UpGuard-onderzoek vindt 16,326 Supabase-databases die leesbare tabellen blootstellen

UpGuard op 25 september 2026 gepubliceerd onderzoek dat 16,326 databases identificeert die gehost worden op het Supabase-platform en leesbare tabellen aan het openbare web blootstellen, wat het beveiligingsbedrijf beschrijft als de grootste studie in zijn soort.

Het onderzoek is geschreven door Greg Pollock, directeur Research and Insights van UpGuard. Het meldt dat meer dan de helft van de blootgestelde databases aanwijzingen vertoonde van enige persoonlijk identificeerbare informatie, een kleiner percentage bevatte wachtwoorden of authenticatietokens, en een zeer klein aantal plausibele creditcardgegevens bevatte. Vaker vonden de onderzoekers aanwijzingen dat een betaalsysteem door een site werd gebruikt, wat volgens het rapport op zichzelf niet gevoelig is, maar wel gevallen markeert waarin aanvallers zich kunnen tussenvoegen in financiële transacties.

Supabase biedt gehoste Postgres-databases als een dienst en is, volgens het rapport, een kernonderdeel geworden van webapplicaties die zijn gebouwd via AI-ondersteunde “vibe-codering”. UpGuard stelt dat Supabase een waardering van $10 miljard had in juni 2026 en beschrijft het als het databaseproduct dat het meest wordt aanbevolen door Claude Code. In gevallen waarin een aanzienlijke blootstelling werd vastgesteld, zei UpGuard dat het de toepassings‑eigenaren had geïnformeerd.

Onderzoeksmethodologie

In plaats van apps te catalogiseren met de watermerken van vibe-coderingplatformen zoals Lovable en Replit, zochten de onderzoekers naar zelfstandige websites die op hun eigen primaire domeinen draaien. Het rapport stelt dat deze aanpak bedoeld was om sites te omvatten die zijn gebouwd met AI-coderingsagents zoals Claude Code en Codex van OpenAI, evenals sites die functioneren als echte bedrijven die klantgegevens verzamelen.

Sites die Supabase gebruiken kunnen worden geïdentificeerd door te zoeken naar Supabase-sleutelnamen en database-adressen in openbare JavaScript‑bestanden, volgens het rapport. De twee gegevensbronnen die het meest waardevol bleken, waren BuiltWith, dat technografische vingerafdrukken over het web uitvoert, en de Chrome UX Report‑dataset op BigQuery, die ruwe JavaScript‑bestanden levert die kunnen worden doorzocht op Supabase‑indicatoren zoals database‑adressen en API‑sleutels.

Via die twee methoden verzamelde het team ongeveer 300.000 unieke domeinen met aanwijzingen voor Supabase‑gebruik en vroeg elk domein naar een “users”‑tabel, redenerend dat “users” een gangbare tabelnaam is. Elke database gaf een van drie antwoorden: geen toegankelijke gegevens; geen “users”‑tabel, maar een hint die een toegankelijke tabel benoemt; of een pagina met resultaten. Gezien de omvang van de kandidaatset gebruikten de onderzoekers tabelschemas om de soorten potentieel blootgestelde gegevens te beoordelen in plaats van elke rij te lezen, en schraapten ze de inhoud van de startpagina met een AI‑model dat elk bedrijfsmodel classificeert als B2B, B2C, hybride of N/A.

Gedocumenteerde gegevensblootstellingen

Om te bevestigen dat de blootgestelde schema’s echte gegevens bevatten, onderzochten de onderzoekers een subset van databases waarbij metadata een kans op betekenisvolle blootstelling aangaf. Het rapport beschrijft verschillende gevallen.

Een blootgestelde database was gekoppeld aan een eenmalige‑code‑service op de Filipijnen die verband hield met een SIM‑farm, een operatie die het rapport beschrijft als onderdeel van de cybercrime‑leveringsketen waarin grote aantallen telefoon‑SIM‑kaarten worden gebruikt om nepaccounts op verschillende platforms te registreren. De database bevatte meer dan 2.000 gebruikers met e‑mailadressen, telefoonnummers en wallet‑saldi, plus meer dan 100.000 sms‑berichten met eenmalige codes, afzender‑ID’s en SIM‑codes.

Volgens het rapport bestond 95 % van de berichten uit codes, terwijl tussen de 2.000 en 2.400 geanalyseerde berichten echte persoon‑naar‑persoon‑teksten waren, bijna uitsluitend rit‑deel‑communicatie tussen chauffeurs en passagiers op de Filipijnen. Het rapport stelt dat deze personen geen verband lijken te hebben met de SIM‑farm en in plaats daarvan werden blootgesteld vanwege het enorme volume telefoonnummers dat erdoorheen stroomt.

Een andere database behoorde tot een valet‑service in het noordoosten van de VS die Supabase als back‑end voor haar CRM gebruikte. Deze blootstelde meer dan 100.000 klanten, elk met een telefoonnummer, ongeveer 43.000 daarvan met e‑mailadressen en volledige namen, en ongeveer 78.000 met kenteken‑nummers, plus de bezoekgeschiedenis, levenslange waarde, fooi‑geschiedenis en een vrije‑tekst notitie‑veld van elke klant. Een personeels‑tabel bevatte 665 werknemersrecords met e‑mailadressen, telefoonnummers en push‑tokens. Ongeveer 11 % van de blootgestelde e‑mailadressen (4.560) bevond zich op domeinen van derde‑partij bedrijven, waaronder herkenbare regionale werkgevers zoals universiteiten en Fortune 500‑bedrijven, stelt het rapport.

Een derde verkeerd geconfigureerde database bevatte 25.000 gebruikers met persoonlijke informatie en fysieke adressen voor een consulaat dat wordt beheerd door een Afrikaanse nationale regering, inclusief een veld dat de noodhuisvestigingslocatie aangeeft waar de personen momenteel verblijven. UpGuard merkt op dat de aard van de operatie betekent dat de blootgestelde personen tot een kwetsbare populatie behoren.

Een vierde database, voor een dienst die verhuizing‑ en immigratie‑coaching biedt aan mensen die naar Canada verhuizen, bevatte bijna 5.000 gebruikersrecords. Bijna allemaal bevatten volledige namen, e‑mailadressen, telefoonnummers en geboortedata, en 884 records bewaarden bovendien een wachtwoord in platte tekst, volgens het rapport.

Eerder onderzoek en blootstellingspatronen

In maart 2025 meldde ontwikkelaar Matt Turner wijdverspreide misconfiguratie van Supabase-databases die zijn aangemaakt door het vibe-coding platform Lovable, een probleem dat wordt gevolgd als CVE-2025-48757. Sindsdien heeft Supabase standaard row level security ingeschakeld voor tabellen die via de Table Editor-interface worden aangemaakt, aldus het rapport. Tabellen die programmatisch via de API worden aangemaakt, wat de manier is waarop coding agents met Supabase communiceren, activeren de bescherming niet standaard, en moet row level security ook worden geconfigureerd en moeten inloggegevens correct worden gebruikt om gegevens te beschermen.

De studie citeert verschillende eerdere, kleinere onderzoeken van dezelfde blootstellingsvector. Modern Pentest scantte 107 Y Combinator-startups en vond dat 28 % persoonlijke informatie blootstelde. Symbiotic Security scantte 1.072 vibe-coded apps en vond 39 met tabellen die leesbaar waren met de Supabase-public key. Escape vond 175 databases die persoonlijke informatie lekten over ongeveer 1.400 vibe-coded apps. Red Access scantte 380.000 URL’s en vond 5.000 toegankelijke apps, waarvan 2.000 gevoelige bedrijfs-, operationele of persoonlijke gegevens blootstelden. In februari 2026 ontdekte Wiz dat de Supabase-database achter Moltbook, een social media‑site voor AI‑agents, 35.000 e‑mailadressen en 1,5 miljoen API‑authentication tokens lekte.

Volgens het rapport vinden deze misconfiguraties wereldwijd plaats in plaats van zich te concentreren in één regio, hoewel de ernst niet uniform is: de gegevensbeschermingswetten van Europa stimuleren doorgaans betere praktijken, terwijl ontwikkelingsregio’s meer datalekken vertonen. Per sector waren e‑commerce‑ en restaurantsites het meest geneigd persoonlijke informatie en geïntegreerde betaalsystemen te verwerken, terwijl niet‑gelicentieerde online goksites eerder wachtwoorden en andere inloggegevens lekten. Of een site een consumenten‑ of zakelijke dienst adverteerde, maakte geen verschil in het type gegevens dat waarschijnlijk werd blootgesteld, aldus het rapport.

UpGuard concludeert dat datalekken het multiplicatieve product zijn van de gemak waarmee een technologie kan worden misgeconfigureerd en de omvang van de gebruikersbasis, en dat de gevolgen zich wereldwijd, in elke sector en in elk bedrijfsmodel voordoen wanneer mensen of hun AI‑coding‑agents niet begrijpen hoe ze een degelijke beveiligingsconfiguratie moeten implementeren.