OWASP Top 10 dla aplikacji LLM 2026: omówienie wszystkich 10 zagrożeń
Zaktualizowano: November 19, 20267 min czytania
OWASP Top 10 dla aplikacji LLM to opracowana przez OWASP GenAI Security Project lista najpoważniejszych zagrożeń bezpieczeństwa dla aplikacji opartych na dużych modelach językowych (LLM). Edycja 2026 została opublikowana w sierpniu 2026 roku (jej strona z zasobem nosi datę 3 sierpnia), a ogłoszona 1 września 2026 roku. W tym przewodniku wymieniamy wszystkie dziesięć pozycji z ich oficjalnymi identyfikatorami, krótko objaśniamy każdą z nich, podajemy po jednym praktycznym zabezpieczeniu na pozycję i podsumowujemy zmiany względem 2025 roku.
Ton nadaje list otwierający autorstwa liderów projektu: „Przestańcie próbować budować model, którego nie da się oszukać. Zbudujcie wokół niego system tak, aby gdy model zostanie oszukany, a zostanie, nic ważnego się nie zepsuło”.
Jak powstała lista 2026
Wcześniejsze edycje opierały się na ocenie praktyków. W 2026 roku OWASP dodatkowo zestawił wyniki głosowania społeczności z korpusem 7714 rzeczywistych incydentów z publicznych baz podatności i bazy danych szkód wyrządzonych przez AI; 6639 z nich zawierało dość szczegółów, by je sklasyfikować. Głosowanie odpowiada za trzy czwarte wagi, a dane o incydentach za jedną czwartą. Oba źródła nie zawsze były zgodne: w rankingu według samej liczby incydentów prompt injection wypada poza top 10, co OWASP przypisuje „efektowi obrony”, ponieważ zespoły intensywnie z nim walczą i do publicznych baz trafia mniej czystych exploitów. W przypadku Misinformation było odwrotnie: głosujący umieścili tę pozycję blisko końca listy, dane o incydentach blisko jej początku, a dowody podciągnęły ją na siódme miejsce.
Lista 2026 w skrócie
| Pozycja w 2026 | Miejsce w 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 (jako System Prompt Leakage) |
| LLM09:2026 Vector and Embedding Weaknesses | 8 |
| LLM10:2026 Improper Output Handling | 5 |
Miejsca z 2025 roku pochodzą z listy OWASP z 2025 roku.
LLM01:2026 Prompt Injection
Dane wejściowe, które zmieniają zachowanie modelu w sposób niezamierzony przez programistę, niezależnie od tego, czy pochodzą od użytkownika, z dokumentu, z wyniku narzędzia, z obrazu czy z pamięci. Pozycja obejmuje teraz ataki międzymodalne, które ukrywają instrukcje w obrazach lub dźwięku. Zabezpieczenie: trzymaj poświadczenia i działania zmieniające stan w kodzie aplikacji i przyznawaj modelowi minimalne uprawnienia dla każdej operacji. Nasz przewodnik po prompt injection szczegółowo omawia tę pozycję.
LLM02:2026 Sensitive Information Disclosure (ujawnianie informacji wrażliwych)
Wyciek poufnych lub regulowanych danych dowolnym kanałem: przez odpowiedź, argumenty wywołań narzędzi, ślady rozumowania, pobrane fragmenty, logi lub embeddingi. OWASP wskazuje nadmierne udostępnianie danych na wcześniejszych etapach, na przykład dyski bez ograniczeń dostępu zasilające indeks generowania wspomaganego wyszukiwaniem (RAG), jako jeden z dwóch błędów stojących za większością incydentów. Zabezpieczenie: sprawdzaj uprawnienia przed wyszukiwaniem, egzekwując kontrolę dostępu na poziomie dokumentów i fragmentów wewnątrz zapytania do indeksu.
LLM03:2026 Excessive Agency (nadmierna autonomia)
Szkodliwe działania podejmowane w reakcji na nieoczekiwane, niejednoznaczne lub zmanipulowane odpowiedzi modelu. Ich podstawowe przyczyny to nadmierna funkcjonalność, nadmierne uprawnienia lub nadmierna autonomia. W systemach agentycznych, jak podaje OWASP, problem może się objawiać jako nadużycie narzędzi, nadużycie tożsamości i uprawnień albo awarie kaskadowe. Zabezpieczenie: ogranicz do minimum narzędzia i ich uprawnienia (narzędzie do streszczania e-maili potrzebuje jedynie odczytu poczty) i wymagaj zatwierdzenia przez człowieka w przypadku działań o dużym wpływie.
LLM04:2026 Supply Chain (łańcuch dostaw)
Zagrożenia w modelach, zbiorach danych i adapterach (takich jak LoRA) pochodzących od podmiotów trzecich, a także w potokach konwersji i pakietach, w tym „slopsquatting”, czyli rejestrowanie przez atakujących nazw pakietów, które wymyślają w wyniku halucynacji asystenci AI do programowania. Zabezpieczenie: przypinaj artefakty modeli za pomocą niezmiennego skrótu (digest), a nie zmiennego tagu, weryfikuj podpisy i sprawdzaj, czy zależności zaproponowane przez AI istnieją, zanim je zainstalujesz.
LLM05:2026 Data and Model Poisoning (zatruwanie danych i modeli)
Zmanipulowane dane lub artefakty modeli, które osadzają backdoory lub stronniczość na etapie pretrenowania, dostrajania, tworzenia embeddingów lub dystrybucji. Zatruwanie może być tanie: Souly i in. (2025) ustalili, że 250 zatrutych dokumentów skompromitowało modele od 600 mln do 13 mld parametrów, niezależnie od rozmiaru zbioru danych. Zabezpieczenie: śledź pochodzenie danych i modeli, wersjonuj zbiory danych i traktuj szablony czatu, konfiguracje tokenizera i adaptery jak kod, który musi być podpisany i zweryfikowany.
LLM06:2026 Unbounded Consumption (nieograniczone zużycie zasobów)
Niekontrolowane wnioskowanie, które powoduje przestoje, lawinowo rosnące koszty („denial of wallet”) lub kradzież modelu przez jego ekstrakcję. Modele rozumujące, multimodalne dane wejściowe i pętle wywołań narzędzi w agentach pogarszają sytuację. Zabezpieczenie: twarde limity wydatków, które zatrzymują wnioskowanie, oraz bezpieczniki (circuit breakers) dla agentów z limitami liczby kroków, rekurencji, czasu i kosztu pojedynczego uruchomienia.
LLM07:2026 Misinformation (błędne informacje)
Nieprawidłowe lub niepoparte dowodami odpowiedzi, które wyglądają na tyle wiarygodnie, że ktoś może na ich podstawie podjąć działanie. W systemach agentycznych błędna odpowiedź staje się błędnym działaniem, na przykład gdy agent zgłasza, że kopia zapasowa została wykonana, choć nigdy do tego nie doszło. Zabezpieczenie: wzorzec claim-check-act (twierdzenie, weryfikacja, działanie), który oddziela generowanie od wykonania oraz weryfikuje twierdzenia i warunki wstępne przed podjęciem działania.
LLM08:2026 Hidden Context Exposure (ujawnienie ukrytego kontekstu)
Wydobycie lub odtworzenie ukrytego kontekstu: promptów systemowych, instrukcji programisty, pobranych tekstów polityk i schematów narzędzi. OWASP radzi zakładać, że ukryty kontekst da się odkryć. Zabezpieczenie: nie umieszczaj w nim poświadczeń ani sekretów i egzekwuj autoryzację w deterministycznym kodzie poza modelem.
LLM09:2026 Vector and Embedding Weaknesses (słabości wektorów i embeddingów)
Ataki na warstwę embeddingów, na której opierają się RAG, pamięć agentów i semantyczne pamięci podręczne. Jak ujmuje to OWASP, „zatruwanie sprawia, że system się myli, inwersja – że przecieka, zagłuszanie – że milknie, a zawodna kontrola dostępu – że staje się niewybiórczy”. Zabezpieczenie: egzekwuj ograniczenie do danych danego najemcy (tenant scoping) wewnątrz zapytania do indeksu, a nie jako filtr po wyszukiwaniu, i przechowuj treści o różnych poziomach zaufania w oddzielnych indeksach.
LLM10:2026 Improper Output Handling (niewłaściwa obsługa danych wyjściowych)
Przekazywanie odpowiedzi modelu dalej bez walidacji, co może prowadzić do XSS, SQL injection, SSRF lub zdalnego wykonania kodu. Pozycja obejmuje teraz również niebezpieczny kod, który asystenci generują na masową skalę. Zabezpieczenie: traktuj odpowiedź modelu jak dane wejściowe od użytkownika: koduj ją odpowiednio do kontekstu, używaj zapytań parametryzowanych i wyłącz automatyczne renderowanie obrazów w Markdownie oraz podglądów linków.
Co się zmieniło od edycji 2025
OWASP pisze, że kolejność „zmieniła się bardziej niż w poprzednich latach”. Najważniejsze zmiany:
- Pozycja Excessive Agency awansowała z szóstego na trzecie miejsce, co OWASP nazywa „najbardziej brzemienną w skutki zmianą na liście”.
- Unbounded Consumption przesunęła się o cztery miejsca w górę, a Improper Output Handling spadła najbardziej, z piątego na dziesiąte miejsce.
- Prompt Injection i Sensitive Information Disclosure utrzymały dwa pierwsze miejsca.
- System Prompt Leakage zmieniła się w Hidden Context Exposure, pozycję o szerszym zakresie.
- Nowsze zagrożenia włączono do istniejących pozycji, zamiast tworzyć nowe kategorie: wstrzykiwanie międzymodalne, artefakty modeli, które nie są tym, za co się podają, sabotowanie dostrajania oraz niebezpieczny wygenerowany kod.
- Powiązania z ramami i standardami (NIST, MITRE ATLAS, CWE i innymi) przeniesiono do jednego załącznika.
OWASP wyznacza też wyraźniejszą granicę. Ta lista obejmuje model jako komponent Twojej aplikacji. Gdy model staje się aktorem, który ma narzędzia, pamięć i wywołuje skutki w kolejnych systemach, OWASP zaleca łączyć ją z OWASP Top 10 dla aplikacji agentycznych, które omawiamy w przewodniku jak zabezpieczyć agentów AI.
Jak używać listy w zespole
OWASP radzi: „przepracuj wszystkie dziesięć, zacznij od góry”. W praktyce:
- Przejdź przez dziesięć pozycji, gdy projektujesz lub przeglądasz funkcję opartą na LLM, i zanotuj, gdzie jest ona narażona.
- Zamień każde zabezpieczenie w zgłoszenie z przypisanym właścicielem i po poprawkach przetestuj wszystko ponownie.
- Oznaczaj ustalenia identyfikatorami pozycji, aby programiści, inżynierowie bezpieczeństwa i właściciele produktu posługiwali się wspólnym słownictwem.
- Testuj wyłącznie systemy, które należą do Ciebie lub na których testowanie masz pisemną zgodę, i sprawdź, czy warunki dostawcy Twojego modelu dopuszczają testy bezpieczeństwa.
Projekt końcowy kursu we własnym tempie Bezpieczeństwo AI: zabezpieczanie aplikacji LLM i agentów AI, „Zaatakuj agenta AI, napraw go i przetestuj ponownie”, kończy się raportem bezpieczeństwa, który przyporządkowuje każde ustalenie do list OWASP.
Co dalej
Zacznij od pozycji na szczycie listy: nasz przewodnik czym jest prompt injection wyjaśnia ataki bezpośrednie i pośrednie oraz obronę warstwową. Jeśli Twoja aplikacja wyszukuje dokumenty, przyjrzyj się uważnie pozycjom LLM02 i LLM09, które dotyczą uprawnień przy wyszukiwaniu i warstwy embeddingów; powiązanym kursem we własnym tempie jest AI Engineer: wprowadzenie do RAG i wyszukiwania.
Uporządkowaną drogą do zdobycia tych umiejętności jest kurs Bezpieczeństwo AI: zabezpieczanie aplikacji LLM i agentów AI: realizowany we własnym tempie, na poziomie średniozaawansowanym, trwający 40 godzin, przeznaczony dla programistów, inżynierów AI i specjalistów ds. bezpieczeństwa, którzy budują lub testują funkcje AI.

Zdobądź umiejętności IT online z Code Labs Academy
Dołącz do naszej społeczności, odblokuj swój potencjał i rozpocznij satysfakcjonującą ścieżkę kariery w IT.
Aplikuj teraz