OWASP Top 10 voor LLM-toepassingen 2026: alle 10 risico's uitgelegd
Laatst bijgewerkt op November 19, 2026Leestijd: 7 min
De OWASP Top 10 voor LLM-toepassingen is de lijst van het OWASP GenAI Security Project met de meest kritieke beveiligingsrisico's voor apps die zijn gebouwd op grote taalmodellen (LLM's). De editie van 2026 verscheen in augustus 2026 (de resourcepagina is gedateerd op 3 augustus) en werd aangekondigd op 1 september 2026. Deze gids zet alle tien items met hun officiële ID's op een rij, legt elk item kort uit, geeft per item één praktische maatregel en vat samen wat er sinds 2025 is veranderd.
De openingsbrief van de projectleiders zet de toon: “Stop met proberen een model te bouwen dat niet te misleiden is. Bouw het systeem eromheen, zodat er niets belangrijks kapotgaat wanneer het model wordt misleid, en dat gaat gebeuren.”
Hoe de lijst van 2026 tot stand kwam
Eerdere edities leunden op het oordeel van praktijkmensen. Voor 2026 toetste OWASP de stemming in de community ook aan een corpus van 7714 echte incidenten uit openbare kwetsbaarheidsdatabases en een database met AI-schade, waarvan er 6639 genoeg details bevatten om te classificeren. De stemming telt voor driekwart mee en de incidentdata voor een kwart. Die twee kwamen niet altijd overeen: gerangschikt op ruwe aantallen incidenten valt prompt injection uit de top 10, wat OWASP toeschrijft aan een “verdedigingseffect”, omdat teams het hard bestrijden en er minder zuivere exploits in openbare databases terechtkomen. Bij Misinformation ging het andersom: stemmers zetten het bijna onderaan, de incidentdata bijna bovenaan, en het bewijs trok het omhoog naar de zevende plaats.
De lijst van 2026 in één oogopslag
| Item 2026 | Positie in 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 (als System Prompt Leakage) |
| LLM09:2026 Vector and Embedding Weaknesses | 8 |
| LLM10:2026 Improper Output Handling | 5 |
De posities van 2025 komen uit de lijst van 2025 van OWASP.
LLM01:2026 Prompt Injection
Input die het gedrag van het model verandert op manieren die de ontwikkelaar niet bedoelde, of die nu van een gebruiker, een document, een toolresultaat, een afbeelding of uit het geheugen komt. Het item omvat nu ook cross-modale aanvallen die instructies verbergen in afbeeldingen of audio. Maatregel: houd credentials en acties die de toestand wijzigen in de applicatiecode en geef het model per handeling zo min mogelijk rechten. Onze gids over prompt injection behandelt dit item uitgebreid.
LLM02:2026 Sensitive Information Disclosure (openbaarmaking van gevoelige informatie)
Vertrouwelijke of gereguleerde data die via welk kanaal dan ook uitlekt: het antwoord, argumenten van toolaanroepen, reasoning traces, opgehaalde chunks, logs of embeddings. OWASP noemt te ruim delen aan de bron, zoals schijven zonder afgebakende toegang die een index voor retrieval-augmented generation (RAG) voeden, als een van de twee fouten achter de meeste incidenten. Maatregel: autoriseer vóór het ophalen, door toegang op document- en chunkniveau af te dwingen in de indexquery zelf.
LLM03:2026 Excessive Agency (buitensporige handelingsvrijheid)
Schadelijke acties als reactie op onverwachte, dubbelzinnige of gemanipuleerde modeloutput. De hoofdoorzaken zijn te veel functionaliteit, te veel rechten of te veel autonomie. In agentische systemen kan het volgens OWASP opduiken als misbruik van tools, misbruik van identiteiten en rechten of cascaderende storingen. Maatregel: beperk tools en hun rechten tot het minimum (een tool die e-mails samenvat, hoeft alleen mail te kunnen lezen) en vereis menselijke goedkeuring voor acties met grote impact.
LLM04:2026 Supply Chain (toeleveringsketen)
Risico's in modellen, datasets, adapters zoals LoRA, conversiepipelines en packages van derden, waaronder “slopsquatting”, waarbij aanvallers packagenamen registreren die codeerassistenten hallucineren. Maatregel: pin modelartefacten op een onveranderlijke digest in plaats van een veranderlijke tag, controleer handtekeningen en ga na of door AI voorgestelde dependencies bestaan voordat je ze installeert.
LLM05:2026 Data and Model Poisoning (data- en modelvergiftiging)
Gemanipuleerde data of modelartefacten die tijdens pre-training, fine-tuning, embedding of distributie backdoors of bias inbouwen. Vergiftiging kan goedkoop zijn: Souly et al. (2025) ontdekten dat 250 vergiftigde documenten modellen van 600 miljoen tot 13 miljard parameters compromitteerden, ongeacht de omvang van de dataset. Maatregel: houd de herkomst van data en modellen bij, zet je datasets onder versiebeheer en behandel chattemplates, tokenizerconfiguraties en adapters als code die ondertekend en geverifieerd moet worden.
LLM06:2026 Unbounded Consumption (onbegrensd verbruik)
Ongecontroleerde inferentie die leidt tot uitval, uit de hand lopende kosten (“denial of wallet”) of modeldiefstal via extractie. Reasoning-modellen, multimodale input en toollussen van agents maken het erger. Maatregel: harde uitgavenlimieten die de inferentie stoppen, plus circuit breakers voor agents met limieten op stappen, recursie, tijd en kosten per run.
LLM07:2026 Misinformation (misinformatie)
Onjuiste of ongefundeerde output die geloofwaardig genoeg lijkt om erop te handelen. In agentische systemen wordt een fout antwoord een foute actie, bijvoorbeeld een agent die meldt dat een back-up is gedraaid terwijl dat nooit is gebeurd. Maatregel: een claim-check-act-patroon dat generatie scheidt van uitvoering en beweringen en randvoorwaarden verifieert voordat er wordt gehandeld.
LLM08:2026 Hidden Context Exposure (blootstelling van verborgen context)
Het extraheren of reconstrueren van verborgen context: systeemprompts, instructies van ontwikkelaars, opgehaalde beleidsteksten en toolschema's. OWASP adviseert ervan uit te gaan dat verborgen context te achterhalen is. Maatregel: houd credentials en secrets erbuiten en dwing autorisatie af in deterministische code buiten het model.
LLM09:2026 Vector and Embedding Weaknesses (zwakke plekken in vectoren en embeddings)
Aanvallen op de embeddinglaag achter RAG, het geheugen van agents en semantische caches. In de woorden van OWASP: “vergiftiging maakt het systeem onjuist, inversie laat het lekken, jamming legt het het zwijgen op en falende toegangscontrole maakt het lukraak.” Maatregel: dwing tenantscheiding af in de indexquery zelf, niet als filter na het ophalen, en bewaar content met verschillende vertrouwensniveaus in aparte indexen.
LLM10:2026 Improper Output Handling (onjuiste verwerking van output)
Modeloutput zonder validatie doorgeven aan systemen verderop in de keten, wat kan leiden tot XSS, SQL-injectie, SSRF of remote code execution. Het item omvat nu ook onveilige code die assistenten op grote schaal genereren. Maatregel: behandel modeloutput als gebruikersinput: encodeer hem voor de context waarin hij terechtkomt, gebruik geparametriseerde query's en schakel het automatisch renderen van Markdown-afbeeldingen en linkvoorbeelden uit.
Wat er is veranderd sinds de editie van 2025
Volgens OWASP is de volgorde “meer verschoven dan in voorgaande jaren”. De belangrijkste wijzigingen:
- Excessive Agency klom van de zesde naar de derde plaats, volgens OWASP “de verschuiving met de meeste gevolgen op de lijst”.
- Unbounded Consumption steeg vier plaatsen, en Improper Output Handling zakte het verst, van de vijfde naar de tiende plaats.
- Prompt Injection en Sensitive Information Disclosure behielden de bovenste twee plaatsen.
- System Prompt Leakage werd Hidden Context Exposure, een breder item.
- Bestaande items namen nieuwere risico's op in plaats van dat er nieuwe categorieën bij kwamen: cross-modale injectie, modelartefacten die niet zijn wat ze beweren te zijn, ondermijning van fine-tuning en onveilige gegenereerde code.
- Koppelingen met frameworks (NIST, MITRE ATLAS, CWE en andere) zijn samengebracht in één bijlage.
OWASP trekt ook een duidelijkere grens. Deze lijst behandelt het model als onderdeel van je applicatie. Zodra het model een actor wordt met tools, geheugen en gevolgen verderop in de keten, adviseert OWASP om de lijst te combineren met de OWASP Top 10 voor agentische toepassingen, die onze gids over het beveiligen van AI-agents stap voor stap doorloopt.
Zo gebruik je de lijst in je team
OWASP adviseert: “werk alle tien af, begin bovenaan”. In de praktijk:
- Loop de tien items door wanneer je een LLM-functie ontwerpt of reviewt, en noteer waar die kwetsbaar is.
- Maak van elke maatregel een ticket met een eigenaar, en test opnieuw na de fixes.
- Label bevindingen met de ID's van de items, zodat ontwikkelaars, security-engineers en product owners dezelfde woordenschat delen.
- Test alleen systemen die van jou zijn of waarvoor je schriftelijke toestemming hebt om ze te testen, en controleer of de voorwaarden van je modelaanbieder beveiligingstests toestaan.
Het eindproject van de zelfstudiecursus AI-beveiliging: LLM-apps en AI-agents beveiligen, “Een AI-agent aanvallen, repareren en opnieuw testen”, eindigt met een beveiligingsrapport dat elke bevinding koppelt aan de OWASP-lijsten.
Hoe nu verder
Begin bij het item bovenaan: onze gids over wat prompt injection is legt directe en indirecte aanvallen en gelaagde verdediging uit. Als je app documenten ophaalt, kijk dan goed naar LLM02 en LLM09, die gaan over rechten bij het ophalen en over de embeddinglaag; AI Engineer: introductie tot RAG en zoeken is een verwante zelfstudiecursus.
Een gestructureerde manier om deze vaardigheden op te bouwen is de cursus AI-beveiliging: LLM-apps en AI-agents beveiligen: zelfstudie, halfgevorderd niveau en 40 uur, voor ontwikkelaars, AI-engineers en securityprofessionals die AI-functies bouwen of testen.

Leer technische vaardigheden online met Code Labs Academy
Sluit je aan bij onze community, benut je potentieel en start een lonende tech‑carrière.
Meld je aan