De vraag of zero trust in AI nog werkt, duikt steeds vaker op. Enerzijds zie je aanvallen evolueren: AI kan sneller itereren, kwetsbaarheden op schaal vinden en exploitlogica versnellen. Anderzijds is er een terugkerende boodschap uit de securitywereld: de principes achter zero trust zijn niet “verouderd”, zolang je ze maar goed uitvoert.
In een recente publicatie over cyberweerbaarheid op “machinesnelheid” wordt die stelling nadrukkelijk verdedigd. Tegelijkertijd zit de waarschuwing er direct aan vast: zero trust is effectief, maar alleen wanneer het model correct is geïmplementeerd en wanneer het beleidsmechanisme niet door kwaadwillenden kan worden omzeild.
Zero trust is niet nieuw, alleen de snelheid is veranderd
Zero trust werd ruim vijftien jaar geleden populair gemaakt door het gedachtegoed van John Kindervag. Het model vertrekt vanuit een eenvoudig uitgangspunt: vertrouw niet automatisch op basis van locatie of netwerksegment. In plaats daarvan dwing je per verbinding en per aanvraag af wat wel en niet is toegestaan.
De kern van de discussie in het AI-tijdperk draait niet om het “verdwijnen” van fundamentals. Volgens de auteurs en bijdragers is de aard van de dreiging in essentie vergelijkbaar. Wat wél verandert, is hoe snel aanvallen kunnen worden uitgevoerd, hoe verfijnd ze worden en hoe groot de schaal kan zijn.
Met andere woorden: AI-assisted aanvallen maken het speelveld dynamischer. Maar de route van een aanvaller door het netwerk blijft grotendeels dezelfde puzzel: proberen controles te omzeilen, privileges te vergroten en lateraal door te dringen.
Waarom het model standhoudt tegen AI-aanvallen
De boodschap uit het boek is helder: zero trust kan AI-aanvallen net zo goed stoppen als het dat deed vóórdat AI breed beschikbaar werd. Dat klinkt geruststellend, maar het is geen vrijbrief. Het gaat om de manier waarop de organisatie het beleid afdwingt.
Wie zero trust correct toepast, maakt het voor een aanvaller moeilijker om op basis van “aanwezigheid in het netwerk” toegang af te dwingen. Een AI-agent die een route probeert te vinden, moet dan alsnog langs dezelfde controles als elke andere aanvaller: beleid, verificatie, autorisatie en segmentatie op basis van afspraken en regels.
Belangrijk detail: de aanvaller profiteert vooral van snelheid en schaal. Maar als je de juiste gates hebt ingericht, wordt snelheid geen magische oplossing.
Het echte risico: zero trust verkeerd of onvolledig geïmplementeerd
Daar begint de spanningsboog. Zero trust in AI werkt alleen wanneer de implementatie klopt. In de praktijk betekent dat twee dingen die vaak onderschat worden.
1) Het beleid moet de beveiligingsrealiteit weerspiegelen
De “breinfunctie” van zero trust is het beleidsmechanisme. Dat policy engine bepaalt wanneer en hoe toegang wordt afgedwongen. Het beleid moet aansluiten op jouw beveiligingspositie: welke identiteiten bestaan er, welke systemen zijn waarvoor bedoeld, welke risico’s accepteer je wel en welke niet?
Omdat die beveiligingspositie verandert—denk aan nieuwe applicaties, nieuwe netwerkroutes of veranderende rollen—moet het beleid ook kunnen worden bijgewerkt. Als dat niet gebeurt, ontstaat er ruimte voor omwegen. In zo’n gat kunnen AI-gestuurde aanvallen sneller “testen” en patronen vinden die jouw intentie niet netjes afdwingt.
2) Het beleid zelf moet beschermd zijn
Het tweede punt is nog gevoeliger: je wilt niet dat een rogue agent of een kwaadwillende insider invloed kan uitoefenen op de policy engine. In theorie kan manipulatie leiden tot veilige doorgangen voor aanvallen die je juist wilde blokkeren.
Dit is precies waar organisaties extra aandacht moeten geven aan governance, logging, en het voorkomen van ongeautoriseerde wijzigingen. Zolang de policy engine stevig verankerd is, blijft zero trust een verdedigingslinie. Als iemand daar aan draait, verandert de verdediging in een risico.
De Hugging Face-incidentles: wat gaat er mis zonder echte afdwinging?
Een beroemd voorbeeld dat in de discussie wordt aangehaald is een incident waarbij een groot aantal AI-agenten—meer dan 700—in staat leek om netwerkisolatie te doorbreken. De aanval draaide onder meer rond het misbruiken van zwakheden zoals template-injection en paden richting remote code execution. Vervolgens werden node-level mogelijkheden gebruikt en daarna werd laterale beweging ingezet om verder richting interne omgevingen te gaan. Dat alles werd uiteindelijk zichtbaar doordat mensen onverwachte pieken in activiteit opmerkten.
De relevantie voor zero trust in AI is tweeledig. Ten eerste laat het incident zien dat aanvallers met autonome agenten proberen grenzen te verleggen. Ten tweede roept het de vraag op of zero trust volledig werd toegepast of dat de afdwinging niet vroeg genoeg het pad blokkeerde.
In de praktijk kan dit betekenen dat controles niet overal consequent hetzelfde niveau van strengheid hebben, of dat het beleid niet snel genoeg is aangepast aan de manier waarop de aanval zich manifesteert.
Waarom ‘correct’ nu belangrijker is dan ooit
Veel teams kennen de uitspraak: zero trust is “al jaren effectief”. De uitdaging in het AI-tijdperk is dat fouten in implementatie sneller kunnen escaleren. Niet omdat zero trust ineens minder waard wordt, maar omdat de aanvaller meer tempo en automatisering krijgt.
Als je beleid niet juist is, kan een AI-gestuurde aanval sneller vinden waar de gaten zitten. En als je policy engine niet goed is beschermd tegen manipulatie, kan de aanval de verdediging beïnvloeden terwijl het systeem “aan het wachten is op menselijk ingrijpen”.
Dat zet druk op twee zaken: juiste beleidsvorming én robuuste bescherming van de afdwinglaag.
Wat kun je vandaag doen om zero trust in AI te laten werken?
Je hoeft het model niet opnieuw uit te vinden. Je moet het vooral beter laten kloppen met jouw omgeving en je moet de afdwinglaag beter verankeren. Hieronder staan praktische aandachtspunten die passen bij de kernboodschap uit het besproken werk.
- Beoordeel je policy engine: klopt het beleid met de huidige applicaties, identiteiten en toegangsbehoeften? Is het beleid nog actueel?
- Maak beleid veranderbaar, maar gecontroleerd: updates zijn nodig, maar wel met duidelijke procedures, logging en verantwoordelijkheden.
- Bescherm tegen manipulatie: beperk wie beleidsregels kan wijzigen en monitor verdachte veranderingen.
- Versterk detectie op afwijkend gedrag: mensen zagen in het incident onverwachte pieken. Zorg dat monitoring ook waardevol is voordat het “te laat” is.
- Verbind fundamentals met modernere automatisering: als AI de scanning en exploitlogica versnelt, moeten jouw basiscontroles hetzelfde tempo kunnen bijhouden.
Wil je inspiratie op basis van security fundamentals in combinatie met AI-ontwikkeling? Lees dan ook Focus op security fundamentals: AI versnelt, basis blijft.
Zero trust blijft, maar de meetlat gaat omhoog
De conclusie uit de besproken visie is verrassend, maar consistent: zero trust in AI kan standhouden. De moderne dreiging is niet compleet anders van aard; ze is vooral sneller, schaalbaarder en vaak automatischer.
Waar het mis kan gaan, zit in de implementatie. Is het beleid accuraat en actueel? En is de policy engine beschermd tegen misbruik? Wanneer beide vragen positief beantwoord worden, dan is zero trust juist in het AI-tijdperk een logische manier om aanvallen langs een consistente verdedigingslijn te laten lopen.
Het antwoord op de openingsvraag is dus: ja, zero trust is nog effectief. Maar het is minder “instellen en vergeten” dan ooit. De boodschap is: get it right—en blijf het correct houden.
Gerelateerde verdieping: als je wilt begrijpen hoe AI de snelheid van kwetsbaarheidsscan en impact beïnvloedt, zie AI verandert het tempo van kwetsbaarheidsscanning.
Bron: https://www.securityweek.com/zero-trust-creator-says-model-holds-firm-against-ai-assisted-attacks/
