AI versnelt de aanval op bekende software: twee keer zoveel kwetsbaarheden, en minder tijd om te patchen
Het aantal gemelde kwetsbaarheden is dit jaar verdubbeld en er worden er meer misbruikt dan in heel 2025. AI speelt daarin aantoonbaar een rol, al is niet alles bewezen wat erover wordt beweerd. Wat dat betekent voor de manier waarop u patcht.
In AI als aanvalswapen beschreven we hoe aanvallers taalmodellen inzetten. Dit artikel gaat over één gevolg dat u terugziet in uw patchbeleid: de snelheid waarmee bekende kwetsbaarheden worden misbruikt.
In het kort
- Er worden twee keer zoveel kwetsbaarheden gemeld als begin dit jaar, en er worden er meer misbruikt dan in heel 2025.
- Misbruik begint gemiddeld al voordat er een patch is.
- AI vindt aantoonbaar meer fouten, en aanvallers gebruiken het ook. Dat AI de hele versnelling verklaart, is waarschijnlijk maar niet bewezen.
Wat de cijfers laten zien
| Wat | Toen | Nu |
|---|---|---|
| Nieuwe CVE-meldingen per maand | 5.045 (jan 2026) | 10.740 (aug 2026) |
| Misbruikte kwetsbaarheden | 127 (heel 2025) | 141 (jan–aug 2026) |
| Zerodays per maand | 8 (2025) | 11 (2026) |
| Gemiddelde tijd tot misbruik | 63 dagen (2018) | min 7 dagen (M-Trends 2026) |
De eerste drie regels komen van de Google Threat Intelligence Group (GTIG), de laatste uit het M-Trends-rapport van Google, zoals CERT-EU het samenvat. Min zeven dagen betekent: misbruik begint gemiddeld een week voordat er een patch is.
Twee kanttekeningen maken het beeld compleet.
Het misbruikte deel is klein. Van alle meldingen van dit jaar is ongeveer 1 op de 431 in het wild misbruikt, ofwel 0,23 procent. Maar dat kleine deel is wel de belangrijkste manier om binnen te komen: bij 32 procent van de inbraken die Mandiant in 2025 onderzocht, het zesde jaar op rij bovenaan.
De cijfers meten niet allemaal hetzelfde. Sommige gaan over de eerste waargenomen aanval, andere over een werkende exploit. Leveranciers komen soms met nog spectaculairdere getallen; bekijk dan eerst hoe die zijn gemeten. De richting is in alle bronnen wel dezelfde.
Wat AI hier aantoonbaar doet, en wat niet
Over AI en cyberaanvallen wordt veel beweerd. Het helpt om drie niveaus van bewijs te onderscheiden.
Aangetoond: AI vindt meer kwetsbaarheden
Onderzoekers en leveranciers lichten code steeds vaker door met AI-systemen. Het Britse NCSC verwacht dat dat een groeiend deel van de meldingen verklaart. Hoe groot dat deel is, valt niet te meten: een CVE-registratie vermeldt niet hoe een fout is gevonden. CERT-EU noemt als voorbeeld een model van Anthropic dat duizenden ernstige en kritieke kwetsbaarheden zou hebben gevonden.
Een concreet geval is CVE-2026-1731 in BeyondTrust Privileged Remote Access en Remote Support. Een AI-onderzoeksagent vond de fout. Binnen vier dagen na de bekendmaking misbruikte de eerste groep aanvallers hem, binnen zeven dagen waren het er zes.
Door AI gevonden kwetsbaarheden leiden ook vaker tot code-uitvoering op afstand: 50 procent, tegen 26 procent van de rest. GTIG schrijft dat vooral toe aan waar de AI-systemen naar laten zoeken, niet aan de AI zelf.
Aangetoond in losse gevallen: aanvallers gebruiken AI
- Een zeroday-exploit geschreven met AI. In mei meldde GTIG met grote zekerheid dat een criminele groep een exploit gebruikte die met hulp van een AI-model was geschreven, te zien aan kenmerken in de code.
- CVE's laten analyseren. Een aan Noord-Korea gelieerde groep stuurde volgens GTIG duizenden prompts om CVE's te analyseren en proof-of-concepts te valideren.
- Ivanti, deze week. Bij de Ivanti-zeroday denkt Volexity, met gemiddelde zekerheid, dat de aanvallers taalmodellen gebruikten.
Waarschijnlijk, maar niet bewezen: AI verklaart de snelheid
Dat aanvallers patches en publicaties met taalmodellen analyseren om er binnen uren een aanval van te maken, is plausibel. GTIG noemt het zelf een mogelijkheid, geen vastgestelde werkwijze. Bewijzen is lastig, want niemand vermeldt in een exploit dat er AI aan te pas kwam.
De Nederlandse diensten zijn net zo voorzichtig. In hun cyberadvies over edge devices verwachten AIVD en MIVD dat AI bijdraagt aan meer misbruik, ook van bekende kwetsbaarheden.
Ook AI-software is zelf doelwit
De software waarmee organisaties zelf met AI werken, levert een eigen stroom kwetsbaarheden op. GTIG telde er tussen januari 2025 en augustus 2026 2.076, waarvan meer dan 1.500 in 2026.
- Frameworks voor AI-agents, zoals Flowise en Langflow: ongeveer de helft van de meldingen van dit jaar.
- Software om modellen te draaien, zoals vLLM, Ollama en LiteLLM: 212 meldingen in 2026, bijna een kwart door API's zonder authenticatie of door server-side request forgery.
Kwetsbaarheden in LiteLLM en Langflow worden al misbruikt. Draait u zulke tools voor een interne chatbot of een proef met agents, dan vallen die vaak buiten het gewone patchbeheer.
Wat dit betekent voor uw patchbeleid
Twee adviezen lijken hier te botsen.
- Het Britse NCSC waarschuwde in mei voor een patch wave: een golf van updates omdat AI fouten op grote schaal blootlegt. Het advies: standaard updaten, automatische updates en hot patching aanzetten waar dat kan, en direct installeren bij kritieke kwetsbaarheden die actief worden misbruikt.
- AIVD en MIVD schreven vorige week dat het niet altijd verstandig is updates direct door te voeren, omdat de gevolgen voor een productieomgeving vaak niet bekend zijn.
Onze lezing: ze gaan over verschillende situaties. Bij tienduizend meldingen per maand kunt u niet alles direct installeren, en dat hoeft ook niet. GTIG pleit voor triage op basis van dreigingsinformatie. Maar voor het kleine deel dat wél wordt misbruikt, op systemen aan het internet, is de tijd gekrompen tot dagen. Dat vraagt om twee snelheden:
| Route | Wanneer | Termijn |
|---|---|---|
| Snel | Actief misbruikt of op de CISA-lijst, en bereikbaar vanaf internet | Binnen dagen, bewijs veiligstellen vóór de update |
| Normaal | Al het andere | Op basis van risico, bijvoorbeeld met SSVC |
Leg vooraf vast welke update in welke route valt, zodat u daar niet per melding over hoeft te vergaderen. Hoe u zo'n proces opbouwt, staat in van 30 dagen naar 48 uur.
Wat u nu kunt doen
- Leg de twee patchsnelheden vast, met de criteria uit de tabel hierboven.
- Maak het aanvalsoppervlak kleiner. Wat niet aan het internet hangt, hoeft u niet binnen een dag te patchen. Zet beheerinterfaces achter een VPN of toegangsbeperking.
- Vervang systemen die geen updates meer krijgen. Die kunnen in een patch wave niet mee. Begin bij wat extern bereikbaar is.
- Zet automatische updates aan waar het risico laag is, zoals werkplekken, browsers en SaaS. Zo houdt u capaciteit over voor de rest.
- Bereid tijdelijke maatregelen voor voor als een update er nog niet is: toegang beperken, een filterregel, extra monitoring. Leg vast wie daarover beslist.
- Neem AI-tools op in uw inventaris. Welke frameworks en modelservers draaien er, wie beheert ze, en is er een API zonder authenticatie?
- Ga ervan uit dat u soms te laat bent. Als misbruik gemiddeld vóór de patch begint, laat alleen centrale logging achteraf zien wat er is gebeurd. AIVD en MIVD adviseren die minstens een halfjaar te bewaren.
Bronnen
- Help Net Security – The vulnerabilities AI finds are the ones attackers want (1 oktober 2026)
- Google Threat Intelligence Group – Vulnerability discovery and exploitation trends in the AI era
- Google Threat Intelligence Group – Adversaries leverage AI for vulnerability exploitation, augmented operations, and initial access (11 mei 2026)
- CERT-EU – AI is changing the economics of vulnerability discovery. Defenders should adapt now (21 april 2026)
- NCSC (VK) – Prepare for the vulnerability patch wave
- Security Affairs – AI speeds flaw discovery, forcing rapid updates, UK NCSC warns (4 mei 2026)
- Volexity – A series of unauthenticated events: chained exploitation of Ivanti Connect Secure zero-days (13 oktober 2026)
- AIVD, MIVD en NCSC – Cyberadvies: edge devices structureel doelwit van Chinese cyberactoren (oktober 2026)