De meeste securityteams zijn druk met het reguleren van hoe medewerkers AI inzetten. Denk aan ChatGPT, Claude of Copilot voor snelle concepten en tekst. Toch wijst nieuw onderzoek erop dat een kleiner groepje — de zogeheten AI super-adopters — een veel groter veiligheidsprobleem kan vormen. Niet doordat zij “slechter” zijn, maar doordat hun gedrag sneller buiten de bekende kaders valt.
In dit artikel zoomen we in op het shadow AI risico: hoe een handvol intensieve AI-gebruikers bijdraagt aan meer datalekkansen, minder zicht voor IT en security, en het ontstaan van nieuwe aanvalspaden via extensions en (semi-)autonome AI-agents.
Waarom de top 5% AI-gebruikers het verschil maakt
Volgens het onderzoek van Akamai, gebaseerd op echte usage- en telemetrydata, praten niet alle medewerkers even vaak met AI-modellen. De top 5% enterprise power users heeft contact met AI-modellen op een tempo dat tot 12 keer hoger ligt dan dat van de onderste 50%.
Het gevolg is dat AI steeds meer verweven raakt met dagelijkse werkzaamheden. Niet als “bonus”, maar als een soort virtuele collega in processen die gevoelig zijn voor fouten, dataverwerking en ongewenste interacties.
Meer prompts betekent meer exposure
In de rapportage wordt ook gekeken naar gesprekstijd en aantal interacties. Gemiddeld bestaat een medewerkergesprek uit ongeveer vijf prompts. Bij de topgroep ligt dit structureel hoger: gesprekken bevatten dan regelmatig 18 prompts of meer.
Meer interacties leveren niet automatisch meer risico op, maar het maakt wel de kans groter dat er gevoelige informatie in prompts terechtkomt. Ook worden vaker verschillende tools en workflows getest, waardoor er gemakkelijker data in nieuwe kanalen kan belanden.
Shadow AI risico door persoonlijke accounts
Een opvallende bevinding uit het rapport is dat bijna 47,11% van alle enterprise AI-gesprekken verloopt via persoonlijke identiteiten, dus niet via corporate-managed accounts. Dit creëert een duidelijk spanningsveld: “gecontroleerde” AI binnen de organisatie versus “vrije” AI buiten het toezicht.
Governance werkt alleen wanneer interacties daadwerkelijk binnen het enterprise identiteitsmodel blijven. Zodra gebruikers overschakelen naar persoonlijke login-methoden ontstaan er zichtgaten bij IT, security en compliance.
Voorbeelden van governance versus persoonlijke dominantie
De onderzoekers noemen enkele tastbare signalen:
- Gemini Enterprise (98,15%) en Microsoft Copilot M365 (90,55%) houden de overgrote meerderheid van interacties binnen corporate identity-systemen.
- Daartegenover staan tools waarbij persoonlijke identitylogins domineren, zoals DeepSeek (99,8%) en ook ChatGPT en Claude, beide met een meerderheid via persoonlijke accounts.
Zelfs wanneer medewerkers corporate e-mail gebruiken om zich te registreren bij persoonlijke (“freemium”) AI-abonnementen, kan governance alsnog mislukken. In dat scenario kan gevoelige input in prompts worden gebruikt in publieke trainingsprocessen.
Long-tail blindness: tientallen nichetools buiten zicht
Veel organisaties sturen op de grote platforms. Maar intussen ontstaan er allerlei kleinere hulpprogramma’s: niche AI-tools, AI-gedreven SaaS-apps en persoonlijke subscriptions die medewerkers toevoegen zonder IT-toestemming. Het rapport beschrijft dit als Long-Tail Blindness: security ziet niet alles wat er in de praktijk wordt gebruikt.
Dat probleem wordt groter wanneer AI niet alleen in een webapp draait, maar ook via extensies in browsers of binnen IDE-omgevingen. Zo ontstaat een nieuwe laag van interactie direct gekoppeld aan actieve sessies en gevoelige bedrijfsdata.
Browser- en IDE-extensies als blind spot
Akamai rapporteert dat in midsize enterprise omgevingen 17,7% van medewerkers minstens één AI-extension gebruikt, tegenover 9,53% in grotere organisaties. Bovendien vraagt het merendeel van deze extensies om hoge of kritieke permissies (ongeveer drie kwart van de gevallen).
Daarbovenop komt een kwaliteitssignaal dat securityteams niet kunnen negeren: 16,31% van AI-extensies bevat bekende CVE-kwetsbaarheden. Ter vergelijking: browserextensies in het algemeen scoren met 10,80%. Met andere woorden: het AI-extensie-ecosysteem lijkt extra risicovol.
Van governance naar actie: de CISO-mindset
De opdracht voor CISOs verandert. De kernvraag is niet langer of medewerkers AI gebruiken — dat doen ze. De echte uitdaging is waar AI draait, wie er het meest afhankelijk van is, en of die systemen nog binnen de enterprise guardrails blijven.
Het tijdsvenster is bovendien kritisch: security moet die antwoorden kunnen geven voordat aanvallers het gedrag van gebruikers en hun tooling benutten.
Het AI-aanvalsoppervlak wordt “weaponized”
Wanneer AI diep in processen en omgevingen zit, verschuift ook het aanvalsoppervlak. Het rapport beschrijft meerdere manieren waarop aanvallers klassieke beveiligingscontroles kunnen omzeilen doordat ze de AI-omgeving gebruiken als tussenstap.
Vibe Hacking
Bij Vibe Hacking veranderen aanvallers lokaal instructiebestanden (bijvoorbeeld een AI_CONFIG.md-bestand) op een manier die de gebruiker mogelijk niet direct opmerkt. Door die wijziging kan een AI coding assistant onbedoeld of gestuurd kwetsbare code genereren, of acties uitvoeren die buiten de bedoeling vallen.
CursorJacking
Met CursorJacking worden (rogue) extensies ingezet om stil data te verzamelen. Denk aan API keys, sessietokens en proprietary source code die zich lokaal bevinden in databases.
CometJacking via indirecte promptinjectie
Bij CometJacking gebruiken aanvallers kwaadaardige webpagina’s om via indirecte prompt injection AI-agents te misleiden. Het doel verschuift daarbij: niet de menselijke gebruiker wordt “gehackt”, maar de AI-collaborator moet gevoelige lokale bestanden exfiltreren.
Praktische checklist om shadow AI risico te beperken
Om het shadow AI risico te verlagen, stelt Akamai een CISO-checklist voor. Deze punten zijn concreet genoeg om direct te vertalen naar beleid, tooling en monitoring.
1) Continue visibility bouwen
Zorg dat je AI-apps, browser- en IDE-extensies en (semi-)autonome agents kunt ontdekken. Het rapport benadrukt het belang van inspectie in real time: kijk naar prompts, uploads en responses zodat je ziet waar data heen gaat.
2) Shadow AI elimineren
Beperk onbeheerde logins door corporate Single Sign-On (SSO) te gebruiken, persoonlijke logins te blokkeren waar dat kan, en corporate e-mailadressen te auditen die gekoppeld zijn aan freemium AI-subscriptions.
3) Contextuele AI DLP inzetten
Voor datalekpreventie volstaat “klassieke” patroonherkenning soms niet. Prompt-level inspectie helpt om ongestructureerde data te ontdekken, zoals codefragmenten of interne tekst die anders niet in vaste formats herkenbaar zijn.
4) Extensies en permissions regelmatig herzien
Maak en houd een strakke inventaris bij van AI-extensies. Stel grenzen aan permissies, screen add-ons op bekende CVE’s en verwijder wat niet past binnen je security baseline.
5) AI-agents behandelen als digitale identiteiten
Autonome AI-agents en AI-gestuurde browsers werken als entiteiten die rechten nodig hebben. Gebruik least privilege, beperk scope scherp en monitor gedrag continu — net zoals je dat met andere gevoelige identiteiten doet.
Wat dit betekent voor jouw organisatie
Het belangrijkste signaal uit het onderzoek is dat risk niet lineair meegroeit met het aantal gebruikers. De topgroep heeft disproportioneel invloed doordat zij vaker interageert, meer variatie aan tools gebruikt en vaker buiten de beheerde paden komt.
Als je nu vooral stuurt op de “grote” AI-platforms, is het verstandig om je aandacht te verleggen naar de rest: persoonlijke accounts, browser/IDE-extensies en de context waarin AI opereert. Juist daar ontstaat het shadow AI risico.
Wil je de vertaalslag maken naar concrete governance-onderdelen, lees ook hoe andere beveiligingsissues in identity en omgeving doorwerken in de praktijk. Bijvoorbeeld: Passkeys in phishing: iAuthFlow V2 uitgelegd en Keycloak wachtwoordreset-lek: accountovername mogelijk. Hoewel het om andere mechanismen gaat, laten deze voorbeelden zien hoe snel identity-gerelateerde zwaktes impact hebben op toegang en gegevens.
Conclusie: kleine groep, grote impact
Een kleine groep AI-supergebruikers kan de grootste schaduw werpen. Door veelvuldige interacties, het gebruik van persoonlijke identiteiten en de adoptie van nichetools en extensies groeit de kans op datalekken en nieuwe aanvalstechnieken. Het shadow AI risico vraagt daarom om continue zichtbaarheid, sterke governance en contextuele DLP.
Wie AI niet alleen ziet als productiviteitsfunctie, maar als een nieuwe laag van bedrijfsinfrastructuur, kan sneller ontdekken waar de gaten vallen — en ze dichten voordat kwaadwillenden dat doen.
Bron: https://thehackernews.com/2026/08/the-outsized-shadow-why-5-of-ai-users.html
