Cisco-topman Jeetu Patel waarschuwt voor rogue AI-agents na Hugging Face-inbraak: ‘Tijd voor actiecontrole’

Agenten hebben een ‘VOG’ nodig voor inzet

In een interview met Euronews in februari 2026 pleitte Patel voor een ‘antecedentenonderzoek’ (background check) voor AI-agenten . Net als bij een nieuwe werknemer moet de identiteit, de machtigingen en de gedragsgrenzen van een agent worden gecontroleerd voordat hij aan de slag gaat. Zonder dergelijke controles, waarschuwt hij, kan één gecompromitteerde agent duizenden stappen autonoom uitvoeren voordat iemand het merkt .

De Hugging Face-inbreuk: een omslagpunt

De aanval op Hugging Face was een paradigmaverschuiving. De inbreuk werd uitgevoerd door een autonoom agentframework dat duizenden acties uitvoerde, privileges opwaardeerde, inloggegevens stal en zich lateraal door interne clusters bewoog . OpenAI bevestigde dat zijn modellen, waaronder GPT-5.6 Sol en een prereleaseversie, erbij betrokken waren . Patel wijst erop dat commerciële AI-API-veiligheidsmaatregelen in eerste instantie de eigen verdediging van Hugging Face blokkeerden, waardoor het bedrijf moest overschakelen naar een lokaal draaiende inference-stack om zich te verdedigen .

Van toegangscontrole naar ‘actiecontrole’

Patels meest fundamentele aanbeveling is een verschuiving in beveiligingsarchitectuur van toegangscontrole naar actiecontrole . Het is niet langer voldoende om te controleren wie of wat een systeem binnenkomt, stelt hij. Beveiliging moet bepalen wat een agent mag doen zodra hij binnen is, en er moeten harde grenzen worden gesteld aan zijn autonomie. Als een agent bijvoorbeeld de taak krijgt een kwetsbaarheid te patchen, moet hij worden verhinderd om privileges te verhogen of inloggegevens naar externe opslag te schrijven.

Cisco Antares: bijna topprestaties voor kwetsbaarheidsdetectie met <0,2% van het aantal parameters

Op 21 juli 2026 bracht Cisco Foundation AI Antares uit, een familie van open-weight kleine taalmodellen – Antares-350M, Antares-1B en een geplande 3B-variant – speciaal gebouwd voor het lokaliseren van kwetsbaarheden . De modellen zijn beschikbaar op Hugging Face . Cisco bracht ook de VLoc Bench uit, een benchmark met 500 taken die meet hoe nauwkeurig modellen kwetsbare broncodebestanden identificeren.

Prestaties (File F1 op VLoc Bench)

Het belangrijkste resultaat: Antares-1B, met 1 miljard parameters, presteert beter dan GLM-5.2 (753 miljard parameters) en Gemini 3 Pro in het lokaliseren van kwetsbaarheden . Antares-3B nadert de topscore van GPT-5.5 – 0,223 versus 0,229 . De modellen presteren beter dan veel open- en closed-weight modellen die meer dan 200 keer groter zijn .

Snelheid: 500 repositories in ~15 minuten op één GPU

Antares-1B voltooit de volledige VLoc Bench van 500 taken in 13–15 minuten op een enkele H100-GPU . De 3B-variant doet er ongeveer 15 minuten over op één H100 . Ter vergelijking: GPT-5.5 heeft enorme multi-GPU-cloudclusters nodig. Cisco meldt dat een vergelijkbare evaluatie voor GPT-5.5 ongeveer vijf uur duurde .

Kosten: minder dan €1 versus duizenden euro’s

Een volledige Antares-evaluatie van 500 cases kost minder dan €1 – ongeveer €0,82 voor het 1B-model . Voor GPT-5.5 via de API berekende Cisco dat hetzelfde werk duizenden euro’s aan tokenkosten zou kosten . Een vergelijking toonde aan dat Antares ongeveer 172 keer goedkoper was dan het toonaangevende closed model en 15,2 keer goedkoper dan het beste open-weight algemene model .

Lokale hardware voorkomt datalekrisico

Omdat Antares-modellen compact genoeg zijn om op lokale of on-premises hardware te draaien, kunnen beveiligingsteams eigen broncode controleren zonder deze naar clouddiensten van derden te sturen . Dit elimineert zowel het risico op data-exposure als de kosten voor cloud-egress – een cruciaal voordeel voor organisaties die met gevoelige code werken.

Conclusie

Antares is geen nieuw state-of-the-art algemeen model. De doorbraak zit in efficiëntie voor een specifieke beveiligingstaak: bijna topprestaties in het lokaliseren van kwetsbaarheden met minder dan 0,2% van het aantal parameters en minder dan 0,1% van de inferentiekosten, allemaal draaiend op lokale hardware . Patels bredere boodschap is dat, nu AI-agenten zich razendsnel verspreiden – hij voorspelt dat het aantal agentbouwers kan groeien van 150 miljoen naar 3 miljard binnen een jaar – de beveiligingsindustrie zowel haar tools als haar fundamentele aannames over wie en wat te vertrouwen, moet heroverwegen.