AI-bugjacht met vallen en opstaan: hoe u geen gratis triage voor uw agent wordt

Het lanceren van een AI-agent voor bug bounty duurt minuten, maar zonder verificatie produceert het een massa aan vals-positieven, waardoor de onderzoeker een gratis triager wordt. Van de 67 rapporten zijn er bijvoorbeeld slechts 3 geldig. Volgens gegevens van HackerOne groeide het volume aan binnenkomende rapporten in 2026 met 76% jaar-op-jaar, terwijl het aandeel bevestigde exploiteerbare bevindingen op 25% bleef, maar het aandeel kritieke en hoge bevindingen steeg naar 32%. Tegelijkertijd bedroeg de groei van geldige AI-rapporten 210%. Platforms voeren beperkingen in: curl sloot zijn programma op HackerOne per 1 februari 2026; HackerOne zette inzendingen voor de Internet Bug Bounty stop; BI.ZONE en Standoff 365 voerden dagelijkse rapportlimieten in; en Brave verbant gebruikers na twee spamrapporten. Een onderzoek (Zheng et al., 2025) naar 9.942 rapporten wees uit dat XSS 13,8% van de inzendingen uitmaakt, Information Disclosure 9,4% en Access Control met Authentication meer dan 10%. Moderne LLM's hebben de neiging ongeldige rapporten te accepteren, maar RAG helpt dit probleem op te lossen. Volgens enquêtes van Bugcrowd gebruikt 82% van de onderzoekers in 2026 generatieve AI. De auteur identificeert vier benaderingen voor AI-bug hunting: handmatige analyse met een LLM-adviseur, auto-scanners met LLM-interpretatie, een afgesloten agent en een geverifieerde pijplijn. Modellen worden betaald met lokale opstellingen (Ollama, LM Studio, vLLM), API's (krachtige modellen), abonnementen (Cursor, Claude.ai, ChatGPT) of enterpriseplatforms (Bedrock, Azure OpenAI, Vertex AI). De architectuur voor het verifiëren van bevindingen omvat drie lagen: agentregels (bijvoorbeeld tijdgebaseerde controle voor SQL-injectie, out-of-band voor server-side request forgery, headless browser voor cross-site scripting), RAG (toegang tot een kennisbank met kwetsbaarheidspatronen) en een modelcontextprotocol (tools voor actief hypothese testen).