisk AI: Introduksjon til agentutvikling det grunnleggende.
En strukturert måte å bygge disse ferdighetene på er kurset AI-sikkerhet: sikring av LLM-apper og AI-agenter: selvstudium, mellomnivå og 40 timer. Det dekker sikkerhet i AI-forsyningskjeden og EUs regelverk, og i sluttprosjektet skal du angripe, rette og teste en AI-agent på nytt.

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