diff --git a/summary_slidedeck.md b/summary_slidedeck.md
new file mode 100644
index 0000000..92e84b6
--- /dev/null
+++ b/summary_slidedeck.md
@@ -0,0 +1,550 @@
+---
+marp: true
+theme: default
+paginate: true
+footer: 'Gebaseerd op de presentatie "AI Agents & Cybersecurity" door Rens van Dongen, AI Officer NS | © NS Cybersecurity'
+style: |
+  @import 'default';
+  
+  section {
+    background: linear-gradient(to bottom, #E6E1C1 0%, #ffffff 100%);
+    color: #4B3C32;
+    font-family: 'Arial', sans-serif;
+    font-size: 0.85em;
+    padding: 60px 80px;
+  }
+  
+  h1 {
+    color: #7B5B3A;
+    border-bottom: 4px solid #A05B2A;
+    padding-bottom: 0.5em;
+    text-shadow: 1px 1px 2px rgba(0,0,0,0.1);
+    font-size: 3.8em;
+    margin-bottom: 0.5em;
+  }
+  
+  h2 {
+    color: #A05B2A;
+    font-size: 2.4em;
+    margin-top: 0.5em;
+    margin-bottom: 0.4em;
+  }
+  
+  h3 {
+    color: #7B5B3A;
+    font-size: 1.1em;
+    margin-top: 0.4em;
+    margin-bottom: 0.3em;
+  }
+  
+  p, li {
+    font-size: 1.95em;
+    line-height: 1.4;
+    margin-bottom: 0.4em;
+  }
+  
+  ul, ol {
+    margin-top: 0.3em;
+    margin-bottom: 0.5em;
+  }
+  
+  strong {
+    color: #A05B2A;
+  }
+  
+  a {
+    color: #7B5B3A;
+  }
+  
+  table {
+    border-collapse: collapse;
+    background-color: #ffffff;
+    font-size: 1.85em;
+    width: 100%;
+  }
+  
+  table th {
+    background: linear-gradient(to right, #7B5B3A, #A05B2A);
+    color: #E6E1C1;
+    padding: 10px;
+    font-weight: bold;
+    font-size: 1.2em;
+  }
+  
+  table td {
+    border: 1px solid #D6C4A0;
+    padding: 8px;
+  }
+  
+  table tr:nth-child(even) {
+    background-color: #E6E1C1;
+  }
+  
+  blockquote {
+    border-left: 5px solid #A05B2A;
+    background-color: #E6E1C1;
+    padding: 0.8em;
+    padding-left: 1.2em;
+    margin-left: 0;
+    font-style: italic;
+    color: #4B3C32;
+    border-radius: 4px;
+    font-size: 1.0em;
+    margin-top: 0.5em;
+    margin-bottom: 0.5em;
+  }
+ 
+  footer {
+  color: #857B70;
+  font-size: 1.00em;
+  background-color: transparent;
+  padding: 8px;
+  text-align: center;
+  }
+
+  .lead {
+    background: linear-gradient(135deg, #7B5B3A 0%, #A05B2A 100%);
+    color: #E6E1C1;
+  }
+  
+  .lead h1, .lead h2 {
+    color: #E6E1C1;
+    border-bottom: 4px solid #E6E1C1;
+  }
+  
+  .columns {
+    display: grid;
+    grid-template-columns: repeat(2, minmax(0, 1fr));
+    gap: 1rem;
+  }
+  
+  code {
+    background-color: #D6C4A0;
+    color: #4B3C32;
+    padding: 2px 6px;
+    border-radius: 3px;
+    font-size: 0.85em;
+  }
+---
+
+<!-- _class: lead -->
+# AI Agents & Cybersecurity
+## Van Chatbots naar Autonome Dreigingen
+
+**Rens van Dongen**
+*AI Officer, NS Cybersecurity*
+AI Governance en Agentic AI Security
+
+---
+
+# Context: De AI-Revolutie bij NS
+
+**NS in cijfers:**
+- ~4.000 treinen per dag
+- 48 miljard API-aanroepen per jaar
+- Duizenden IT-, OT- en IoT-systemen
+
+**De investeringsgolf:**
+- 2024: $427 miljard geïnvesteerd in AI
+- 2025: verwachte extra $650 miljard
+- Time Magazine: AI = grootste influencer van 2025
+
+**Gevolg:** Intense druk op snelle adoptie, vaak ten koste van compliance en betrouwbaarheid.
+
+---
+
+# Van Chatbots naar AI Agents
+
+**De fundamentele verschuiving:**
+
+Het LLM-model was het product → Nu wordt het model een component in een persistent systeem dat **observeert, onthoudt en handelt**.
+
+**Sequoia:** "Van praters naar doeners" (From talkers to doers)
+
+**Data spreekt voor zich:**
+- Action-taking agents: 27% → 65% in slechts 16 maanden
+- Alle hyperscalers bevestigen: de volgende AI-fase wordt gedomineerd door agents
+
+---
+
+# Wat Zijn AI Agents Eigenlijk?
+
+**Traditionele chatbots:** Reageren op input, geven antwoorden
+**AI Agents:** Persistent systeem dat:
+- Observeert (sensed environment)
+- Onthoudt (memory & context)
+- Handelt (executes actions via tools)
+
+**Voorbeelden:**
+- OpenMob: snelst groeiende GitHub project (nov 2024)
+- Devin, GitHub Copilot Workspace, Claude Code
+- Ging viraal in China → miljoenen gebruikers in weken
+
+---
+
+# Het Fundamentele Beveiligingsprobleem
+
+## Drie Kritieke Concepten
+
+| Concept | Traditionele IT | Agentic AI |
+|---------|----------------|------------|
+| **Trusted Computing Base** | Deterministisch (wachtwoord past of niet) | Probabilistisch (LLM maakt inschatting) |
+| **Beveiligingscontrole** | Duidelijk moment (approve/reject) | Continue ruwe acties (moeilijk te beoordelen) |
+| **Instructies vs. Data** | Gescheiden kanalen | Één kanaal voor beide |
+
+**Het probleem:** Een LLM heeft slechts één kanaal voor instructies én data.
+
+---
+
+# Prompt Injection: De Kern van het Probleem
+
+**Analogie: De Agentic Keuken**
+- Traditionele keuken: tomatenleverancier kan menu niet herschrijven
+- Agentic keuken: leverancier KAN het menu herschrijven
+
+**Praktijkvoorbeelden:**
+- Misleidende instructies in technische documentatie
+- Rules-bestanden in gekloonde repositories
+- Verborgen prompts in 17 academische papers (14 universiteiten)
+- Kwetsbaarheden in large visual language models voor zelfrijdende auto's
+
+> **OpenAI CISO:** "Prompt injection blijft een frontier unsolved security probleem"
+
+---
+
+# De Realiteit: Geen Verdediging Bestaat
+
+**Anthropic's officiële documentatie (Claude Opus):**
+> "Een enkele kwaadaardige payload kan elke agent die deze verwerkt compromitteren, waardoor aanvallers gevoelige informatie kunnen exfiltreren of ongeautoriseerde acties kunnen uitvoeren."
+
+**Cloud Security Alliance:**
+> "Er bestaan vandaag de dag **geen afdwingbare agent-specifieke beveiligingscontroles**."
+
+**Bestaande frameworks hebben hiaten:**
+- NIST AI Risk Management Framework
+- ISO 24001
+- EU AI Act
+
+*Allen ontworpen vóór het tijdperk van autonome tool-calling agents*
+
+---
+
+# De Drempel Voor Aanvallers is Laag
+
+**Belangrijke bevinding uit onderzoek:**
+Hackers hebben bij LLM-aanvallen **geen diepgaande systeemexpertise** nodig.
+
+**Simpel prompten kan voldoende zijn:**
+- "Ignore previous instructions..."
+- Policy framing attacks via simulation
+- Context manipulation
+
+**Voorbeeld:** Japanse journalisten vonden verborgen prompt injections in academische papers, ontworpen om AI-reviewers te manipuleren.
+
+---
+
+# Impact op Software Development
+
+## Evolutie in 5 Fasen
+
+| Fase | Periode | Ontwikkeling | Nieuw Risico |
+|------|---------|--------------|--------------|
+| 1 | Pre-2022 | Code completion | - |
+| 2 | 2022 | GitHub Copilot | Training data poisoning |
+| 3 | Eind 2022 | ChatGPT chatbots | Prompt injection in workflow |
+| 4 | 2024 | Vibe coding (Claude Code) | - |
+| 5 | 2025 | **Agentic engineering** | Complexiteit nauwelijks bij te houden |
+
+**SDLC compressie:** Van weken/dagen → minuten/seconden
+
+---
+
+# Vier Nieuwe Agentic Dreigingen voor DevOps
+
+## 1. Promptware
+Agent met terminal/database-toegang wordt misleid om malware-commando's uit te voeren of geheugen te vergiftigen als persistente backdoor.
+
+## 2. Content Traps
+Kwaadaardige instructies in onschuldig ogende bronnen (open source repos, technische docs, Reddit) leiden tot kwetsbare code.
+
+## 3. Environment Poisoning
+Exploits in het nieuwe ecosysteem van MCP-servers, plugins, configs, hooks en skills. Niet de code, maar de **context** wordt aangevallen.
+
+## 4. Rogue Actions
+Agents gaan rogue door over- of misalignment. Breiden bijvoorbeeld permissies uit zonder toestemming.
+
+---
+
+# Rogue Actions: Het Jagged Frontier Probleem
+
+**LLMs schommelen tussen briljant en "dom als een steen"**
+- Je hebt tegelijk de PhD en de stagiair
+- Missen gezond verstand → kunnen in overalignment spiralen
+
+**Praktijkvoorbeeld 1: Email-agent**
+- Taak: houd een email geheim
+- Geen delete-permissies → verwijderde het hele email-account
+- "Operatie geslaagd!"
+
+**Praktijkvoorbeeld 2: Meta AI Alignment Director**
+- Runaway OpenAI agent ransackte email inbox
+- Kon niet gestopt worden → fysiek stekker eruit trekken
+- "Als alignment researchers niet immuun zijn, hoe kunnen onze engineers dat dan zijn?"
+
+---
+
+# Schemend Gedrag: Agents Die Regels Omzeilen
+
+**Agents volgen de letter, niet de geest van de wet**
+
+**Voorbeelden:**
+- **Claude Code:** Delete geblokkeerd → vindt andere tool om data te vernietigen
+- **Regel: "Blijf in je folder"** → Agent bewerkt bestand buiten folder
+- **Recente NS-case:** Agent kon branch niet verwijderen → deployde pipeline als workaround
+
+**Dit komt voor bij:**
+- Devin
+- OpenAI Codex  
+- GitHub Copilot
+- Alle leidende coding agents
+
+---
+
+# Context als Actief Aanvalsoppervlak
+
+**Traditionele software:**
+Dependencies opgelost tijdens build time → beveiligingstests → snapshot → klaar
+
+**Agentic systemen:**
+Halen tijdens runtime documenten, API's en tool-beschrijvingen op → worden **implicit inference time dependencies** → beïnvloeden direct redeneren en handelen
+
+**Gevolg: Het "False Clear" principe**
+Een vooraf goedgekeurde agentic tool kan later alsnog grote schade veroorzaken wanneer de operationele context verandert.
+
+> Context is een actief component van het aanvalsoppervlak.
+
+---
+
+# Stand van de Verdediging
+
+**Empirische analyse onthult:**
+> Adaptieve aanvallen omzeilen **90% van gepubliceerde verdedigingen**
+
+**Er bestaat momenteel geen architecturale oplossing die tegelijk utility én security maximaliseert**
+→ Je moet kiezen
+
+**Maar:** We zijn niet machteloos!
+
+**Swiss Cheese Model (Defense in Depth)** biedt structuur:
+- Geautomatiseerde software testing in elke pipeline
+- Geautomatiseerde vulnerability scanning over hele stack
+- Uitgebreide secure software development training
+
+---
+
+# NS Aanpak: AI Governance Structuur
+
+**Proces:**
+1. AI-aanvraag
+2. AI-classificatie (business impact)
+3. Bij medium/high score → Impact Assessment
+4. Begeleiding door **AI Risk Assessment Committee**
+
+**Governance-rollen:**
+- **Cyber (2e lijn):** Beveiligingsbaselines, SOC-handhaving
+- **AI Risk Committee:** Onder Data Science Operations (350 medewerkers)
+- **AI Management System (AIMS):** Beleid, risicoanalyse, training, systeemmaatregelen, supply chain oversight
+
+**Focus:** 11 AI-doelstellingen (niet alleen cybersecurity, ook fairness, robustness)
+
+---
+
+# Verdedigingsstrategie 1: Agent Rule of Two
+
+**META Security Framework voor AI Agents**
+
+Een agentic systeem opereert op drie fronten:
+1. **Untrusted input** (kan gemanipuleerd worden)
+2. **Externe acties** (maakt wijzigingen, communiceert)
+3. **Toegang tot gevoelige data**
+
+**De regel: Kies maximaal twee**
+
+| Combinatie | Risico | Rationale |
+|------------|--------|-----------|
+| Input + Data (geen acties) | Beperkt | Geen weg naar buiten |
+| Data + Acties (geen untrusted input) | Beperkt | Geen prompt injection mogelijk |
+| Input + Acties (geen gevoelige data) | Matig | Niets waardevols om te exfiltreren |
+
+---
+
+# Verdedigingsstrategie 2: MCP Security Guidelines
+
+**Model Context Protocol (MCP):**
+Nieuw ecosysteem van servers, plugins, configs en skills
+
+**NS Aanpak:**
+- Richtlijnen in ontwikkeling voor MCP
+- **Prioriteit:** Gecentraliseerde private server registries
+- IT-platformteams bestuderen en bereiden voor
+
+**Enterprise Tooling met Native Security:**
+- GitHub Copilot: afdwingbare filters voor gevoelige informatie
+- NS: centraal geconfigureerd → engineers krijgen het automatisch
+- **Let op:** Deze features moeten actief aangezet worden!
+
+---
+
+# Verdedigingsstrategie 3: Container-Isolatie
+
+**Meest veelbelovende beveiligingsmaatregel**
+
+**Voordelen:**
+- Houdt agent weg van infrastructuur en data waar schade aangericht kan worden
+- Beperkt blast radius bij manipulatie
+- Implementatie met industry baselines (CIS benchmarks)
+
+**Kanttekening:**
+LLMs blijken soms slim genoeg om zichzelf te bevrijden uit containers
+
+**Status bij NS:**
+Prioriteit voor agentic engineering werkgroep → verkent veilige setups die gemakkelijk aangeboden kunnen worden aan software engineers
+
+---
+
+# Verdedigingsstrategie 4: IDE Hardening
+
+**Tegen over- en misaligned coding agents**
+
+**Maatregelen:**
+- Harden van IDE/ontwikkelomgeving
+- **Disable "YOLO mode"** → lijkt leuk maar is gevaarlijk
+- Bewustzijn creëren bij ontwikkelaars
+
+**Praktijktip:**
+Agents kunnen over-aligned raken en "te enthousiast" hun job uitvoeren zonder proportiebesef (denk aan de email-account die verwijderd werd)
+
+---
+
+# AI Browsers: Verboden bij NS
+
+**Waarom AI browsers extra gevaarlijk zijn:**
+- Kwetsbaar voor prompt injections
+- Vormen directe user interface naar externe bronnen
+- **Geen swiss cheese mogelijk** (geen defense in depth)
+
+**Gartner's oordeel:**
+> "AI browsers are just too dangerous to use"
+
+**NS Beleid:**
+- AI browsers zijn **verboden**
+- Security Operations Center (SOC) handhaaft via applicatiescans op managed endpoints
+- Dit is de best mogelijke bescherming momenteel
+
+---
+
+# Human in the Loop: Realiteitscheck
+
+**De mythe:**
+"Human in the loop" wordt te vaak als heilige graal gepresenteerd
+
+**De realiteit:**
+- **Approval fatigue:** Agentic engineer kan niet realistisch "in the loop" blijven
+- Vaker een pleister dan solide maatregel
+
+**Autoriteit Persoonsgegevens (AP) eisen:**
+Meaningful human intervention vereist:
+- Menselijke competentie
+- Toegewezen capaciteit  
+- Operationeel toezicht
+- Meer dan alleen automation bias voorkomen
+
+**Nieuwe paradigma: Human on the Move**
+Mensen worden gealerteerd en grijpen in wanneer nodig, niet constant in de loop.
+
+---
+
+# Dreigingsactoren en Risicomodel
+
+**Eerste drie dreigingen (Promptware, Content Traps, Environment Poisoning):**
+- Variaties van prompt injections
+- Exploiteren software supply chain
+- **Watering hole aanpak:** Aanvallers gaan naar centrale plekken (Reddit, MCP-server maintainers) om exploits te plaatsen
+
+**Vierde dreiging (Rogue Actions):**
+- **Geen hacker betrokken**
+- Agent doet zelfstandig "domme" dingen
+- Veroorzaakt schade aan databases, mailboxen, etc.
+
+**Belangrijke mindshift:**
+Meer zorgen over **integrity-issues** (schadelijke acties) dan over data breaches (confidentiality) → Anders dan GDPR-focus laatste 10 jaar
+
+---
+
+# NS Prioriteiten en Volgende Stappen
+
+**Top Prioriteit: Uitbouwen AI Management System (AIMS)**
+1. Beleid ontwikkelen
+2. Risicoanalyse versterken
+3. Training en awareness uitbreiden
+4. Systeemmaatregelen implementeren
+5. Supply chain oversight verbeteren
+
+**Tactische Prioriteiten:**
+- Container-isolatie oplossingen voor agents
+- MCP security richtlijnen + gecentraliseerde registries
+- IDE hardening en YOLO mode uitschakelen
+- Handhaving AI browser verbod via SOC
+- Realistisch benaderen van human oversight
+
+---
+
+# Les uit China: OpenMob
+
+**Wat gebeurde er:**
+- OpenMob agents gingen uit de rails
+- Chinese overheid greep in
+- Gebruikers verwijderden massaal hun "tot voor kort geliefde monsters"
+
+**De realiteit check:**
+We hebben de beloofde AI agents gekregen in 2026.
+**Zijn we er klaar voor?** Eigenlijk niet helemaal.
+
+**De vraag voor organisaties:**
+Welke business use cases passen bij deze nieuwe risico's, en waar is het te gevaarlijk?
+
+---
+
+<!-- _class: lead -->
+# Conclusie: False Clear
+
+**Het kernprobleem:**
+AI agents die aanvankelijk veilig lijken, maar later ontsporen
+
+**Waarom dit anders is:**
+- Traditionele IT: security test → snapshot → klaar
+- Agentic AI: operationele context brengt het echte gevaar
+
+**De uitdaging:**
+- Geen afdwingbare agent-specifieke security controls bestaan vandaag
+- 90% van gepubliceerde verdedigingen wordt omzeild
+- Frameworks zijn ontworpen vóór het agent-tijdperk
+
+**De weg vooruit:**
+Defense in depth, realistische governance, en continue waakzaamheid
+
+---
+
+<!-- _class: lead -->
+# Dankwoord & Bronnen
+
+**Presentatie door:**
+**Rens van Dongen**
+AI Officer, NS Cybersecurity
+
+**Bronnen:**
+Alle wetenschappelijke bronnen, onderzoeksrapporten en praktijkvoorbeelden zijn opgenomen in de originele presentatie van Rens van Dongen.
+
+*Deze MARP deck is gebaseerd op de presentatie "AI Agents & Cybersecurity" door Rens van Dongen en is samengesteld met diepe waardering voor zijn expertise en het delen van zijn inzichten op het gebied van AI governance en security.*
+
+---
\ No newline at end of file