Stel dezelfde schadelijke vraag aan een AI-chatbot, maar verwoord hem telkens anders. Klinkt onschuldig — en dat is precies het probleem. Onderzoekers ontdekten dat de schrijfstijl van een prompt doorslaggevend is voor de vraag of een groot taalmodel (LLM) een gevaarlijk verzoek weigert of gewoon uitvoert. Door alleen de stijl aan te passen, laten veiligheidsfilters zich systematisch misleiden.
In een wetenschappelijk rapport van 1 september 2026 beschrijven Priyanshu Mohanty, Sarthakbrata Halder en hun team dat stijl fungeert als een onzichtbaar aanvalsoppervlak. Volgens de publicatie op arxiv.org leidt één schadelijk doel in verschillende verpakkingen tot drastisch verschillende resultaten. Sommige formuleringen mislukken vrijwel altijd. Andere stijlen doorbraken de barrières van de AI in wel 80% van de gevallen. Conclusie: de huidige training van deze modellen herkent schadelijke intentie niet betrouwbaar zodra de presentatie verandert.
Slim framework, weinig rekenkracht nodig
Om de kwetsbaarheid in kaart te brengen, bouwden de auteurs een specifiek framework. Het combineert een stijl-geconditioneerde generator met een selector op basis van BERT. Die methode levert resultaten die vergelijkbaar zijn met complexere en duurdere optimalisatietechnieken — maar dan met aanzienlijk minder rekeninspanning.
De onderzoekers gingen ook dieper: ze analyseerden de mechanische werking van het model LLaMA-3.1-8B. Wat bleek? Stilistische wijzigingen verstoren de interne representaties die normaal een weigering triggeren. Het model herkent de schadelijke intentie nog steeds, maar het mechanisme dat de blokkade moet activeren wordt effectief omzeild. Dat wijst op een gedistribueerde foutmodus, niet op één centraal beveiligingspunt dat je kunt dichten.
🧠 Even simpel uitgelegd
Stel je een portier voor die alleen kijkt naar hoe je gekleed bent, niet naar wat je zegt. Kom je in een pak binnen, dan laat hij je door; in een hoodie niet. AI-modellen hebben iets vergelijkbaars: ze leren tijdens hun training dat bepaalde soorten zinnen 'gevaarlijk' zijn en moeten die weigeren. Maar de beveiliging zit niet op één vaste plek in het model — hij is verspreid over het hele systeem. Verander alleen de stijl van je vraag, dan raakt die verspreide beveiliging in de war. De AI ziet nog wél dat je iets verbodens vraagt, maar de interne 'stop'-knop wordt niet meer ingedrukt.
Dergelijke technieken om AI-beperkingen te omzeilen vallen onder het bredere concept van 'jailbreaking'. Voor meer algemene informatie over hoe zulke manipulaties van AI-systemen werken, biedt de jailbreak.fandom.com een overzicht van diverse methoden en community-ervaringen met het omzeilen van filters.
De oplossing: veiligheid mét behoud van bruikbaarheid
De wetenschappers ontwikkelden ook een tegengif: de style-aware Direct Preference Optimization (DPO). Deze verdedigingsmethode is specifiek gericht op robuustheid tegen stilistische manipulaties. De resultaten zijn veelbelovend: in tests daalde het succespercentage van aanvallen van 86% naar 19,5%. Cruciaal daarbij is dat de algemene functionaliteit van het model behouden bleef. Veiligheid verbeteren hoeft dus niet ten koste te gaan van bruikbaarheid.
De auteurs concluderen dat linguïstische stijl voortaan als een kritieke factor moet gelden bij het ontwikkelen van adversariële robuustheid van kunstmatige intelligentie. Wie AI-systemen veilig wil bouwen, kan de manier waarop vragen worden gesteld niet langer negeren.