Eén beleid, duizenden agenten: waarom AI-governance op ondernemingsniveau op grote schaal tekortschiet

Een groot deel van het gesprek over de invoering van autonome AI-agenten draait terecht om governance als een belangrijke uitdaging. Gartner voorspelde onlangs dat 40% van de ondernemingen hun autonome AI-agenten vóór 2027 een lagere prioriteit zullen geven of buiten gebruik zullen stellen – niet omdat de technologie faalde, maar omdat hun governance tekortschiet. Volgens Gartner-analist en senior directeur Shiva Varma is „binaire governance” de boosdoener: agenten behandelen alsof ze óf volledig aan banden moeten worden gelegd óf volledig moeten worden vertrouwd, zonder middenweg.

Veel organisaties neigen momenteel naar een totaalverbod op AI-tools óf zetten agenten in met ontoereikende beveiligingsmaatregelen. Geen van beide benaderingen is goed schaalbaar. Zelfs wanneer IT het gebruik van externe AI-tools verbiedt, blijft schaduw-AI voorkomen. Ontwikkelaars willen van nature dingen bouwen en problemen oplossen; als governance te bureaucratisch aanvoelt, omzeilen ze de controles en gebruiken ze niet-geteste tools om vooruitgang te blijven boeken. Onvoldoende beveiligingsmaatregelen stellen organisaties daarentegen bloot aan beveiligings-, compliance- en operationele risico’s die in de loop der tijd toenemen. 

De uitdaging is dat AI-agenten niet op uniforme wijze kunnen worden bestuurd met een statische, universele aanpak.  Het tijdperk van een uniforme governance-aanpak loopt ten einde, omdat deze systemen niet hetzelfde risicoprofiel hebben: ze verschillen in de onderliggende software, mogelijkheden, toegangsrechten en mate van autonomie. Statische controles uit het industriële tijdperk toepassen op software die op machinesnelheid werkt, zal niet werken.  Effectieve governance hangt ervan af of organisaties inzicht hebben in de softwaretoeleveringsketen achter elke agent en de controles afstemmen op de risico’s die deze met zich meebrengt.  

Governance van agentgestuurde softwareontwikkelomgevingen

Echte controle houdt in dat alle softwarecomponenten waaruit de agent bestaat, effectief worden beheerd. Veel teams beschouwen deze agenten ten onrechte als „betrouwbaar en veilig” en zien daarbij de standaardelementen over het hoofd die van invloed zijn op hun werking en beveiliging. 

Elke autonome AI-agent is opgebouwd uit een herkenbare stapel: een basismodel, MCP-servers (Model Context Protocol) die verbinding maken met bedrijfsgegevens en externe systemen, plug-ins die de mogelijkheden uitbreiden en vaardigheidsbestanden die bepalen hoe de agent zich gedraagt. IT-leiders moeten het volgende in gedachten houden: 

• AI-agenten zijn software-ecosystemen: Ze zijn afhankelijk van een standaardopstelling met modellen, MCP’s, tools, plug-ins, vaardigheden en opensourcesoftware.
• MCP-servers kunnen risico’s met zich meebrengen: Ze verbinden agenten met bedrijfsgegevens en kunnen net als alle andere software worden gedownload. Als ze niet worden gecontroleerd, kunnen hackers er toegang mee krijgen tot uw systeem. Zo wijst recent onderzoek van JFrog Security Research op precies deze risico’s in de softwaretoeleveringsketen binnen mcp-run-python, waaronder een kwetsbaarheid voor verzoekvervalsing aan de serverzijde (SSRF) (CVE-2026-25904) en een kwetsbaarheid door gebrek aan isolatie (CVE-2026-25905) die ertoe kunnen leiden dat een MCP volledig wordt overgenomen.
• Plug-ins kunnen extra risico’s opleveren: Verschillende agenten hebben verschillende plug-ins nodig (een plug-in voor OpenAI werkt bijvoorbeeld niet in Microsoft Copilot). Daardoor moeten bedrijven vaak meerdere varianten beheren, waarbij één schadelijke plug-in gevoelige informatie kan stelen.
• Vaardigheden bepalen het gedrag van agenten: Deze instructiebestanden vertellen de agent hoe die moet werken. Omdat ontwikkelaars ze uit bronnen van de gemeenschap halen, kan een gemanipuleerde vaardigheid ongemerkt veranderen hoe een agent functioneert.
• Risico’s van opensourcesoftware: Alle functionaliteit van oplossingen die met agentgestuurd programmeren zijn gebouwd, is gebaseerd op het gebruik van opensourcebinaire bestanden. Programmeeragenten kunnen net zo gemakkelijk schadelijke pakketten gebruiken in plaats van veilige, zonder zich bewust te zijn van het risico.
• Inzicht is essentieel: Veel teams weten niet dat deze problemen bestaan, waardoor hun agenten zeer kwetsbaar zijn. Organisaties beheren softwareafhankelijkheden nog steeds op basis van vertrouwen in plaats van grondige controles.

De rol van een gezaghebbend registratiesysteem bij effectieve AI-governance

De wedloop om AI-agenten in ondernemingen in te zetten, win je niet met een mentaliteit van gisteren. Logge, centralistische handmatige goedkeuringsketens voor elke workflow belemmeren innovatie, terwijl agenten zonder toezicht onnodige risico’s met zich meebrengen.

Om AI veilig op te schalen, moeten organisaties een gelaagde aanpak hanteren voor het beheer en de beveiliging van softwarecomponenten, waaronder pakketten, binaire bestanden, MCP’s, vaardigheden en afhankelijkheden. Door een gezaghebbend registratiesysteem op te zetten, kunnen ondernemingen alle gebruikte componenten selecteren, alles vóór gebruik scannen, beleid handhaven op het juiste moment in de ontwikkelingscyclus, en de mogelijkheid behouden om direct terug te draaien. Zo kan de vraag „zijn we kwetsbaar?” binnen enkele minuten worden beantwoord wanneer de volgende kwetsbaarheid bekend wordt gemaakt, in plaats van pas na dagen.

AI-agents zorgen echter voor een groter aanvalsoppervlak dat zich aanzienlijk sneller ontwikkelt. Omdat agents met een hoge mate van autonomie honderden beslissingen per minuut kunnen nemen en daarbij toolaanroepen aan elkaar kunnen rijgen, gegevens kunnen benaderen en code kunnen uitvoeren, kan de traditionele intakecontrole dat tempo niet bijhouden. Beoordelingen vooraf en goedkeuringsprocedures blijven een belangrijke rol spelen, maar kunnen op zichzelf geen systemen beveiligen die op machinesnelheid werken.

Deze agents vereisen dynamische handhaving tijdens de uitvoering, met de mogelijkheid om afwijkend gedrag te detecteren zodra het zich voordoet en in te grijpen voordat de schade zich verspreidt. Zie het als een stroomonderbreker: de toegang tot een gecompromitteerde skill intrekken, de verbinding met een niet-vertrouwde gegevenscontext verbreken of een specifieke toolaanroep blokkeren zodra er iets misgaat.

Voorbij het principe van één maat voor iedereen

Starre, uniforme governance is een gegarandeerde route naar mislukking. De tijd om hierop vooruit te lopen raakt op, en de governanceschuld stapelt zich op naarmate de inzet van agents versnelt. Daarom volgen hier vier stappen die beveiligings- en engineeringverantwoordelijken nu kunnen zetten om hun bedrijfssystemen weerbaarder te maken:

1. Breng in kaart wat er al draait. De meeste bedrijven hebben geen volledig overzicht van de AI-agents binnen hun organisatie, laat staan van de MCP-servers, plug-ins en skillbestanden die deze aandrijven. Voordat u uw risico’s kunt beoordelen of ergens governance op kunt toepassen, moet u weten wat er bestaat.
2. Behandel AI-componenten als softwareartefacten. MCP-servers, skillbestanden en plug-ins zijn geen configuratie, maar code, met dezelfde risico’s in de toeleveringsketen als elke andere opensourcedependency. Pas dezelfde controle, scans en herkomstregistratie toe als bij elke bibliotheek van derden.
3. Deel agents in op basis van hun autonomieniveau en stem de beheersmaatregelen daarop af. Bepaal wat ‘hoge autonomie’ voor uw organisatie betekent en ontwikkel daarvoor een beleidskader met verschillende niveaus. Agents met een hoge mate van autonomie hebben handhaving tijdens de uitvoering nodig, niet alleen controles vooraf. Begin met uw meest gevoelige systemen en breid de aanpak van daaruit uit.
4. Zorg dat governance snel genoeg werkt, zodat ontwikkelaars — menselijk of AI-gestuurd — er niet omheen gaan. Shadow AI is een kwestie van wrijving. Als de goedkeuring van een nieuwe MCP-server twee weken duurt, vinden ontwikkelaars wel een andere manier. Geautomatiseerde scans met duidelijke beleidshandhaving zijn het enige model dat kan meegroeien met het werkelijke tempo van AI-ontwikkeling.

Governance is veel effectiever wanneer die aansluit bij de daadwerkelijke risico’s van elke agent, in plaats van ze allemaal gelijk te behandelen. De bedrijven die straks vooroplopen, zijn de bedrijven die governance afstemmen op de realiteit van elke agent, ondersteund door een registratiesysteem dat het beleid op elke grens handhaaft, inzicht biedt in elk onderdeel en teams in staat stelt in te grijpen zodra er iets misgaat.