Data— Niet AI— Is de Sleutel

Kunstmatige intelligentie is zo diep geworteld in bedrijven dat bijna elke operatie op de een of andere manier door de technologie is beïnvloed. En als we specifiek kijken naar het gebruik van AI, zien we dat organisaties nieuwe vormen van AI gebruiken om te innoveren en bestaande systemen te verbeteren. In feite heeft een recente onderzoek van IT-leiders aangetoond dat 98% van de ondervraagden al gebruikmaken van agente AI om GenAI-use cases te orkestreren of dit in de nabije toekomst van plan zijn te doen.

Te midden van de explosie van AI-hulpmiddelen en -technologieën die de afgelopen jaren zijn verschenen, worden AI-agents snel een van de meest populaire. Deze agents helpen organisaties bij alles, van het verbeteren van de klantenservice en -ondersteuning tot het automatiseren van interne processen of het optimaliseren van bestaande GenAI-modellen die al in gebruik zijn. Maar het opschalen van de vele voordelen van AI-agents en AI in het algemeen naar een hele onderneming is niet zonder moeilijkheden.

De reden waarom veel organisaties moeite hebben met AI, en AI-agents in het bijzonder, op grote schaal, komt neer op vertrouwen, niet technologie. AI-agents werken van nature op een groot aantal systemen. Waar die systemen ook zijn, het is meer dan waarschijnlijk dat ze afhankelijk zijn van zeer gevoelige gegevens – of het nu een enorme hoeveelheid klantgegevens, medische informatie of bank- en financiële gegevens betreft. Hier ligt het probleem. Het opnemen van enorme hoeveelheden gegevens in een AI-model zonder de juiste gegevensbeveiligings- en -beveiligingsinfrastructuur, laat ondernemingen met een aanzienlijk risico zitten.

Ongeacht de uitvoer van een AI-model, het is alleen de moeite waard als de gegevens die het hebben getraind, te vertrouwen zijn. Maar het gaat om veel meer dan alleen ervoor zorgen dat de gegevens zijn beveiligd. Met name bij AI-agents is er een grote mate van autonomie betrokken bij de werking van deze modellen. Het ervoor zorgen dat ze zijn uitgerust met een begrip van wie toegang tot gegevens moet hebben, wanneer dit moet gebeuren en hoe, is cruciaal voor het opbouwen van vertrouwen.

Het overwinnen van gegevensbeveiligingscomplicaties is niet onmogelijk, hoewel. Met de juiste gegevensbeleid, metadatabeheer, API’s en ondernemingsbrede autorisatiekaders kunnen ondernemings-IT-leiders ervoor zorgen dat de gegevens die hun AI aandrijven, veilig en betrouwbaar zijn.

Laten we een nadere blik werpen.

Gegevensbeveiliging en de noodzaak van AI op grote schaal navigeren

Een van de bredere doelen van het integreren van AI-agents in een onderneming is het stroomlijnen van workflows over operaties en systemen. Maar dit doen zonder enige richtlijnen kan onbewust gevoelige gegevens blootstellen onderweg. Op een moment waarop gegevenslekken en kwaadwillige aanvallen constant evolueren, kan elke gegevens die wordt blootgesteld of toegankelijk is voor ongeautoriseerde gebruikers een ramp betekenen – niet alleen voor een AI-initiatief, maar voor de hele onderneming. De gemiddelde kosten van een gegevenslek zijn meer dan $4 miljoen in 2025, volgens IBM. De adoptie van AI versnelt snel, vaak met governance en beveiliging in de achterhoede, terwijl ondernemingsleiders meer innovatie, diepere inzichten en nieuwe groeimogelijkheden nastreven. Maar zelfs als de adoptie van AI stijgt, evolueren regelgevende beleidsregels en -eisen om gelijke tred te houden en ervoor te zorgen dat gegevens veilig blijven.

Van GDPR tot de CCPA en zelfs lang bestaande beleidsregels zoals HIIPA, vormen regelgevende complicaties een complexe uitdaging voor het opschalen van AI-agents. AI-hulpmiddelen die enorme hoeveelheden gegevens vereisen, nodigen, wanneer ze ongecontroleerd worden gelaten, een groter risico uit. Terwijl AI-modellen alle interne systemen bereiken, worden gevoelige gegevens vaak verplaatst en toegankelijk gemaakt tijdens het proces. Wanneer het om gegevens gaat, leggen regelgevende instanties wereldwijd meer nadruk op het waarborgen van privacy, effectieve governance en robuuste beveiliging.

Recentere beleidsregels zoals DORA – een set richtlijnen voor het beheersen van ICT-risico’s voor financiële dienstverleners die in de EU opereren – vereisen expliciet de classificatie en rapportage van ICT-incidenten, waaronder die welke de vertrouwelijkheid, integriteit of beschikbaarheid van gegevens aantasten. En hoewel dit beleid in de eerste plaats gericht is op operationele veerkracht, strekken de implicaties zich uit tot de adoptie van AI. Terwijl meer AI-initiatieven, waaronder die met AI-agents, toegang krijgen tot gegevens op ondernemingsniveau, neemt het risico van ongeautoriseerde toegang toe. Als een AI-project resulteert in het verlies of de blootstelling van gegevens, zouden regelgevingen zoals deze snel relevant worden.

Met zoveel op het spel, is het belangrijk dat ondernemingsorganisaties niet uit het oog verliezen hoe belangrijk beveiliging, governance en gegevenstoegang zijn.

De basis bouwen om AI-agents te laten werken

Ondernemingen moeten een basis bouwen die is geworteld in effectieve governance, met stevige richtlijnen en uitvoerbare regels die definiëren wat agents wel en niet kunnen doen. Aan het hart van deze basis ligt gegevensgovernance – de hoogste niveaus van beleid, normen en structuren die bepalen hoe gegevens op verantwoorde wijze binnen de organisatie worden gebruikt. Deze beleidsregels zorgen ervoor dat agents hun rollen niet overschrijden, ofwel door toegang te krijgen tot beperkte gegevenssets of door processen te starten zonder menselijke toezicht.

Het implementeren van een robuust gegevensbeleid moet beginnen met een paar sleutelpunten. Dit omvat verantwoordelijkheid en eigendom, gegevenskwaliteit en consistentie, beveiliging en privacy, naleving en controleerbaarheid, en transparantie en traceerbaarheid.

Met deze punten als ondersteunende basis voor governance, krijgen ondernemingsleiders meer controle over besluitvorming, meer vertrouwen in hun gegevens en minder regelgevingsrisico’s die door gegevenssilos worden veroorzaakt. Dit wordt gedaan door gebruik te maken van mogelijkheden zoals metadatabeheer, gegevensclassificatie en herkomst om transparantie en zichtbaarheid te vergroten in wie, of welke AI-hulpmiddelen, toegang kunnen krijgen. Elk van deze mechanismen stelt ondernemingen in staat om te traceren waar gegevens vandaan komen, hoe ze stromen en hoe ze worden getransformeerd.

Technologie is belangrijk, maar vertrouwen is het belangrijkst

Elke keer als een nieuw AI-model of innovatie op het toneel verschijnt, neemt de adoptie toe. Maar met elk AI-initiatief ontstaan risico’s – hoewel niet altijd waar men denkt. De technische uitdagingen die vaak de adoptie van nieuwe hulpmiddelen hinderen, zijn niet altijd de oorzaak van de trage integratie van AI. Vaak komt het neer op gegevens. Specifiek, vertrouwen in die gegevens en zorgen over privacy. Omdat AI zo snel beweegt, kan het soms een uitdaging zijn om ervoor te zorgen dat dingen zoals toegangscontrole, gegevensgovernance, herkomst en naleving gelijke tred houden met die snelheid.

Governance is een belangrijk onderdeel van vertrouwen, maar het vereist ook effectieve evaluaties. Met name bij agente AI is er nog een grote kloof in gestandaardiseerde evaluaties, maar deze zijn essentieel voor het aantonen van systemen die betrouwbaar en veilig werken.

Of u nu de prestaties van interne systemen wilt optimaliseren, fraude detectie wilt verbeteren of gewoon de klantenservice voor klanten wilt verbeteren, de beste AI-agents en AI-initiatieven zijn allemaal gebouwd op een basis van vertrouwde gegevens, privacy en beveiliging.