---
id: CP-293
slug: onzichtbare-unicode-tekens-ai
lang: nl
title: "Onzichtbare Unicode-tekens: een tekst die instructies voor de AI verbergt"
description: Onzichtbare Unicode-tekens kunnen door een AI worden gelezen. Wat Microsoft in 2026 waarnam en welke werkwijzen men kan volgen.
canonical_url: https://startbrain.io/cyberpedia/nl/articles/onzichtbare-unicode-tekens-ai/
markdown_url: https://startbrain.io/cyberpedia/nl/articles/onzichtbare-unicode-tekens-ai.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: "Brain, “Onzichtbare Unicode-tekens: een tekst die instructies voor de AI verbergt”, Cyberpedia, 2026. https://startbrain.io/cyberpedia/nl/articles/onzichtbare-unicode-tekens-ai/ (CC BY 4.0)"
wing: 4
theme: prompt_correctly
reflex: air-012
schema: G1
updated: "2026-11-14"
translations:
  nl: https://startbrain.io/cyberpedia/nl/articles/onzichtbare-unicode-tekens-ai/
  fr: https://startbrain.io/cyberpedia/fr/articles/caracteres-unicode-invisibles-ia/
  en: https://startbrain.io/cyberpedia/en/articles/invisible-unicode-characters-ai/
  de: https://startbrain.io/cyberpedia/de/articles/unsichtbare-unicode-zeichen-ki/
  es: https://startbrain.io/cyberpedia/es/articles/caracteres-unicode-invisibles-ia/
  it: https://startbrain.io/cyberpedia/it/articles/caratteri-unicode-invisibili-ia/
  pl: https://startbrain.io/cyberpedia/pl/articles/niewidoczne-znaki-unicode-ai/
  pt: https://startbrain.io/cyberpedia/pt/articles/carateres-unicode-invisiveis-ia/
  ja: https://startbrain.io/cyberpedia/ja/articles/invisible-unicode-characters-ai/
sources:
  - "n": 1
    title: ASCII smuggling crosses over from AI prompt injection to phishing evasion
    publisher: Microsoft
    url: https://www.microsoft.com/en-us/security/blog/2026/09/03/ascii-smuggling-crosses-over-from-ai-prompt-injection-to-phishing-evasion/
    published: "2026-09-03"
    accessed: "2026-11-14"
  - "n": 2
    title: LLM01:2025 Prompt Injection
    publisher: OWASP
    url: https://genai.owasp.org/llmrisk/llm01-prompt-injection/
    published: "2024-04-10"
    accessed: "2026-11-14"
  - "n": 3
    title: "ChatGPT and large language models: what's the risk?"
    publisher: NCSC (Royaume-Uni)
    url: https://www.ncsc.gov.uk/blog-post/chatgpt-and-large-language-models-whats-the-risk
    published: "2023-03-14"
    accessed: "2026-11-14"
  - "n": 4
    title: "Reverse CAPTCHA: Evaluating LLM Susceptibility to Invisible Unicode Instruction Injection"
    publisher: arXiv
    url: https://arxiv.org/abs/2603.00164
    published: "2026-02-26"
    accessed: "2026-11-14"
  - "n": 5
    title: "Bypassing LLM Guardrails: An Empirical Analysis of Evasion Attacks against Prompt Injection and Jailbreak Detection Systems"
    publisher: arXiv
    url: https://arxiv.org/abs/2504.11168
    published: "2025-04-15"
    accessed: "2026-11-14"
  - "n": 6
    title: LLM Prompt Injection Prevention Cheat Sheet
    publisher: OWASP
    url: https://cheatsheetseries.owasp.org/cheatsheets/LLM_Prompt_Injection_Prevention_Cheat_Sheet.html
    accessed: "2026-11-14"
---

# Onzichtbare Unicode-tekens: een tekst die instructies voor de AI verbergt

Een tekst kan tekens bevatten die het scherm niet weergeeft. Een persoon ziet niets ongewoons, maar een AI-assistent die de ruwe tekst ontvangt, kan ze lezen, als tekst decoderen en ertoe gebracht worden instructies te volgen die de aanvaller heeft vastgelegd [1].

Microsoft beschreef op 3 september 2026 een phishingcampagne die deze tekens in financiële lokwoorden invoegde om aan de filters van de e-mail te ontsnappen [1]. Dit gebruik neemt een techniek over die in het AI-onderzoek bekendstaat als ASCII smuggling [1].

## In 30 seconden

- Waar het gebeurt: in een webpagina, een document, een e-mail of een andere inhoud die een AI-assistent ontvangt [1].
- Wat de aanvaller wil: instructies verbergen voor de mens en ze tegelijk leesbaar laten voor het model, wat kan leiden tot blootstelling van gegevens of niet-toegestane handelingen, afhankelijk van de rechten en de waarborgen van de assistent [1].
- De reflex: een externe inhoud die aan de AI wordt toevertrouwd behandelen als onbetrouwbaar [2], en geen gevoelige informatie in een verzoek aan een openbare LLM zetten, wat het NCSC (Verenigd Koninkrijk) aanbeveelt [3].

## Directe vragen

### Wat is een onzichtbaar Unicode-teken?

Het is een teken dat deel uitmaakt van de tekst, maar dat de gangbare lettertypen en interfaces niet weergeven. Microsoft noemt vooral het Unicode Tags-blok, van U+E0000 tot U+E007F, dat een spookkopie van de afdrukbare ASCII-tekens bevat. Het was bedoeld om de taal aan te duiden en is vandaag grotendeels verouderd [1]. Een tekenreeks kan dus een boodschap dragen die een mens niet kan lezen, maar die elk taalmodel of elke software die de tekst ontvangt wel verwerkt [1]. Een studie uit 2026 test twee manieren om een boodschap te verbergen: tekens met nulbreedte (binaire codering) en Unicode Tags [4].

### Volgt een AI die verborgen instructies echt?

Onderzoekers hebben het gemeten. In een artikel dat op 26 februari 2026 is ingediend, presenteert Marcus Graves een testkader dat vijf modellen van twee aanbieders beoordeelt, op in totaal 8.308 antwoorden [4]. Hij stelt vast dat het gebruik van tools door het model de naleving van de verborgen instructies sterk verhoogt, en dat expliciete decodeerinstructies die naleving verhogen met tot 95 procentpunten voor een bepaald model en een bepaalde codering [4]. De auteur spreekt van een weinig onderzocht aanvalsoppervlak [4]. OWASP herinnert eraan dat invoer het model kan beïnvloeden, ook als die voor mensen niet waarneembaar is, zodra het model de inhoud leest [2].

### Houdt een filter tegen injectie ze tegen?

Niet altijd. Onderzoekers hebben zes beveiligingssystemen getest, waaronder Azure Prompt Shield van Microsoft en Prompt Guard van Meta. Ze tonen aan dat methoden van tekeninjectie en adversarieel machinaal leren de detectie kunnen ontwijken, met in sommige gevallen tot 100 % succes bij ontwijking [5]. OWASP preciseert dat het filteren van invoer geen veiligheidsgrens is [6].

### Zijn er aanvallen waargenomen?

Microsoft heeft een phishingcampagne met een groot volume waargenomen die deze tekens gebruikte. In de onderzochte berichten verborg ze geen instructies voor een AI: ze voegde de tekens in woorden in om de filters te omzeilen [1]. Het geval wordt hieronder in detail beschreven.

### Welke werkwijzen kan men volgen?

- Een document, een webpagina of een e-mail van onbekende herkomst behandelen als onbetrouwbaar voordat men die aan de assistent toevertrouwt. OWASP beschrijft indirecte injecties die via websites of bestanden verlopen [2], en beveelt aan onbetrouwbare inhoud te scheiden en duidelijk te markeren [2].
- Geen gevoelige informatie in een verzoek aan een openbare LLM zetten, zoals het NCSC (Verenigd Koninkrijk) aanbeveelt [3].
- De controles van het bedrijf hun werk laten doen. Microsoft beveelt aan de tagtekens en de andere onzichtbare tekens te verwijderen of te normaliseren voordat het bericht wordt geanalyseerd en vóór de ingestie door de AI [1]. OWASP beveelt aan onverwachte tekens met nulbreedte of tagtekens ter beoordeling voor te leggen [6].
- Een onverwacht antwoord van de assistent serieus nemen. OWASP raadt aan de uitvoer van het model te bewaken om de tekenen van een geslaagde injectie op te sporen [6].
- De assistent een gevoelige handeling niet op eigen houtje laten uitvoeren: OWASP beveelt een menselijke goedkeuring aan voor bevoorrechte handelingen [2].

## In de huid van de aanvaller

Microsoft beschrijft twee toepassingen van dezelfde tekens. De eerste heeft als doelwit de assistent: de aanvaller verbergt instructies in onzichtbare tagtekens die in een webpagina, een document, een e-mail of een andere inhoud zijn opgenomen. De mens ziet niets ongewoons, terwijl de assistent die de ruwe tekst leest ze decodeert [1]. De tweede heeft als doelwit het filter: de tekens breken een woord waarnaar het filter zoekt, en het herkent het niet meer [1].

OWASP beschrijft een scenario van het eerste type. Een gebruiker vraagt een LLM een webpagina samen te vatten die verborgen instructies bevat. Ze laten de assistent een afbeelding invoegen die aan een adres is gekoppeld, wat leidt tot exfiltratie van het privégesprek [2].

OWASP meldt ook een studie (Zhang et al., USENIX Security 2026) over 196.682 cv's van een wervingsplatform: meer dan 90 % van de verborgen prompts bevatte geen enkele expliciete instructie [6].

## Wat u op het scherm ziet

Niets. De gangbare lettertypen en interfaces geven de meeste van deze tekens niet weer [1]. In de campagne die Microsoft beschrijft, leek een lokwoord als funding normaal voor de ontvanger, terwijl er in het midden een onzichtbaar teken kon staan [1].

Niet al deze tekens zijn verdacht. De vlaggen van Engeland, Schotland en Wales worden met tagtekens gecodeerd [1].

De enige zichtbare aanwijzing is dan het gedrag van de assistent: OWASP definieert promptinjectie als een invoer die het gedrag of de uitvoer van het model op een ongewenste manier verandert [2].

## Onder de motorkap

Tagtekens zijn onzichtbaar voor mensen, maar bestaan op het niveau van de tekstverwerking [1]. Ingestieketens geven het model over het algemeen de uit een document gehaalde tekst door en negeren de weergave ervan: een tekst die de lezer niet ziet, bereikt dus het model [6].

Voor de classificatiemodellen van e-mail legt Microsoft uit dat een gangbaar woord vaak in tokens of woorddelen wordt gesplitst. Een onzichtbaar teken in het midden kan die vertrouwde eenheid verbreken, of worden verwijderd als eerst een normalisatie wordt toegepast [1].

OWASP geeft aan dat NFKC-normalisatie de tekens met nulbreedte niet verwijdert. Het preciseert dat tagtekens verborgen instructies kunnen dragen die de modellen lezen en uitvoeren. Als men een opgeschoonde kopie analyseert maar het origineel doorgeeft, bereikt de verborgen tekst het model toch [6].

Microsoft formuleert het verdedigingsprincipe zo: normaliseren vóór het vergelijken [1]. Microsoft Defender for Office 365 biedt een bescherming tegen promptinjectie, die de gevallen dekt waarin onzichtbare tekens instructies voor gebruikers verbergen en ze tegelijk blootstellen aan AI-systemen. De dekking hangt af van de licentie, de configuratie en de telemetrie [1]. OWASP merkt op dat niet bekend is of er een onfeilbare methode bestaat om promptinjectie te voorkomen [2].

## Incidentanalyses

### Phishingcampagne met tagtekens, februari tot mei 2026

Microsoft meldt dat de detecties van zijn ASCII smuggling-handtekening sterk zijn gestegen vanaf 9 februari 2026 [1]. De dag ervoor sloeg de handtekening aan bij ongeveer 21.000 berichten; de dag erna bij meer dan 1,3 miljoen [1]. De meeste e-mails hoorden bij een groep van ongeveer 150 afzenderdomeinen met financiën als thema [1]. De lokmiddelen leken op aanbiedingen van bedrijfsleningen, kredietlijnen en geldvoorschotten [1].

Microsoft beschrijft een strikt ritme: veel activiteit door de week, bijna stilte in het weekend [1]. De fase met een groot volume duurde ongeveer drie maanden en nam na 15 mei 2026 duidelijk af [1]. Die data begrenzen het gebruik van deze techniek in de gegevens van Microsoft, niet de campagne als geheel, die eerder zonder de techniek is begonnen en zonder de techniek is doorgegaan [1].

In een steekproef van gemelde berichten vond Microsoft geen enkele verborgen instructie voor een assistent. Er werd één enkel onzichtbaar tagteken binnenin lokwoorden geschoven, zodat het zoeken naar een exacte tekenreeks mislukte [1]. De berichten liepen via een legitiem platform voor emailing, ActiveCampaign [1].

Volgens Microsoft werden meer dan 99 % van de berichten opgespoord door beschermingslagen die niet afhingen van de directe detectie van tagtekens, zoals de reputatie van de afzender, van het IP-adres, van de links en van de domeinen, de classificatie door machinaal leren of de authenticatiecontroles [1]. Microsoft concludeert hieruit dat technieken uit het onderzoek naar AI-beveiliging snel kunnen overgaan naar meer klassieke aanvallen zoals phishing [1].

## Bronnen

1. Microsoft, “ASCII smuggling crosses over from AI prompt injection to phishing evasion”, 3 september 2026. https://www.microsoft.com/en-us/security/blog/2026/09/03/ascii-smuggling-crosses-over-from-ai-prompt-injection-to-phishing-evasion/ (geraadpleegd op 14 november 2026)
2. OWASP, “LLM01:2025 Prompt Injection”, 10 april 2024. https://genai.owasp.org/llmrisk/llm01-prompt-injection/ (geraadpleegd op 14 november 2026)
3. NCSC (Royaume-Uni), “ChatGPT and large language models: what's the risk?”, 14 maart 2023. https://www.ncsc.gov.uk/blog-post/chatgpt-and-large-language-models-whats-the-risk (geraadpleegd op 14 november 2026)
4. arXiv, “Reverse CAPTCHA: Evaluating LLM Susceptibility to Invisible Unicode Instruction Injection”, 26 februari 2026. https://arxiv.org/abs/2603.00164 (geraadpleegd op 14 november 2026)
5. arXiv, “Bypassing LLM Guardrails: An Empirical Analysis of Evasion Attacks against Prompt Injection and Jailbreak Detection Systems”, 15 april 2025. https://arxiv.org/abs/2504.11168 (geraadpleegd op 14 november 2026)
6. OWASP, “LLM Prompt Injection Prevention Cheat Sheet”. https://cheatsheetseries.owasp.org/cheatsheets/LLM_Prompt_Injection_Prevention_Cheat_Sheet.html (geraadpleegd op 14 november 2026)

---

Oorspronkelijke bron: Cyberpedia, de openbare encyclopedie over cyberveiligheid en AI van Brain. Canonieke versie: https://startbrain.io/cyberpedia/nl/articles/onzichtbare-unicode-tekens-ai/
U mag deze tekst vrij hergebruiken onder de licentie CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), mits u “Brain, Cyberpedia” vermeldt met een link naar bovenstaand adres.
