Bij LLMJacking kapen criminelen de zakelijke toegang tot taalmodellen om die zelf te gebruiken of door te verkopen. De gemelde incidenten troffen organisaties in de financiële sector, detailhandel, technologie en transport in Noord en Zuid Amerika en Azië Pacific.
Gepubliceerd doorBewerkt met GPT-6 LunaAfbeeldingen gegenereerd met GPT Image 2
Research answer

Create a landscape editorial hero image for this Studio Global article: What did Google’s Mandiant and Google Threat Intelligence Group report on November 2, 2026, about LLMJacking incidents across financial serv. Article summary: Google’s Mandiant and Google Threat Intelligence Group reported on November 2, 2026, that criminals were hijacking enterprise LLM access and monetizing it at victims’ expense, producing fraudulent charges above $100,000 . Topic tags: general, documentation, general web. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fak
Google Mandiant en de Google Threat Intelligence Group (GTIG) melden dat criminelen in 2026 toegang tot zakelijke AI-modellen hebben gekaapt en die toegang zelf gebruikten of doorverkochten. De rekening kwam bij de getroffen organisaties terecht: in sommige gevallen liepen de frauduleuze cloudkosten op tot meer dan $100.000 op één dag. Bij enkele bedrijven waren de kosten opgelopen tot $1 miljoen voordat de toegang werd ingetrokken. 4
LLMJacking is het kapen van de toegang die een organisatie heeft tot grote taalmodellen (LLM’s) en de bijbehorende rekenkracht. Het gaat hier om misbruik van zakelijke cloud- en modeltoegang, niet simpelweg om het manipuleren van een chatbot waar klanten mee praten. Criminelen kunnen de toegang gebruiken voor hun eigen activiteiten of aanvragen van andere gebruikers via het account van het slachtoffer laten lopen. 4
De incidenten die Mandiant onderzocht, troffen organisaties in de financiële sector, detailhandel, technologie en transport in Noord- en Zuid-Amerika en Azië-Pacific. Daarbij waren verschillende cloud- en LLM-aanbieders betrokken. 4
De gemelde toegangsroutes omvatten gestolen cloudgegevens, API-sleutels voor LLM’s en toegangstokens. In incidentoverzichten worden ook IAM-inloggegevens, sleutels van serviceaccounts, GitHub Personal Access Tokens en gekaapte sessietokens genoemd. 3
5
9
Eenmaal binnen kunnen aanvallers de bevoegde toegang van een bedrijf gebruiken om AI-modellen aan te spreken. Sommigen verkopen die toegang vervolgens door via tussenliggende diensten. Zo komen de kosten voor inference — de rekenverwerking die nodig is om modelverzoeken te beantwoorden — voor rekening van het getroffen bedrijf. 3
De kosten kunnen snel oplopen. Volgens Google overschreden de frauduleuze kosten in sommige incidenten $100.000 op één dag. Bij enkele organisaties liep het totaal op tot $1 miljoen voordat de toegang werd afgesloten.
In berichtgeving over Google’s onderzoek wordt beschreven hoe de groep UNC6993 via een verkeerd geconfigureerde sleutel van een serviceaccount toegang kreeg tot een cloudomgeving en van daaruit een LLM-API bereikte. 17 De casus laat zien hoe een zwakke plek in een cloudidentiteit kan uitmonden in ongeoorloofd gebruik van AI-modellen.
Een ander onderdeel van het criminele ecosysteem bestaat uit zogenoemde ‘LLM Mixers’: diensten die verzoeken van betalende klanten doorsturen via gekaapte modeltoegang. Jet Night is daar een voorbeeld van. De dienst werd in verband gebracht met meer dan 500.000 API-aanroepen in minder dan acht uur en bijna $1 miljoen aan tokenkosten voor één slachtoffer. 18
Volgens berichtgeving bood Jet Night toegang aan voor ongeveer $60 per maand, tegenover circa $100 tot $250 voor legitieme abonnementen. 18
20 Dat prijsverschil past bij het doorverkoopmodel: klanten betalen de tussenpersoon, terwijl de organisatie waarvan de inloggegevens zijn gestolen de rekening kan krijgen.
Berichtgeving over Google’s onderzoek stelt dat aanvallers CVE-2026-40217 in LiteLLM, een gateway voor AI-modellen, misbruikten om gewone virtuele sleutels om te zetten in beheerderstoegang. 17 Een andere aangeleverde bron wijst echter op een verschil tussen Googles beschrijving en de reactie in een LiteLLM-beveiligingsadvies. De beschikbare bronnen lossen dat verschil niet op; de precieze technische uitleg moet daarom met voorzichtigheid worden gelezen.
Google’s onderzoekers zetten LLMJacking af tegen cryptojacking, waarbij rekenkracht voor het delven van cryptovaluta wordt misbruikt. LLMJacking kan volgens hen binnen enkele uren grote pieken in frauduleuze cloudkosten veroorzaken, in plaats van een meer geleidelijke aanslag op middelen. De gemelde incidenten laten zien dat ongeoorloofde AI-toegang ook een kostenbeheersingsprobleem is: met een gestolen toegangssleutel kan veel gebruik plaatsvinden voordat een organisatie het opmerkt en de toegang intrekt.
Voor organisaties die AI-modellen via de cloud gebruiken, wijzen de incidenten op praktische aandachtspunten: bescherm cloudidentiteiten en API-sleutels, controleer waar tokens terechtkomen en houd gebruik en kosten in de gaten op onverwachte veranderingen. Dit zijn verdedigende lessen die volgen uit de gemelde toegangsroutes en financiële gevolgen, geen volledige lijst aanbevelingen die hier rechtstreeks aan Google wordt toegeschreven. 3
5
Studio Global AI
This page includes a source-backed answer you can continue inside Studio Global.
Bij LLMJacking kapen criminelen de zakelijke toegang tot taalmodellen om die zelf te gebruiken of door te verkopen.
Bij LLMJacking kapen criminelen de zakelijke toegang tot taalmodellen om die zelf te gebruiken of door te verkopen. De gemelde incidenten troffen organisaties in de financiële sector, detailhandel, technologie en transport in Noord en Zuid Amerika en Azië Pacific.
Een doorverkoopdienst genaamd Jet Night werd in verband gebracht met meer dan 500.000 API aanroepen in minder dan acht uur.
Bij LLMJacking kapen criminelen de zakelijke toegang tot taalmodellen om die zelf te gebruiken of door te verkopen. De gemelde incidenten troffen organisaties in de financiële sector, detailhandel, technologie en transport in Noord en Zuid Amerika en Azië Pacific.
Gepubliceerd doorBewerkt met GPT-6 LunaAfbeeldingen gegenereerd met GPT Image 2
Research answer

Create a landscape editorial hero image for this Studio Global article: What did Google’s Mandiant and Google Threat Intelligence Group report on November 2, 2026, about LLMJacking incidents across financial serv. Article summary: Google’s Mandiant and Google Threat Intelligence Group reported on November 2, 2026, that criminals were hijacking enterprise LLM access and monetizing it at victims’ expense, producing fraudulent charges above $100,000 . Topic tags: general, documentation, general web. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fak
Google Mandiant en de Google Threat Intelligence Group (GTIG) melden dat criminelen in 2026 toegang tot zakelijke AI-modellen hebben gekaapt en die toegang zelf gebruikten of doorverkochten. De rekening kwam bij de getroffen organisaties terecht: in sommige gevallen liepen de frauduleuze cloudkosten op tot meer dan $100.000 op één dag. Bij enkele bedrijven waren de kosten opgelopen tot $1 miljoen voordat de toegang werd ingetrokken. 4
LLMJacking is het kapen van de toegang die een organisatie heeft tot grote taalmodellen (LLM’s) en de bijbehorende rekenkracht. Het gaat hier om misbruik van zakelijke cloud- en modeltoegang, niet simpelweg om het manipuleren van een chatbot waar klanten mee praten. Criminelen kunnen de toegang gebruiken voor hun eigen activiteiten of aanvragen van andere gebruikers via het account van het slachtoffer laten lopen. 4
De incidenten die Mandiant onderzocht, troffen organisaties in de financiële sector, detailhandel, technologie en transport in Noord- en Zuid-Amerika en Azië-Pacific. Daarbij waren verschillende cloud- en LLM-aanbieders betrokken. 4
De gemelde toegangsroutes omvatten gestolen cloudgegevens, API-sleutels voor LLM’s en toegangstokens. In incidentoverzichten worden ook IAM-inloggegevens, sleutels van serviceaccounts, GitHub Personal Access Tokens en gekaapte sessietokens genoemd. 3
5
9
Eenmaal binnen kunnen aanvallers de bevoegde toegang van een bedrijf gebruiken om AI-modellen aan te spreken. Sommigen verkopen die toegang vervolgens door via tussenliggende diensten. Zo komen de kosten voor inference — de rekenverwerking die nodig is om modelverzoeken te beantwoorden — voor rekening van het getroffen bedrijf. 3
De kosten kunnen snel oplopen. Volgens Google overschreden de frauduleuze kosten in sommige incidenten $100.000 op één dag. Bij enkele organisaties liep het totaal op tot $1 miljoen voordat de toegang werd afgesloten.
In berichtgeving over Google’s onderzoek wordt beschreven hoe de groep UNC6993 via een verkeerd geconfigureerde sleutel van een serviceaccount toegang kreeg tot een cloudomgeving en van daaruit een LLM-API bereikte. 17 De casus laat zien hoe een zwakke plek in een cloudidentiteit kan uitmonden in ongeoorloofd gebruik van AI-modellen.
Een ander onderdeel van het criminele ecosysteem bestaat uit zogenoemde ‘LLM Mixers’: diensten die verzoeken van betalende klanten doorsturen via gekaapte modeltoegang. Jet Night is daar een voorbeeld van. De dienst werd in verband gebracht met meer dan 500.000 API-aanroepen in minder dan acht uur en bijna $1 miljoen aan tokenkosten voor één slachtoffer. 18
Volgens berichtgeving bood Jet Night toegang aan voor ongeveer $60 per maand, tegenover circa $100 tot $250 voor legitieme abonnementen. 18
20 Dat prijsverschil past bij het doorverkoopmodel: klanten betalen de tussenpersoon, terwijl de organisatie waarvan de inloggegevens zijn gestolen de rekening kan krijgen.
Berichtgeving over Google’s onderzoek stelt dat aanvallers CVE-2026-40217 in LiteLLM, een gateway voor AI-modellen, misbruikten om gewone virtuele sleutels om te zetten in beheerderstoegang. 17 Een andere aangeleverde bron wijst echter op een verschil tussen Googles beschrijving en de reactie in een LiteLLM-beveiligingsadvies. De beschikbare bronnen lossen dat verschil niet op; de precieze technische uitleg moet daarom met voorzichtigheid worden gelezen.
Google’s onderzoekers zetten LLMJacking af tegen cryptojacking, waarbij rekenkracht voor het delven van cryptovaluta wordt misbruikt. LLMJacking kan volgens hen binnen enkele uren grote pieken in frauduleuze cloudkosten veroorzaken, in plaats van een meer geleidelijke aanslag op middelen. De gemelde incidenten laten zien dat ongeoorloofde AI-toegang ook een kostenbeheersingsprobleem is: met een gestolen toegangssleutel kan veel gebruik plaatsvinden voordat een organisatie het opmerkt en de toegang intrekt.
Voor organisaties die AI-modellen via de cloud gebruiken, wijzen de incidenten op praktische aandachtspunten: bescherm cloudidentiteiten en API-sleutels, controleer waar tokens terechtkomen en houd gebruik en kosten in de gaten op onverwachte veranderingen. Dit zijn verdedigende lessen die volgen uit de gemelde toegangsroutes en financiële gevolgen, geen volledige lijst aanbevelingen die hier rechtstreeks aan Google wordt toegeschreven. 3
5
Studio Global AI
This page includes a source-backed answer you can continue inside Studio Global.
Bij LLMJacking kapen criminelen de zakelijke toegang tot taalmodellen om die zelf te gebruiken of door te verkopen.
Bij LLMJacking kapen criminelen de zakelijke toegang tot taalmodellen om die zelf te gebruiken of door te verkopen. De gemelde incidenten troffen organisaties in de financiële sector, detailhandel, technologie en transport in Noord en Zuid Amerika en Azië Pacific.
Een doorverkoopdienst genaamd Jet Night werd in verband gebracht met meer dan 500.000 API aanroepen in minder dan acht uur.