Generatieve AI heeft het speelveld voor e-mailbeveiliging ingrijpend veranderd. Berichten die vroeger opvielen door slordige taal, herhaalde zinnen of onnatuurlijke context, komen nu vloeiend en sterk gepersonaliseerd binnen. Daardoor wordt een aanpak die vooral leunt op gedragssignalen steeds minder betrouwbaar.
Volgens Proofpoint is de kern: als aanvallers berichten laten lijken op ‘normale’ conversaties, dan verschuift het verdedigingsvraagstuk. In plaats van enkel te kijken of iets afwijkt, moeten systemen vooral bepalen wat het bericht probeert te bereiken. Dat is waar intent detectie in e-mail relevant wordt.
Waarom gedragssignalen minder zeggen
Veel e-mailfilters zijn historisch gebouwd voor een realiteit waarin aanvallers tijd moesten besparen. Ze herkenden hun kansen door snel te schrijven, templates te hergebruiken en infrastructuur en timing ruwweg hetzelfde te houden. Die beperkingen leverden patronen op die gedragssystemen konden detecteren.
Generatieve AI haalt die remmen weg. Tekst kan in vrijwel elke taal vloeiend worden gemaakt, context kan beter aansluiten op de thread, persona’s ogen geloofwaardig en elk bericht kan in seconden variëren per ontvanger. Het resultaat is dat de “tells” waar filters jaren op leunden, vervagen.
Wat verandert er precies in e-mail?
Proofpoint beschrijft meerdere manieren waarop AI e-mailberichten normaler maakt. Niet alleen de taal verbetert, ook de aansluiting op de conversatie wordt realistischer.
- Taal: vloeiende, lokaal passende tekst zonder vertaalartefacten.
- Context: replies die passen bij timing, rol en lopende draad.
- Persona: bijpassende schrijfstijl, handtekeningen en zelfs geconstrueerde berichtgeschiedenis.
- Variatie: per ontvanger een uniek bericht, waardoor herhaling minder opvalt.
Daarmee wordt gedrag een minder sterke indicator. De logica van detectie moet verschuiven: niet alleen “ziet het er vreemd uit?”, maar “wat wil dit bericht bereiken?”.
Voorbeeld uit de praktijk: één doel, veel varianten
In een campagne die Proofpoint deelde, benaderde een dreigingsactor meer dan dertig vastgoedmakelaars bij dezelfde organisatie. Elk contact kwam vanuit een ander account, over een andere woning en met andere bewoording. Toch eindigde elk gesprek met dezelfde vraag: een videoafspraak toevoegen of ontvangen.
De berichten waren daarbij niet gebaseerd op herhaalde content. Sterker nog: sommige threads startten met een ogenschijnlijk onschuldige vraag, waarna in korte tijd een uitnodiging volgde. Zelfs wanneer reputatiescans clean bleven, kon de aanval door de boodschap als geheel alsnog “door de mazen” glippen.
Het belangrijkste patroon was dus niet hoe het bericht eruitzag, maar welke handeling het moest triggeren: klikken op een specifieke redirect, deelnemen aan een meeting of een extra stap zetten die de aanvaller nodig heeft.
Wanneer aanvallen niet diefstal, maar verstoring zoeken
AI maakt ook andere doelen eenvoudiger. Proofpoint noemt communicatiecampagnes waarin honderden of duizenden afzenders executives benaderen, elk met een onderwerp dat past bij de branche van het doelwit. Sommige berichten bevatten beledigende taal, andere combineren tekst met AI-gegenereerde of gemanipuleerde beelden.
Deze lures zijn vaak minder gericht op een directe payload, zoals een link die “iets” activeert, of op credential harvesting. Daardoor is één-op-één scoring van losse berichten minder effectief. Het verdedigingsmodel moet juist over meerdere berichten heen erkennen dat er sprake is van disruptieve intent.
Intent detectie in e-mail: waarom het beter werkt
Proofpoint positioneert intentanalyse als een benadering die het doel van een bericht centraal zet. Daarbij gaat het om vragen als:
- Is het doel plausibel in de relatie en de conversatie?
- Welke techniek wordt ingezet om dat doel te bereiken?
- Past de uitkomst bij het pad dat de aanvaller nodig heeft (klik, inloggen, meeting join)?
Een illustratief voorbeeld gaat over een verzoek om bankgegevens te wijzigen. Het bericht kwam van een bekende leverancier, vanuit een echt mailboxadres en binnen een bestaande thread. De taal was bovendien precies het soort tekst dat AI moeiteloos kan produceren. Toch vielen meerdere intent-gerichte details samen die erop wezen dat het om een fraudepad ging: een deadline die gekoppeld was aan een betalingsrun, een verzoek om het gesprek buiten de thread om te houden en verificatie die “vooruit” werd afgesloten met een plausibele claim.
Met andere woorden: AI kan de woorden gladstrijken, maar de intent laat een spoor achter dat verdedigingssystemen kunnen meenemen.
Gelaagde analyse: niet elke e-mail heeft dezelfde diepte nodig
Een valkuil is om overal zware AI-analyse op los te laten. Dat kan de maildoorstroming vertragen. Daarom wordt de analyse volgens Proofpoint opgesplitst in tiers, waarbij de diepte meebeweegt met de mate van ambiguïteit.
- Tier 1: onderzoekt alle mail in minder dan 500 milliseconden met machine learning, threat intelligence, computer vision en taalmodellen.
- Tier 2: behandelt minder dan 1% van de berichten; dit gebeurt in seconden tot minuten met extra onderdelen zoals sandboxing, topic- en toonanalyses en een organisatie-graph.
- Tier 3: voor minder dan 0,01% in minuten; hier volgt diepere multi-stage analyse, inclusief aandacht voor spraak/video en profielen van mensen met hogere rechten.
Als een bericht binnen een tier niet kan worden opgelost, schuift het door naar de volgende stap. Dat betekent ook dat een kwaadaardige boodschap op elk moment een beslissing kan triggeren, afhankelijk van wat de analyses onthullen.
Onderzoek moet net zo snel worden als aanvallen
AI verkort de tijdlijn van aanvallen. Waar vroeger een analist één bericht tegelijk moest triëren, kan een geautomatiseerde campagne intussen al replies, mailboxwijzigingen en inlogmomenten meenemen. Proofpoint stelt daarom dat incidentonderzoek moet meebewegen van “ticket per ticket” naar agentic investigation die tempo kan bijhouden.
In een gedeeld scenario met een RFP-gebaseerde credential-phishing lure leidde de aanval tot een account takeover van een financegebruiker. De actor logde in vanuit meerdere locaties, voegde een regel toe om reacties te verbergen, en stuurde vervolgens veel phishingberichten intern. Een onderzoekagent kon het incident binnen enkele minuten bevatten, outboundberichten ophalen, blokkeren en mailboxinstellingen terugzetten—met enkele acties die eerst menselijke goedkeuring vroegen.
Ook werd zichtbaar waar automatisering niet alles kan bepalen, bijvoorbeeld wanneer een link in een PDF niet werd herschreven of wanneer acties zoals quarantaine niet volledig afrondden.
Wat betekent dit voor organisaties vandaag?
De boodschap achter de voorbeelden is helder: generatieve AI maakt e-mailberichten sneller fluent, plausibel en uniek. Daardoor verdwijnt de betrouwbaarheid van enkel gedragsgedreven detectie. Tegelijk blijven traditionele controles zinvol—alleen moeten ze worden aangevuld met analyses die het doel van het bericht centraal zetten.
Concreet betekent dit voor verdediging:
- Bewaak en verbeter traditionele detectie (regels, reputatie en bekende dreigingen) voor schaal en snelheid.
- Voeg intent detectie in e-mail toe om AI-‘vernis’ te kunnen doorprikken.
- Werk met gelaagde analyse zodat niet elke boodschap even zwaar hoeft te worden onderzocht.
- Maak incidentonderzoek sneller en breder, zodat campagnes niet “voorbij” de triage groeien.
Praktische aandachtspunten voor e-mailprofessionals
Hoewel intentanalyse een belangrijker kompas wordt, blijft menselijk begrip essentieel. Besteed daarom extra aandacht aan signalen rond het doel van een bericht:
- Wordt er gevraagd om de communicatie buiten de bestaande thread te houden?
- Komt er een urgentie die gekoppeld is aan een specifiek procesmoment (zoals een betalingsrun)?
- Worden gebruikers gestimuleerd om een meeting te joinen of een actie te doen met weinig context?
- Past de stap die gevraagd wordt bij de relatie, of lijkt het op een omweg naar autorisatie?
Als je dit onderwerp verder wilt uitdiepen vanuit de optiek van e-mail- en contentmanipulatie, kun je ook kijken naar:
- DLL-sideloading backdoors en hoe misleiding zich doorzetten kan
- Wat reset van credentials betekent na een cloud-incident
- Rogue AI-agenten: zo reageer je snel en goed
Conclusie
Generatieve AI maakt e-mailaanvallen minder zichtbaar voor detectie die vooral leunt op gedragssignalen. Berichten worden vloeiend, gepersonaliseerd en variëren per ontvanger, waardoor de oude “tells” verdwijnen.
Daarom verschuift de focus naar intent detectie in e-mail: niet alleen kijken naar afwijkingen in uiterlijk of taal, maar naar het doel en het pad richting succesvolle uitkomst. Met gelaagde analyse en sneller onderzoek kunnen organisaties beter bijblijven—ook wanneer aanvallers op machine-tempo campagnes draaien.
Bron: https://thehackernews.com/2026/10/generative-ai-is-erasing-behavioral.html
