Phantom squatting: wanneer oplichters LLM’s kapen

Vraag een AI-assistent naar het inlogportaal van je bank, de schadepagina van je verzekeraar of het retourbeleid van een winkel, en de kans is groot dat hij vol overtuiging een domein teruggeeft dat precies goed klinkt. Het probleem: dat domein bestaat vaak helemaal niet. Grote taalmodellen verzinnen regelmatig plausibele webadressen voor echte merken, waarbij ze gaten in hun trainingsdata opvullen met namen die structureel correct aanvoelen, ook al heeft niemand ze ooit geregistreerd. Beveiligingsonderzoekers noemen dit fenomeen inmiddels phantom squatting, en het vormt een van de meer verontrustende ketenrisico’s die voortkomen uit de bedrijfsmatige adoptie van AI.

Deze blog legt uit hoe phantom squatting werkt, waarom het vooral bank- en retailmerken hard raakt, en wat het cyber threat intelligence-team van EBRAND doet om deze phantom-domeinen op te sporen voordat criminelen ze als wapen inzetten. We bekijken ook hoe phantom llm-cybersquatting past in het bredere patroon van AI-gedreven cyberaanvallen dat het risicolandschap voor bedrijven verandert. Als je merk afhankelijk is van zichtbaarheid in AI, en tegenwoordig geldt dat voor vrijwel elk merk, dan is het belangrijk om deze dreiging te begrijpen. Begin met een gratis threat intelligence-rapport om te zien welke phantom-domeinen je organisatie al bedreigen.

Wat phantom squatting precies inhoudt

Phantom squatting beschrijft de praktijk waarbij cybercriminelen de niet-bestaande domeinen registreren die AI-modellen voor legitieme merken hallucineren, om die domeinen vervolgens te voorzien van phishingkits, malware of formulieren om inloggegevens te stelen. Het mechanisme verschilt wezenlijk van klassiek typosquatting. Typosquatting maakt gebruik van menselijke fouten: iemand tikt een URL verkeerd in en komt terecht op een lookalike-pagina. Phantom squatting maakt in plaats daarvan gebruik van machinefouten. De AI-assistent verzint een domein dat nooit heeft bestaan, presenteert dit als feit, en een persoon — of steeds vaker een autonome agent — volgt die aanbeveling regelrecht naar gebied dat door de aanvaller wordt gecontroleerd.

Wat phantom-AI-aanvallen zo gevaarlijk maakt, is hun herhaalbaarheid. Onderzoekers hebben ontdekt dat LLM’s geen willekeurige ruis produceren wanneer ze een domein hallucineren. Ze genereren over verschillende zoekopdrachten heen keer op keer hetzelfde fictieve adres, omdat het model steunt op consistente patronen in merknaamgeving, sectorconventies en regionale extensies. Die voorspelbaarheid werkt in twee richtingen. Het geeft aanvallers een routekaart voor welke phantom-domeinen ze als eerste moeten registreren, maar het geeft verdedigers precies diezelfde routekaart, zoals we verderop bespreken.

Phantom squatting in de praktijk

Laten we een voorbeeld bekijken van hoe een actuele phantom squatting-dreiging eruit zou kunnen zien als je een bankorganisatie bent met een actieve online aanwezigheid. Stel je bijvoorbeeld voor dat je een regionale bank bent genaamd Local Bank Group, met een echte supportpagina op localbankgroup.com/support. Een klant die moeite heeft om zijn online bankwachtwoord opnieuw in te stellen, opent ChatGPT en vraagt om een link naar de klantenservicepagina van Local Bank Group. Het model, gebaseerd op veelvoorkomende naamgevingspatronen die het bij honderden financiële instellingen heeft gezien, geeft vol overtuiging iets terug als localbankgrouponline.com of support.localbankgroup-online.com. Geen van beide domeinen is van de bank. Dat is ook nooit zo geweest. De AI genereerde simpelweg het adres dat statistisch correct aanvoelde, gezien hoe vergelijkbare merken hun supportportalen structureren, en leverde die verzonnen link met dezelfde zelfverzekerde toon af die het ook voor een geverifieerd feit zou gebruiken.

Precies op dit punt wordt phantom squatting gevaarlijk. Een cybercrimineel die AI-modellen al heeft afgetast met de naam Local Bank Group, ziet datzelfde gehallucineerde domein telkens weer opduiken bij verschillende zoekopdrachten. Hij registreert het, bouwt een pagina die het echte inlogscherm van de bank nabootst tot en met het logo en het kleurenschema, en wacht af. De volgende klant die diezelfde AI-gegenereerde link ontvangt, komt terecht op een overtuigende vervalsing, voert zijn gebruikersnaam en wachtwoord in, en geeft zijn bankgegevens rechtstreeks aan een aanvaller die geen enkele phishingmail heeft hoeven versturen. De AI-assistent heeft het wervingswerk gratis gedaan. Deze dynamiek verklaart waarom bank- en retailmerken, waarbij klanten voortdurend AI-tools om inlogpagina’s en accountsupport vragen, het scherpst worden getroffen door deze dreiging.

Waarom banken en retail het grootste doelwit vormen

Phantom-typosquatting verdeelt het risico niet gelijkmatig over sectoren. Banken en financiële dienstverleners lopen een bovengemiddeld risico, omdat klanten AI-tools routinematig vragen om inlogportalen, vestigingslocaties en accountsupportpagina’s — allemaal scenario’s waarin een gehallucineerd domein echte inloggegevens kan onderscheppen. Retail- en e-commercemerken lopen een vergelijkbaar risico, aangezien shoppers AI-assistenten steeds vaker vragen om webshops, trackingpagina’s en links naar klantenservice, elk daarvan een potentieel phantom-domein dat wacht om gekraakt te worden.

De toezichthouders in de financiële sector hebben dit opgemerkt. De Europese Centrale Bank vroeg belangrijke bankinstellingen onlangs om een formeel actieplan in te dienen tegen AI-gedreven cyberaanvallen, met een indieningstermijn van 31 oktober 2026, volgens een KPMG-analyse van de ECB-richtlijn. De brief noemt zes aandachtsgebieden, waaronder versneld kwetsbaarheidsbeheer, AI-gedreven detectie en governance rond risico’s van derde partijen, en behandelt AI-gedreven dreigingen zoals phantom squatting als een compliancekwestie op bestuursniveau in plaats van een puur technisch vraagstuk.

Die regelgevende druk sluit aan bij een bredere verschuiving in hoe securityleiders denken over AI-risico’s. Zo stelt een recente analyse van de Forbes Technology Council dat het echte gevaar van AI-gedreven cyberaanvallen minder ligt in het feit dat machines menselijke verdedigers te slim af zijn, en meer in het feit dat AI de traditionele beperkingen van tijd, personeel en inspanning wegneemt die aanvallers voorheen beperkten. Phantom squatting past precies in dit patroon: een aanvaller hoeft niet langer te gokken welk nepdomein zou kunnen werken. Het AI-model heeft het al herhaaldelijk getest en een gevalideerd doelwit aangereikt.

Hoe een phantom squatting-aanvalsketen verloopt

Een phantom squatting-campagne volgt doorgaans een eenvoudige volgorde. Een aanvaller test meerdere AI-modellen met merkgerelateerde zoekopdrachten en volgt welke gehallucineerde domeinen consequent terugkeren. Zodra er een patroon ontstaat, registreert de aanvaller de meest waardevolle phantom-domeinen en bouwt daarachter phishinginfrastructuur op, soms met behulp van een AI-codeerassistent om dat proces te versnellen. Het domein ligt vervolgens stil totdat een AI-assistent het aanbeveelt aan een nietsvermoedende klant of, in toenemende mate, aan een autonome agent die namens iemand handelt.

Dit laatste punt verdient aandacht. Naarmate AI-agenten meer taken op zich nemen zonder directe menselijke controle, is er voor een phantom-domein dat verweven zit in de aanbeveling van een agent geen menselijke klik meer nodig om schade aan te richten. Een agent die een gehallucineerd API-eindpunt ophaalt of gegevens indient bij een verzonnen portaal, kan volledig zelfstandig een hele ketencompromittering voltooien, wat de inzet verhoogt voor elke organisatie die AI-tools heeft geïntegreerd in klantgerichte of interne workflows.

Voorspelbaarheid omzetten in verdediging

Dezelfde herhaalbaarheid die phantom squatting uitbuitbaar maakt, maakt het ook verdedigbaar. Omdat LLM’s voor een bepaald merk bij herhaalde zoekopdrachten geneigd zijn om dezelfde domeinen te hallucineren, kan een organisatie zelf systematische zoekopdrachten uitvoeren bij grote AI-modellen, inventariseren welke fictieve domeinen steeds weer opduiken, en die domeinen registreren of monitoren voordat een aanvaller dit doet. Dit keert de kwetsbaarheid om: in plaats van te wachten op een phishingmelding, brengen verdedigers proactief precies de phantom-domeinen in kaart die een crimineel ook zou vinden, en sluiten ze die mogelijkheid vooraf af.

De cyber threat intelligence-analisten van EBRAND voeren dit ontdekkingsproces uit voor jouw merknamen, over de AI-modellen die klanten en prospects daadwerkelijk gebruiken. In combinatie met ons Digital Risk Protection-platform identificeren we de phantom-domeinen die de grootste kans hebben cybercriminelen aan te trekken, signaleren we vroege registratieactiviteit, en ondersteunen we takedown-acties voordat een phishingkit ooit live gaat. Voor banken, retail en elk merk waarvan klanten leunen op AI-assistenten voor basale navigatie, dicht deze proactieve monitoring een gat dat traditionele domeinbescherming nooit is ontworpen om te dekken.

Blijf phantom squatting-domeinen een stap voor

Phantom squatting zal alleen maar vaker voorkomen naarmate AI-assistenten de standaardmanier worden waarop mensen online naar merken zoeken. Wachten op een klacht van een klant of een fraudemelding betekent pas reageren nadat de schade al is begonnen. Om deze groeiende dreigingen zelf onder controle te krijgen, kun je een gratis threat intelligence-rapport van EBRAND aanvragen. Samen sporen we alle phantom-domeinen op die cybercriminelen zouden kunnen gebruiken om je websitebezoekers te kapen, en gaan we proactief aan de slag tegen spookdomeinen en digitale schimmen. Laten we de AI-voetafdruk van je merk beschermen voordat iemand anders dat doet.