Hoe AI Datalekken Voorkomt: 7 Verdedigingen Die Echte Aanvallen Stopten (2026)

Hoe AI Datalekken Voorkomt: 7 Verdedigingen Die Echte Aanvallen Stopten (2026)

In april 2026 ontdekten zo'n 275 miljoen studenten en docenten dat Canvas, het leerbeheersysteem van Instructure, was gehackt. ShinyHunters eiste de verantwoordelijkheid op, noemde circa 9.000 scholen als slachtoffer en stelde een ransomdeadline van 12 mei 2026. Echte leerlingen, echte leraren, echte cijfers — niemand van hen had gevraagd een doelwit te zijn. Had AI het kunnen stoppen? Waarschijnlijk wel. En zo werken dezelfde verdedigingen al in productie.

Kernpunten

• AI voorkomt datalekken door gedragsafwijkingen te signaleren, phishing te blokkeren en toegang automatisch in te trekken — vaak binnen minuten, niet maanden.
• Uit IBMs 2024 Cost of a Data Breach Report blijkt dat uitgebreid gebruik van AI organisaties gemiddeld $2,2 miljoen per datalek bespaart.
• De zeven meest effectieve AI-verdedigingen zijn UEBA, anomaliedetectie, AI-phishingfilters, geautomatiseerde respons, voorspellende kwetsbaarheidsanalyse, AI DLP en agentisch dreigingsjagen.
• AI is geen wondermiddel. Valse positieven, modeldrift en adversarial ML zijn echte beperkingen, en menselijke SOC-review blijft noodzakelijk.

Hoe AI Datalekken Voorkomt: Het 60-Secondenanwoord

AI voorkomt datalekken door te leren hoe normaal gedrag eruitziet in je systemen, en daarna alles te markeren — en vaak te stoppen — dat van die basislijn afwijkt voordat data het pand verlaat. Volgens IBMs 2024 Cost of a Data Breach Report bespaarden organisaties die AI en automatisering uitgebreid inzetten gemiddeld $2,2 miljoen per datalek en detecteerden ze incidenten circa 100 dagen sneller dan organisaties die dat niet deden.

De vier pijlers die Google's eigen AI Overviews steeds noemen zijn:

• Anomaliedetectie: statistische en ML-modellen die elk event scoren ten opzichte van een basislijn.
• Phishing- en e-mailbeveiliging: NLP-modellen die het bericht lezen voordat de mens dat doet.
• Geautomatiseerde incidentrespons: token intrekken, sessie isoleren, lockdown — zonder iemand te pingen.
• Voorspellende analyses: rangschikken welke CVE's in jouw stack daadwerkelijk uitgebuit zullen worden.

De rest van dit artikel is het uitgebreide antwoord. Als je je zorgen maakt over je eigen app, spring direct naar de 7 verdedigingen of sla over naar het bouw-het-deze-week-plan.

Wat het Canvas/Instructure-Datalek Ons Leert Over AI-Verdediging

Het datalek van april 2026 is precies hoe de meeste moderne inbraken eruitzien: geen Hollywood-zeroday, maar op referenties gebaseerde exfiltratie op schaal. ShinyHunters blies geen gat in de perimeter. Ze liepen gewoon naar binnen via ogenschijnlijk geldige sessies en sifonneerden rustig data weg — het standaardpatroon waartegen UEBA en AI DLP gebouwd zijn.

De bekende feiten op basis van berichtgeving: detectie rond 30 april 2026, publieke claim rond 3 mei, circa 9.000 scholen genoemd, een schatting van ~275 miljoen records waaronder namen van leerlingen, cijfers en docentgegevens, en een ransomdeadline van 12 mei 2026 (volgens TechCrunch en vervolgverslaggeving in Inside Higher Ed en Malwarebytes Labs). Het postmortem is er nog niet, dus iedereen die je precies vertelt welke credentials er gelekt zijn, gokt.

Wat we eerlijk kunnen zeggen: dit past bij credential-stuffing of gestolen-token-exfiltratie, en dat is het patroon dat AI-verdediging het best aanpakt.

• UEBA had opgemerkt wanneer accounts 100 keer hun normale recordvolume begonnen op te halen.
• AI DLP had PII-stromen gezien die met snelheden weggingen die geen legitieme API-integratie ooit produceert.
• Anomaliedetectie op auth had de credential-stuffing-golf al gemarkeerd vóór de eerste sessie een token had gemunt.

Als we na een dreigingsincident de auth-logs van een klant doorlopen, is het eerste dat we zoeken of iemand überhaupt request-volumes en locaties per gebruiker bijhield. Bij kleinere teams is dat meestal niet zo. Dat is het gat dat AI-verdediging sluit — maar alleen als de logs er zijn om hem te voeden.

Als je een rustiger, technisch draaiboek wilt voor de dag dat je eigen app in de krantenkoppen verschijnt, hebben we het 2025 Vercel-stijl incidentrespons-playbook geschreven. Het is het dichtste bij een checklist voor "we kregen zojuist het telefoontje."

De 7 AI-Verdedigingen Die Echte Lekken Stoppen

Deze zeven verdedigingen zijn niet hypothetisch. Ze draaien allemaal in productie bij meerdere Fortune 500-SOC's vandaag, en elk ervan onderschept een specifieke aanvalsklasse die mensen missen of te laat opmerken.

1. UEBA: Machines Leren Wat "Normaal" Eruitziet

User and Entity Behavior Analytics (UEBA) stelt een basislijn op van hoe elke gebruiker, elk serviceaccount en elk apparaat zich in de loop van de tijd gedraagt (gebruikelijke tijden, gebruikelijke landen, gebruikelijke datavolumes) en scoort live events dan tegen die basislijn. Wanneer een account dat altijd inlogt vanuit Amsterdam tussen 9:00 en 18:00 plots 40.000 records downloadt vanuit Romania om 3:00 uur 's nachts, piekt UEBAs score en wordt de sessie beëindigd.

UEBA's kracht is niet het onderscheppen van de aanval zelf. Het is het onderscheppen van het moment dat een legitiem account zich begint te gedragen als een onbekende. Dat is de insider-threat- en credential-abusezone die vrijwel niets anders dekt.

2. Real-Time Anomaliedetectie

Anomaliedetectie gooit een breder net dan UEBA: unsupervised modellen kijken naar elke eventstream (API-calls, bestandstoegang, querypatronen, netwerkflows) en markeren statistische uitschieters zonder gelabelde aanvalsvoorbeelden nodig te hebben. Daarmee pakt het nieuwe dreigingen die UEBA mist (UEBA heeft een "entiteit" nodig; anomaliedetectie heeft alleen telemetrie nodig).

In de praktijk draai je het op Kafka of een SIEM-pipeline, voed je het met de laatste 30–90 dagen normaal verkeer en laat je het nieuwe events scoren. De meeste platforms laten de top 1% vreemdste events aan mensen zien voor review.

3. AI-Gestuurde Phishingbeveiliging

Phishing is nog steeds de belangrijkste oorzaak van datalekken. Verizons 2024 DBIR zet phishing en gestolen credentials consequent bovenaan de lijst van initiële toegangsvectoren. Moderne AI-beveiliging legt een NLP-model over e-mailinhoud (intentie, urgentiesignalen, merkimitatie) en een afzender-grafiekmodel (heeft dit domein eerder met ons gecommuniceerd? klopt het SPF/DKIM-spoor?). Samen onderscheppen ze de gerichte spear-phishing die handtekeninggebaseerde gateways missen.

Productiefilters van Microsoft, Google Workspace en Proofpoint rapporteren nu detectiepercentages in de hoge negens voor bekende patronen. De resterende leemte is nieuwe social engineering, waarbij mensen zelf nog sceptisch moeten zijn.

4. Geautomatiseerde Incidentrespons

Dit is de verdediging die AI verandert van "alarmsysteem" naar "brandblussysteem." Wanneer een gedragsscore een drempel overschrijdt, kan een AI-gestuurd SOAR-systeem (Security Orchestration, Automation, Response) binnen een seconde refresh-tokens intrekken, de sessie isoleren, de API-sleutel roteren en de piketdienst inlichten. De gemiddelde responstijd (MTTR) daalt van dagen naar seconden.

De vangst: je moet je auth- en identiteitslaag zo bedragen dat deze programmatische intrekverzoeken accepteert, en je moet het model vertrouwen genoeg om het te laten handelen zonder menselijk toezicht bij tier-1-events.

5. Voorspellende Kwetsbaarheidsanalyse

In plaats van op alfabetische volgorde te patchen, rangschikken ML-modellen die zijn getraind op CVE-feeds, exploit-voorspellingssignalen (EPSS) en je eigen afhankelijkheidsgraph welke kwetsbaarheden in jouw stack de komende 30 dagen daadwerkelijk uitgebuit zullen worden. We hebben gezien dat dit een backlog van 600 CVE's terugbrengt tot een lijst van 20 CVE's voor "repareer dit deze week": gelijke risicoreductie, een tiende van het werk.

Dit past goed bij AI-observability voor telemetriepipelines. Als je eenmaal kunt zien wat je dependencies in productie doen, stopt prioritering met gokken zijn.

6. AI Data Loss Prevention (AI DLP) en Shadow AI

Klassieke DLP scant op creditcardnummers en BSN's die via e-mail weggaan. AI DLP is hetzelfde idee maar slimmer en breder: het begrijpt context (is dit PII in een legitiem klantenservicegesprek, of wordt het in ChatGPT geplakt?), en het bewaakt de nieuwe exfiltratiekanalen — met name shadow AI, waarbij medewerkers klantdata in niet-goedgekeurde LLM's plakken.

Hier leeft ook prompt injection. Als je product een LLM aanroept, kan een aanvaller instructies verbergen in gebruikersinvoer die proberen systeemprompts of interne data te lekken. Behandel onvertrouwde tekst net zoals je onvertrouwde SQL behandelt. Zie copy/paste-kwetsbaarheidspatronen voor hoe dat eruitziet in code.

7. Agentisch Dreigingsjagen

De nieuwste van de zeven: autonome LLM-agents die redeneren over SIEM-telemetrie, door gerelateerde events navigeren en bevindingen opschrijven zoals een tier-3-analist dat zou doen. Ze draaien de hele nacht, worden niet moe en leveren narratieven op ("dit apparaat, deze gebruiker, deze drie inlogs, dit verbindt ze") in plaats van ruwe alerts.

Dit is nog in ontwikkeling. De demo's van 2025 zijn echt, maar het percentage valse positieven ligt hoger dan leveranciersdeck's suggereren. Behandel agentische jagers als een krachtvermenigvuldiger voor een tier-2-analist, niet als vervanging van tier-3-expertise.

Phishing, Insider-Dreigingen en Shadow AI: Waar AI Zijn Geld Waard Is

De zeven verdedigingen mappen netjes op de drie aanvalsoppervlakken die de meeste teams daadwerkelijk tegenkomen. Phishing is nog steeds de belangrijkste oorzaak van datalekken. Verizons 2024 DBIR houdt het op nummer 1 samen met gestolen credentials — en dat is waarom de eerste ROI-dollar van AI bijna altijd in e-mailbeveiliging landt.

Insider-dreigingen, kwaadwillend of per ongeluk, zijn waar UEBA uitblinkt. De meeste "insider"-incidenten zijn geen sabotage; het is een aannemer die gephisht is, of een admin die een klantentabel exporteerde om iets te debuggen en die op een USB-stick liet staan. De gedragsscore pakt ze allebei.

Shadow AI is het aanvalsoppervlak dat vijf jaar geleden niet bestond. Zscalers ThreatLabz-tracking laat consequent een explosie van zakelijk GenAI-verkeer zien terwijl het gebruik van goedgekeurde tools nauwelijks stijgt — medewerkers gebruiken ChatGPT, Claude en Copilot of IT dat nu goedkeurt of niet. AI DLP is de enige verdediging die begrijpt dat "deze supportmedewerker zojuist 80 klantmailadressen in een publieke LLM plakte" en dat inline blokkeert.

Ben je een klein team zonder SOC, richt je AI-budget dan in deze volgorde: phishingfilter, AI DLP, dan UEBA. Insider-threat-dekking krijg je gratis met UEBA.

AI in de Cloud: Lekken Onderscheppen Waar de Data Echt Woont

Als je data in AWS, GCP of Azure leeft, is de perimeter die je kende verdwenen. Er is geen firewall meer om de AI achter te plaatsen. Cloud-native AI-verdediging werkt op drie lagen: DSPM (Data Security Posture Management) inventariseert waar gevoelige data staat en welke rechten er aan raken; identity-aware AI-diensten (AWS GuardDuty, Microsoft Defender for Cloud) scoren IAM-activiteit tegen geleerde basislijnen; en cloud-native anomalieplatforms bewaken oost-west-verkeer tussen services.

De klasse inbraken die dit onderschept is niet spectaculair: het is de verkeerd geconfigureerde S3-bucket waarvan niemand wist dat hij openbaar was, het overgemachtigde serviceaccount, de dev-sandbox die stilletjes productiedata bevat. DSPM vindt deze voordat een aanvaller dat doet. Identity-aware anomaliedetectie onderschept het moment dat die bucket wordt benaderd door een IP-adres dat niemand in je organisatie ooit heeft gebruikt.

Voor een team dat dit oppakt, is de eerste stap geen tooling. Het is een cloudbeveiligingsarchitectuurreview om te bepalen welke laag als eerste lekt. De meeste clouddatalekken die we in postmortems zien hadden gefaald op de identiteitslaag als de juiste saaie dingen gewoon aan hadden gestaan.

UEBA vs SIEM vs DSPM vs AI DLP: Wanneer Gebruik Je Wat

Deze vier tools worden voortdurend door elkaar gehaald, wat ertoe leidt dat teams er drie hebben en gaten in de vierde. Dit is de eerlijke beslissingsmatrix:

Simpel gezegd: UEBA zonder SIEM is een sensor zonder recorder; SIEM zonder UEBA is een recorder die geen idee heeft wat hij net opnam. DSPM vertelt je waar de kroonjuwelen liggen. AI DLP kijkt hoe ze proberen te vertrekken.

Als je dit kwartaal maar één ding inzet, kies dan AI DLP. Het heeft de hoogste "blokkeerde een echt lek"-hitrate per euro voor teams die nog geen SOC-capaciteit hebben, en het is de enige van de vier die beschermt tegen shadow AI. En vergeet de codelaag niet: statische analysetools zoals SonarQube onderscheppen de SQL-injectie- en secret-exposure-bugs die geen gedragsverdediging ooit zal zien, omdat ze lang vóór runtime afgaan.

Bouw Het Deze Week in Je App: Een 5-Stappenplan

Je hebt geen SOC-team nodig om UEBA-lite te bouwen. Je hebt 30 dagen auth-logs nodig en een functie die een getal tussen 0 en 100 teruggeeft. Dit is de minimaal levensvatbare AI-verdediging die elk klein engineeringteam in een sprint kan opzetten.

1. Log elke auth-event met gestructureerde velden. Leg user_id, ip, user_agent, geo, action en ts vast bij elke inlog, refresh en gevoelige actie. Gedragsbaselijnen hebben data nodig; als je het niet logt, kun je het niet scoren. Stuur naar Postgres, ClickHouse of een beheerd observabiliteitsplatform.

2. Bereken een gedragsbasislijn per gebruiker. Draai elke nacht een taak over een rollend venster van 30 dagen per gebruiker: uit welke landen loggen ze in, op welke tijden, met welke user-agents. Sla de basislijn op als een kleine JSON-blob per user_id. Dit is UEBA-lite.

3. Scoor nieuwe events tegen de basislijn. Wanneer een event binnenkomt, bereken een risicoscore van 0–100. Dit is de hele logica in 12 regels:

def behavior_score(event, baseline):
    # Goedkope UEBA-lite: markeer events die afwijken van de 30d-norm van een gebruiker.
    score = 0
    if event.country not in baseline.countries: score += 30
    if event.hour not in baseline.usual_hours: score += 15
    if event.user_agent not in baseline.devices: score += 25
    if event.failed_login_count > 0: score += 10
    return score  # 0-100; >= 50 = step-up MFA, >= 80 = sessie intrekken

4. Koppel de score aan je auth-middleware. Roep bij elk verzoek behavior_score aan. Score >= 50 activeert step-up MFA. Score >= 80 plaatst de sessie in quarantaine en dwingt herhaalde authenticatie vanaf een bekend apparaat.

5. Activeer geautomatiseerde intrekking en alert wanneer de score de kill-drempel overschrijdt. Een score van 80+ moet een webhook afvuren: post naar Slack, trek het refresh-token in, schrijf een audit-log-entry. Dat is je MTTR die beweegt van "iemand merkt het maandag op" naar "de sessie stierf om 3:14 uur."

Dit is dezelfde basis die we gebruiken bij AI-functies toevoegen aan een bestaande app. Anomaliebestendig loggen is de saaie vereiste die alles daarna mogelijk maakt.

De Eerlijke Beperkingen van AI-Verdediging

AI-beveiligingsmarketing overspeelt de hand. Dit is wat AI niet kan, en waarom een mens het ticket nog steeds sluit.

Valse positieven veroorzaken alertmoeheid. Een percentage valse positieven van 1% klinkt geweldig totdat je auth-service 10 miljoen events per dag verwerkt en je piketdienst 100.000 valse alerts krijgt. Het afstemmen van de drempel is het eigenlijke werk, en de meeste teams onderschatten hoelang dat duurt.

Modeldrift is echt. Je "normaal" verandert wanneer je een nieuwe markt onboardt, een nieuwe functie uitbrengt of je personeelsbestand laat groeien. Een basislijn getraind in januari is middelmatig in juli. Train opnieuw op een rollend venster, anders stijgt je percentage valse positieven terwijl je percentage echte positieven daalt.

Adversarial ML werkt. Aanvallers kunnen je model aftasten, zorgvuldig samengestelde "bijna normale" sessies sturen om de grens te leren, en dan net daaronder glippen. MITRE ATLAS catalogiseert deze technieken, en ze zijn niet meer theoretisch.

Prompt-injectie is een nieuw aanvalsoppervlak. Als je LLM's in je verdedigingsstack gebruikt (of ergens waar een gebruiker een prompt kan beïnvloeden), noemt OWASPs LLM Top 10 prompt-injectie als LLM01 met een reden. Onvertrouwde invoer kan de instructies van het model kapen en alles lekken waartoe het toegang heeft.

AI is een krachtvermenigvuldiger, geen vervanger. Een menselijke SOC-analist sluit het ticket nog steeds. En als dit allemaal duur klinkt, kun je de kosten van een beveiligingsaudit schatten voordat je ergens aan vastlegt.

Hoe Techsy AI-Gestuurde Beveiliging Inbouwt in Custom Apps

Wanneer we een web- of mobiele app voor een klant bouwen, zit AI-verdedigingsgereedheid vanaf dag één in het fundament — niet er achteraf op geplakt na het eerste incident. Dat betekent een gestructureerd auth-event-logschema van het begin (het soort dat UEBA en AI DLP nodig hebben om echt te werken), een gedragsbasislijn-middleware op de auth-laag, en een optionele UEBA-lite-hook die elke sessie scoort. Als de klant later een GenAI-functie toevoegt, koppelen we AI DLP en prompt-injectie-guardrails voordat de functie live gaat, niet daarna.

Als we het logschema van een klant auditen, is het eerste dat we zoeken of per-gebruiker requestpatronen überhaupt zichtbaar zijn. De helft van de tijd zijn ze dat niet, en dat ene gat is het verschil tussen "we onderschepten het in 4 minuten" en "we vonden het in het postmortem."

Maak je je zorgen of je app de Canvas-test zou hebben doorstaan? Vraag een gratis beveiligingsreview van 30 minuten aan.

Veelgestelde Vragen

Hoe voorkomt AI datalekken?

AI voorkomt datalekken door normaal gedrag te leren over gebruikers, apparaten en datastromen, en daarna afwijkingen in real time te markeren of te blokkeren. De vier kerntechnieken zijn anomaliedetectie, phishingclassificatie, geautomatiseerde incidentrespons en voorspellende kwetsbaarheidsanalyse. Het resultaat is snellere detectie, automatische inperking en minder lekken die escaleren van "alert" naar "krantenkop."

Kan AI datalekken sneller detecteren dan mensen?

Ja, aantoonbaar. IBMs 2024 Cost of a Data Breach Report stelde vast dat organisaties die AI en automatisering uitgebreid inzetten datalekken ruwweg 100 dagen sneller detecteerden en beperkten dan organisaties die dat niet deden, en gemiddeld $2,2 miljoen per incident bespaarden. AI slaapt niet, mist de inlog-piek om 3:00 uur niet en neemt geen lang weekend voordat het de logs van gisteren bekijkt.

Wat is UEBA en hoe werkt het?

UEBA (User and Entity Behavior Analytics) bouwt een statistisch profiel op van hoe elk account normaal gedraagt (gebruikelijke tijden, locaties, apparaten, datavolumes) en scoort live events dan tegen die basislijn. Wanneer een account buiten zijn norm begint te handelen, stuurt UEBA een alert of activeert het een geautomatiseerde respons. Het is bijzonder goed in het onderscheppen van insider-dreigingen en gestolen credentials die klassieke perimetercontroles passeren.

Hoe detecteert AI phishingmails?

AI-phishingdetectie combineert NLP-analyse van e-mailinhoud (urgentiesignalen, merkimitatie, intentclassificatie) met afzender-reputatiegrafiekmodellen die controleren of het domein eerder met je heeft gecommuniceerd en of SPF/DKIM/DMARC kloppen. Productiefilters van grote aanbieders rapporteren detectiepercentages in de hoge negens voor bekende patronen; nieuwe social engineering-pogingen hebben nog steeds menselijk scepticisme nodig.

Wat is de belangrijkste oorzaak van datalekken?

Phishing en gestolen credentials staan consequent bovenaan de lijst. Verizons 2024 DBIR heeft ze jaar na jaar aan het hoofd van initiële toegangsvectoren geplaatst. Verkeerde configuraties (met name in cloudopslag) en ongepatchte kwetsbaarheden ronden de top drie af. Daarom begint AI-beveiligingsinvestering doorgaans bij e-mail en identiteit, waar de hoogvolume-aanvallen als eerste neerdalen.

Veroorzaakt AI meer datalekken dan het voorkomt?

Eerlijk gezegd is AI dual-use. Aanvallers gebruiken LLM's om phishing op te schalen, stemmen te klonen en overtuigende pretexts te genereren. Shadow AI en prompt-injectie zijn echte nieuwe aanvalsoppervlakken. Maar de balans is nog steeds defensief: AI onderschept gedragspatronen die mensen missen, automatiseert respons binnen seconden in plaats van dagen, en de IBM-data is duidelijk dat organisaties die AI uitgebreid inzetten minder aan datalekken uitgeven, niet meer.

Hoe wordt AI gebruikt om datalekken in de cloud te voorkomen?

In cloudomgevingen werkt AI op drie lagen: DSPM inventariseert gevoelige data en rechten in AWS, GCP en Azure; identity-aware diensten zoals AWS GuardDuty en Microsoft Defender for Cloud scoren IAM-activiteit tegen geleerde basislijnen; en cloud-native anomalieplatforms bewaken service-naar-service-verkeer. Samen onderscheppen ze de verkeerde configuraties en overgemachtigde accounts die de meeste clouddatalekken veroorzaken.

Wat is AI DLP en hoe verschilt het van gewone DLP?

Klassieke DLP matcht patronen: creditcardnummers, BSN's, regex op uitgaande mail. AI DLP begrijpt context: is dit PII in een legitieme klantenreactie, of wordt het in ChatGPT geplakt? Het dekt ook shadow AI en GenAI-exfiltratie, wat klassieke DLP volledig mist omdat de data via HTTPS naar een ogenschijnlijk gesanctioneerd domein vertrekt. AI DLP onderschept dat.

Had AI het Canvas/Instructure-datalek kunnen stoppen?

Het postmortem is er nog niet, dus iedereen die je een definitief antwoord geeft, gokt. Wat we kunnen zeggen: het patroon past bij op credentials gebaseerde exfiltratie op schaal, en dat is precies waartegen UEBA, AI DLP en anomaliedetectie op auth gebouwd zijn. AI-verdedigingen afgestemd op de juiste drempelwaarden hadden de volumepiek of de geografische afwijkingen zeer waarschijnlijk onderschept voordat 275 miljoen records het pand hadden verlaten.

Hoeveel kost het om AI-beveiliging aan mijn app toe te voegen?

Het hangt ervan af of je begint vanuit "geen logs" of "we hebben een SIEM." Een gedragsbasislijn auth-laag zoals die in dit artikel is doorgaans een 1–2 weken engineeringinspanning. Een volledige AI DLP plus UEBA-uitrol is 4–12 weken plus toolingkosten. Je kunt de kosten van een beveiligingsaudit schatten om de kloof te bepalen voordat je ergens aan vastlegt. De meeste teams merken dat het auth-laagwerk zichzelf terugverdient bij het eerste incident dat het voorkomt.