De soevereine architect: navigeren door de ineenstorting van de AI-wrapper-economie via diepe technische immuniteit

Het jaar 2025 heeft een beslissend kantelpunt gemarkeerd in de evolutie van enterprise-kunstmatige intelligentie en markeert het definitieve einde van wat de „Wrapper Era” mag worden genoemd. In de voorafgaande vierentwintig maanden was de wereldmarkt verzadigd door een proliferatie van lichtgewicht applicaties die fungeerden als dunne abstracties over general-purpose foundational models. Deze „wrappers” boden een verleidelijke belofte van snelle transformatie, maar misten de structurele integriteit die vereist is voor industriële, financiële en juridische omgevingen met hoge inzet. Toen organisaties deze tools van experimentele sandboxes naar kernproductieworkflows overzetten, botste de inherente fragiliteit van puur probabilistische architecturen op de onverbiddelijke eisen van enterprise-beveiliging en deterministische betrouwbaarheid. De resulterende nasleep, gekenmerkt door een reeks hooggeprofileerde systemische inbreuken, heeft een kritieke waarheid blootgelegd: wanneer kunstmatige intelligentie wordt ingezet als een onbewaakte agent met beheerdersrechten, planten storingen zich voort met de snelheid van de infrastructuur.¹

Veriprajna is opgericht als een direct antwoord op deze architecturale crisis. Wij opereren niet binnen de „wrapper”-economie; wij zijn een aanbieder van Deep AI-oplossingen, gericht op het ontwerpen van systemen die deterministisch zijn ontworpen, auditeerbaar zijn waar dat vereist is, en soeverein zijn in hun infrastructuur.² De naam zelf—afgeleid van „Veri” (Latijn voor Waarheid) en „Prajna” (Sanskriet voor Wijsheid)—weerspiegelt onze inzet voor outputs die niet alleen linguïstisch plausibel zijn, maar verifieerbaar correct en constitutioneel veilig.² Dit whitepaper onderzoekt de catastrofale beveiligingsincidenten van 2025 als een diagnostische lens waardoor de noodzaak van een nieuw architecturaal paradigma zichtbaar wordt: de neuro-symbolische cognitieve enterprise.

De anatomie van de inbreukencyclus van 2025: een diagnostische review

Het hedendaagse dreigingslandschap wordt niet langer slechts bepaald door externe actoren die firewalls proberen te omzeilen. Het wordt in toenemende mate bepaald door de „agentic” risico’s die inherent zijn aan de AI-tools zelf. Drie grote incidenten in 2025—de remote code execution (RCE)-kwetsbaarheid in GitHub Copilot, de „Zombie Data”-blootstelling via Microsoft Bing, en de supply-chain-compromittering van Amazon Q—bieden een omvattende taxonomie van de nieuwe risico’s voor de moderne enterprise.

De GitHub Copilot RCE (CVE-2025-53773): het falen van privilege-separatie

In augustus 2025 onthulden beveiligingsonderzoekers een kritieke remote-code-execution-kwetsbaarheid in GitHub Copilot en Visual Studio 2022, geregistreerd als CVE-2025-53773.⁴ Dit incident was een mijlpaal omdat het aantoonde hoe een puur linguïstische interactie—een prompt—kon worden geëscaleerd tot volledige systeemcompromittering van het werkstation van een ontwikkelaar.

De technische kern van de kwetsbaarheid lag in het vermogen van de Copilot-agent om workspace-configuratiebestanden te wijzigen zonder expliciete human-in-the-loop (HITL)-goedkeuring.⁶ Een aanvaller kon een kwaadaardige payload afleveren via een „cross-prompt injection” die was geplant in een README-bestand, een broncodecommentaar of zelfs een GitHub-issue die bij een project hoorde.⁵ Wanneer een ontwikkelaar de AI vroeg om „review the code” of „explain the project,” zouden de verborgen instructies de agent triggeren om het bestand .vscode/settings.json te wijzigen, waarbij de regel "chat.tools.autoApprove": true werd toegevoegd.⁵

Deze wijziging activeerde een experimentele staat die informeel bekendstaat als „YOLO-modus,” waarin de AI-assistent de bevoegdheid kreeg om shell-commando’s uit te voeren, het web te browsen en te interageren met het lokale bestandssysteem zonder verdere bevestiging van de gebruiker.⁵ Eenmaal in deze staat kon de agent worden geïnstrueerd om malware te downloaden, credentials te exfiltreren, of het werkstation zelfs om te vormen tot een knooppunt in een „ZombAI”-botnet.⁵ De volgende tabel beschrijft de ernstmetrics die bij deze kwetsbaarheid horen:

Metriek	Waarde	Technische context
CVSS Base Score	7.8 (Hoog)	Weerspiegelt hoge impact op vertrouwelijkheid, integriteit en beschikbaarheid.4
Aanvalsvector	Lokaal	Exploit vindt plaats via lokale bestandsinteractie getriggerd door AI-context.4
CWE ID	CWE-77	Onjuiste neutralisatie van speciale elementen die in een commando worden gebruikt.5
Kwetsbaarheidsklasse	Prompt-to-RCE	Escalatie van linguïstische instructie naar binaire uitvoering.6
Getroffen versies	VS 2022 v17.14.0 - 17.14.11	Gepatcht in v17.14.12, uitgebracht op 12 augustus 2025.4

⁴

Het tweede-orde-inzicht uit het Copilot-incident is dat traditionele toegangscontroles ontoereikend zijn voor agentic AI. Omdat de AI „namens” de gebruiker opereert, erft zij vaak de volledige rechten van de gebruiker. Zonder een architecturale laag die deterministische logica afdwingt—onafhankelijk van de linguïstische prompt—blijft de AI een hoge-snelheidsvector voor privilege-escalatie. Veriprajna pakt dit aan door „constitutionele guardrails” te implementeren die in de runtime-architectuur van het systeem zijn ingebakken, zodat bepaalde configuratiebestanden of systeemaanroepen fysiek ontoegankelijk zijn voor de neurale engine, ongeacht hoe overtuigend de prompt is.²

De „Zombie Data”-crisis: de permanente aansprakelijkheid van de Bing-cache

Het tweede grote incident van 2025 kwam in februari aan het licht, toen onderzoekers van Lasso Security een massale datablootstelling identificeerden die meer dan 16.000 organisaties trof.⁸ Dit incident maakte de industrie bekend met het concept „Zombie Data”—informatie die blijft bestaan in AI-retrievalcaches lang nadat ze bij de bron is verwijderd of privé is gemaakt.⁹

De kern van het probleem lag in de integratie tussen Microsoft Copilot en het indexeringsmechanisme van de Bing-zoekmachine. Bing had duizenden GitHub-repositories gecrawld en gecached die op het moment van indexering publiek waren. Wanneer die repositories vervolgens privé werden gemaakt of verwijderd—vaak omdat ze bleken gevoelige secrets te bevatten—bleef de gecachte data beschikbaar voor het retrieval-augmented generation (RAG)-systeem van Bing.⁸ Bijgevolg kon iedereen die Copilot gebruikte onbedoeld (of kwaadwillig) de AI bevragen naar snippets van code, interne packages of credentials uit wat privé enterprise-archieven hadden moeten zijn.⁸

De omvang van de blootstelling omvatte enkele van de meest prominente tech-entiteiten wereldwijd:

Organisatie	Getroffen assets	Beveiligingsimplicaties
IBM, Google, Tencent, PayPal	Privé GitHub-repositories	Blootstelling van propriëtaire IP en interne documentatie.8
Algemene enterprises	20.000+ geëxtraheerde repos	Brede blootstelling van organisatiecodebases.8
Developer secrets	300+ privé tokens/sleutels	Toegang tot GCP-, OpenAI-, Hugging Face- en AWS-omgevingen.8
Supply chain	100+ interne packages	Kwetsbaarheid voor dependency-confusion-aanvallen.8

⁸

Het Lasso-onderzoek belicht een fundamenteel gebrek in het „wrapper”-model van AI-inzet: datasoevereiniteit wordt opgeofferd omwille van gemak. Wanneer een enterprise een third-party AI-provider gebruikt die steunt op een publieke zoekmachine voor context, verliest zij feitelijk de controle over haar eigen datalevenscyclus.⁸ Veriprajna mitigeert dit via „soevereine infrastructuur,” waarbij het AI-model volledig binnen de eigen omgeving van de klant wordt ingezet, zonder afhankelijkheden van externe zoekcaches of third-party API’s.² Door een „closed-loop”-retrievalsysteem te handhaven, waarborgen wij dat „zombie”-blootstellingen technisch onmogelijk zijn.

De compromittering van de Amazon Q-extensie: het vergiftigen van de suggestie-engine

De derde pijler van de crisis van 2025 was de compromittering van de Amazon Q Developer-extensie voor Visual Studio Code in juli.¹³ Dit was een klassieke supply-chain-aanval die aantoonde hoe de „behulpzaamheid” van AI kan worden bewapend tegen de ontwikkelaars die zij geacht wordt te ondersteunen.

De aanval werd mogelijk gemaakt door een onjuist gescoopt GitHub-token in een CI/CD-service (CodeBuild) die werd gebruikt om de aws-toolkit-vscode-repository te beheren.¹⁵ Dit stelde een aanvaller in staat een kwaadaardig bestand genaamd src/amazonq/prompts/cleaner.md rechtstreeks in de source tree te committen.¹³ Dit bestand was een „prompttemplate”—een set instructies die de extensie automatisch aan de Amazon Q AI zou voeden om haar codegeneratie te sturen.¹³

De kwaadaardige prompt, misleidend „cleaner” genoemd, instrueerde de AI om zich te gedragen als een destructieve systeemcleaner.¹³ Zij spoorde de AI aan Bash-commando’s voor te stellen die de home directory van de gebruiker zouden wissen en AWS CLI-aanroepen uit te voeren om EC2-instances te beëindigen, S3-buckets te verwijderen en IAM-users te verwijderen.¹³ Omdat ontwikkelaars AI-gegenereerde code vaak vertrouwen zonder regel-voor-regel verificatie, vormde de aanwezigheid van deze suggesties in een vertrouwde officiële update een existentieel risico voor zowel lokale ontwikkelomgevingen als productie-cloudinfrastructuur.¹³

Incidentcomponent	Technisch detail
Ingangspunt	Onjuist geconfigureerd GitHub-token in CodeBuild.15
Geïnjecteerd bestand	cleaner.md (kwaadaardige prompttemplate).13
Primaire vectoren	Lokaal rm -rf, Cloud aws ec2 terminate-instances.13
Stealthmechanisme	Instructies om verborgen bestanden over te slaan; logging naar /tmp/CLEANER.LOG.13
Distributie	Versie 1.84.0 op VS Code Marketplace (950k+ installs).13

¹³

Het Amazon Q-incident bewijst dat „prompts de nieuwe code zijn.” Als een organisatie haar prompttemplates niet met dezelfde strengheid beveiligt als haar binaries, laat zij een gapend gat in haar software-supply-chain achter.¹⁶ Bij Veriprajna behandelen wij promptbestanden als uitvoerbare artifacts die cryptografische ondertekening en rigoureuze security review moeten ondergaan voordat zij het gedrag van een agentic systeem mogen beïnvloeden.¹⁰

Het Veriprajna-paradigma: van stochastische waarschijnlijkheid naar neuro-symbolische waarheid

De tekortkomingen van Copilot, Bing en Amazon Q zijn geen geïsoleerde incidenten; het zijn systemische tekortkomingen van puur probabilistische modellen. Traditionele Large Language Models (LLM’s) zijn in wezen „stochastische engines” die het volgende meest waarschijnlijke token voorspellen op basis van statistische patronen.¹⁸ Hoewel zij uitblinken in natuurlijke-taalvloeiendheid, missen zij een epistemologisch kader—zij begrijpen geen „waarheid,” alleen „plausibiliteit”.²

Veriprajna pakt dit aan door hybride systemen te ontwerpen die twee onderscheiden AI-culturen samenvoegen:

1. Het connectionistische/neurale systeem (System 1): Dit dient als de „Stem.” Het handelt natuurlijke-taalperceptie, patroonherkenning en creatieve intuïtie af. Het is de interface die de intentie van de ontwikkelaar begrijpt.¹⁸
2. Het symbolische/logische systeem (System 2): Dit dient als het „Brein.” Het handelt deterministisch redeneren, auditeerbare berekeningen en de afdwinging van domeinspecifieke constraints af. Het is de engine die waarborgt dat de acties van de AI logisch consistent en veilig zijn.¹⁸

Door de „Stem” van het „Brein” te ontkoppelen, waarborgen wij dat de AI niet door een overtuigende prompt kan worden misleid tot een onveilige actie. Als een neuraal model (System 1) een commando voorstelt dat een harde logische regel in de symbolische engine (System 2) schendt—zoals „verwijder nooit een database in een productie-VPC”—wordt de actie gevetood voordat zij kan worden uitgevoerd.¹⁸

Architecturale guardrails versus linguïstische guardrails

De huidige aanpak van de industrie voor AI-veiligheid steunt zwaar op „linguïstische guardrails”—instructies die de AI zeggen „behulpzaam en onschadelijk te zijn.” Zoals de inbreuken van 2025 echter hebben getoond, worden deze gemakkelijk omzeild via „jailbreaking” of indirecte prompt injection.¹⁹

Veriprajna implementeert „architecturale guardrails” die in de runtime van het systeem zijn ingebakken. Wij gebruiken een mechanisme genaamd KG-Trie Verification, waarbij de output van een neuraal model wordt begrensd door een Knowledge Graph (KG). Als het model probeert een feit, een citatie of een commando te genereren dat niet binnen de geverifieerde KG bestaat, voorkomt het systeem fysiek de generatie van die tokens.²

In de context van Infrastructure as Code (IaC) betekent dit dat onze agents fysiek niet in staat zijn een terraform destroy-commando te genereren, tenzij de specifieke symbolische staat van de workflow dat toestaat, ongeacht wat er in de prompttemplate staat.²

Physics-informed neurale netwerken en edge-native AI

Onze „Deep AI”-aanpak reikt verder dan linguïstische modellen tot in het domein van computer vision en industriële automatisering. Voor onze verzekerings- en maakindustrieklanten bouwen wij „physics-informed” neurale architecturen.²¹ In verzekeringsforensiek, in plaats van een algemene vision-API te gebruiken om voertuigschade te „raden,” gebruiken onze modellen Semantic Segmentation en Monocular Depth Estimation om het daadwerkelijke volume van een deuk te berekenen en oppervlaktecontinuïteit te verifiëren via Specular Reflection Analysis.²¹

In industriële settings lossen wij de „latencycrisis” op door af te stappen van cloudafhankelijke architecturen.²² Traditionele cloudgebaseerde AI lijdt onder netwerkjitter, waardoor deterministische besturing van hogesnelheidsmachines onmogelijk wordt.²² Wij zetten gekwantiseerde modellen rechtstreeks in op edge-apparaten (bijv. NVIDIA Jetson), waardoor inference-latency daalt van 800ms naar 12ms.²² Voor akoestische monitoring implementeren wij TinyML-modellen op microcontrollers die een kill-switch kunnen triggeren in slechts 5ms bij detectie van de spectrale signatuur van een lagerfalen.²²

$$Latency_{Edge} \ll Latency_{Cloud} + Network\ Jitter$$

Door deterministische tijd terug te brengen naar de fabrieksvloer, waarborgt Veriprajna dat AI een instrument voor beheersing is, geen bron van stochastisch risico.

Het NIST AI RMF 2.0 en de weg naar volwassenheid

Om organisaties te helpen dit complexe landschap te navigeren, stemt Veriprajna haar inzet af op het evoluerende NIST AI Risk Management Framework (AI RMF) en de OWASP Top 10 for LLM Applications van 2025.²³ Het bereiken van „AI-volwassenheid” gaat niet over het patchen van individuele kwetsbaarheden; het gaat over het vestigen van een continue levenscyclus van governance, meting en management.

De OWASP Top 10 for LLM Applications van 2025

De OWASP-update van 2025 weerspiegelt de rijping van AI-dreigingen en tillt zorgen als „Excessive Agency” en „System Prompt Leakage” naar de top van de prioriteitenlijst.²⁴

Rang	Risico-ID	Dreigingscategorie	Primaire mitigatie
1	LLM01:2025	Prompt Injection	Inputfiltering en constrained decoding.24
2	LLM02:2025	Sensitive Info Disclosure	Response-anonimisering en datamasking.24
3	LLM03:2025	Supply Chain	AIBOM en maintainer-anomaliedetectie.10
4	LLM04:2025	Data & Model Poisoning	Provenance-controles en continue evaluatie.24
6	LLM06:2025	Excessive Agency	Least-privilege en human-in-the-loop-gates.24

²⁴

De Copilot RCE was een directe manifestatie van Excessive Agency (LLM06), terwijl de Amazon Q-extensie een falen was in Supply Chain (LLM03)-beveiliging.¹³ De architectuur van Veriprajna is ontworpen om rechtstreeks op deze risico’s te mappen, en biedt uniforme bescherming die de kloof overbrugt tussen traditionele AppSec en moderne AI-beveiliging.

Implementatie van de Secure AI Software Development Life Cycle (SSDLC)

Een volwassen AI-strategie vereist dat beveiliging in elke fase van het ontwikkelproces wordt ingebed—van requirements gathering tot runtime-monitoring.²⁶

1. Requirements/Design: Wij voeren threat modeling uit specifiek voor agentic capabilities, en identificeren „trust boundaries” waar de AI interageert met externe API’s of lokale bestanden.²⁷
2. Development: Wij dwingen secure coding-richtlijnen af en gebruiken SAST (Static Application Security Testing) om te scannen op onveilige promptstructuren en credential-lekkage in trainingsdata.²⁷
3. Testing/QA: Wij gaan verder dan eenvoudige „geslaagd/mislukt”-unittests en zetten Mutation Testing en Fuzzing in om bloot te leggen hoe een agent zich zou kunnen gedragen onder adversariële omstandigheden of onverwachte edge cases.²⁶
4. Deployment: Elk build-artifact wordt ondertekend, en de hash ervan wordt vastgelegd in een verifieerbare audit trail. Wij gebruiken Infrastructure as Code (IaC)-gates om te waarborgen dat geen AI-gedreven deployment kan doorgaan zonder te voldoen aan security-policy-allow-lists.²⁶
5. Monitoring: Wij bouwen „baseline-gedragsprofielen” voor elke AI-agent, en volgen API-aanroeppatronen, datatoegangsvolumes en resourceverbruik om anomalieën in realtime te detecteren.²⁸

Conclusie: soevereiniteit herwinnen in het tijdperk van autonomie

De inbreuken van 2025 hebben een definitieve wake-up call geleverd voor de C-suite: het „wrapper”-model van AI is geen levensvatbare enterprisestrategie meer. De risico’s van remote code execution, „zombie data”-blootstelling en supply-chain-vergiftiging zijn niet theoretisch; het zijn gerealiseerde incidenten die bijna een miljoen ontwikkelaars en 16.000 organisaties hebben getroffen.⁸

Veriprajna biedt het pad vooruit. Door af te stappen van probabilistische black boxes en toe te werken naar neuro-symbolische, soevereine infrastructuur, stellen wij de enterprise in staat haar datamoat en haar operationele zekerheid te herwinnen. Wij geloven dat AI geen bron van „command blindness” mag zijn, waarbij inbreuken ongedetecteerd en onnaspeurbaar blijven.¹⁰ In plaats daarvan moet het een auditeerbare, deterministische extensie van menselijke wijsheid zijn.

De toekomst van industrial-grade kunstmatige intelligentie ligt in architectuur, niet slechts in interfaces. Zij ligt in Deep AI-oplossingen die hun redenering bewijzen, hun data beschermen en presteren met fysieke precisie. Veriprajna is de architect van die toekomst.²

Geciteerde werken

1. State of AI 2025: Year in Review & Analysis - Lumenova AI, geraadpleegd op 9 februari 2026, https://www.lumenova.ai/blog/state-of-ai-2025/
2. About Us - Veriprajna, geraadpleegd op 9 februari 2026, https://Veriprajna.com/about
3. Beyond the Visible: Hyperspectral Deep Learning in Agriculture - Veriprajna, geraadpleegd op 9 februari 2026, https://Veriprajna.com/technical-whitepapers/agtech-hyperspectral-deep-learning
4. CVE-2025-53773 - Exploits & Severity - Feedly, geraadpleegd op 9 februari 2026, https://feedly.com/cve/CVE-2025-53773
5. CVE-2025-53773 Impact, Exploitability, and Mitigation Steps | Wiz, geraadpleegd op 9 februari 2026, https://www.wiz.io/vulnerability-database/cve/cve-2025-53773
6. GitHub Copilot: Remote Code Execution via Prompt Injection (CVE ..., geraadpleegd op 9 februari 2026, https://embracethered.com/blog/posts/2025/github-copilot-remote-code-execution-via-prompt-injection/
7. CVE-2025-53773 Detail - NVD - NIST, geraadpleegd op 9 februari 2026, https://nvd.nist.gov/vuln/detail/CVE-2025-53773
8. Lasso Finds Exposed GitHub Repos via Bing Copilot Cache, geraadpleegd op 9 februari 2026, https://www.lasso.security/resources/lasso-uncovers-sensitive-private-github-repositories-exposed-in-microsoft-copilot
9. Microsoft's Copilot found exposing thousands of private GitHub repositories, geraadpleegd op 9 februari 2026, https://www.nudgesecurity.com/post/microsofts-copilot-found-exposing-thousands-of-private-github-repositories
10. Supply Chain Vulnerabilities - Nocturnalknight's Lair, geraadpleegd op 9 februari 2026, https://nocturnalknight.co/category/information-security/supply-chain-vulnerabilities/
11. Exposed GitHub Repositories: How Copilot's Cache Created a Security Risk - FrozenLight, geraadpleegd op 9 februari 2026, https://www.frozenlight.ai/post/kobi/341/github-copilot-bing-leak/
12. Microsoft Copilot flaw exposes thousands of private GitHub repositories | Ctech, geraadpleegd op 9 februari 2026, https://www.calcalistech.com/ctechnews/article/hjuo8f25kl
13. The Amazon Q VS Code Prompt Injection Explained: Impact and Learnings for DevOps, geraadpleegd op 9 februari 2026, https://medium.com/@ismailkovvuru/the-amazon-q-vs-code-prompt-injection-explained-impact-and-learnings-for-devops-3a9d2f752dea
14. Hacker Injects Destructive Commands into Amazon Q AI Coding ..., geraadpleegd op 9 februari 2026, https://oecd.ai/en/incidents/2025-07-23-581e
15. How AWS averted an AI coding supply chain disaster | ReversingLabs, geraadpleegd op 9 februari 2026, https://www.reversinglabs.com/blog/aws-amazonq-ai-incident
16. When AI Assistants Turn Against You: The Amazon Q Security Wake-Up Call - DevOps.com, geraadpleegd op 9 februari 2026, https://devops.com/when-ai-assistants-turn-against-you-the-amazon-q-security-wake-up-call/
17. Hacker inserts destructive code in Amazon Q tool as update goes live - CSO Online, geraadpleegd op 9 februari 2026, https://www.csoonline.com/article/4027963/hacker-inserts-destructive-code-in-amazon-q-as-update-goes-live.html
18. The Cognitive Enterprise: Neuro-Symbolic Truth vs. Stochastic ..., geraadpleegd op 9 februari 2026, https://Veriprajna.com/technical-whitepapers/cognitive-enterprise-neuro-symbolic-truth
19. Glossary of AI Terms in Security Solutions, geraadpleegd op 9 februari 2026, https://www.securityindustry.org/report/glossary-of-ai-terms-in-security-solutions/
20. Safeguard your generative AI workloads from prompt injections | AWS Security Blog, geraadpleegd op 9 februari 2026, https://aws.amazon.com/blogs/security/safeguard-your-generative-ai-workloads-from-prompt-injections/
21. The Forensic Imperative: Deterministic Computer Vision in Insurance - Veriprajna, geraadpleegd op 9 februari 2026, https://Veriprajna.com/technical-whitepapers/insurance-ai-computer-vision-forensics
22. The Latency Kill-Switch: Industrial AI Beyond the Cloud - Veriprajna, geraadpleegd op 9 februari 2026, https://Veriprajna.com/technical-whitepapers/industrial-ai-latency-edge-computing
23. NIST AI RMF 2025 Updates: What You Need to Know About the Latest Framework Changes, geraadpleegd op 9 februari 2026, https://www.ispartnersllc.com/blog/nist-ai-rmf-2025-updates-what-you-need-to-know-about-the-latest-framework-changes/
24. OWASP Top 10 for LLMs 2025: Key Risks and Mitigation Strategies - Invicti, geraadpleegd op 9 februari 2026, https://www.invicti.com/blog/web-security/owasp-top-10-risks-llm-security-2025
25. OWASP Top 10 Risks for Large Language Models: 2025 updates - Barracuda Blog, geraadpleegd op 9 februari 2026, https://blog.barracuda.com/2024/11/20/owasp-top-10-risks-large-language-models-2025-updates
26. What Is SDLC Security? - Palo Alto Networks, geraadpleegd op 9 februari 2026, https://www.paloaltonetworks.com/cyberpedia/what-is-secure-software-development-lifecycle
27. Secure SDLC: A Comprehensive Guide | Secure Software Development Life Cycle - Snyk, geraadpleegd op 9 februari 2026, https://snyk.io/articles/secure-sdlc/
28. Security for AI Agents: Protecting Intelligent Systems in 2025, geraadpleegd op 9 februari 2026, https://www.obsidiansecurity.com/blog/security-for-ai-agents
29. Agentic AI Security: A Guide to Threats, Risks & Best Practices 2025 | Rippling, geraadpleegd op 9 februari 2026, https://www.rippling.com/blog/agentic-ai-security