AI-governance is geen C-suite-probleem. Het is een database-probleem.

Het tempo van AI-experimenten binnen ondernemingen is nog nooit zo snel geweest, maar de weg naar productie blijft hardnekkig langzaam. Teams zetten pilots op, testen modellen en demonstreren veelbelovende resultaten in weken, soms dagen. Maar als het tijd wordt om die systemen op grote schaal in te zetten, komt de vooruitgang vaak tot stilstand. Beveiligingszorgen komen aan de oppervlakte, compliance-eisen worden strenger en governance-vragen vermenigvuldigen. 

MIT’s The GenAI Divide: State of AI in Business 2025 vond dat 95% van de AI-pilots van ondernemingen geen meetbare bedrijfsimpact oplevert. Slechts 5% bereiken productie en genereren echte financiële rendementen. Het onderzoek omvatte meer dan 300 AI-implementaties en 150 executive-interviews en de conclusie was dat de primaire barrière niet de modelcapaciteit is. Het is een gebrekkige ondernemingsintegratie. De meeste ondernemingen behandelen dit als een beleidsprobleem dat op het hoogste niveau moet worden opgelost. Ik zou beweren dat AI-governance een systeemuitdaging is en dat het bij de datalaag begint.

Waarom AI-projecten stilvallen in het pilotstadium

Veel AI-initiatieven mislukken omdat de omgevingen waarin ze worden geprototypeerd, fundamenteel niet in overeenstemming zijn met de realiteit van ondernemingsimplementatie. Ontwikkelaars worden gestimuleerd om snel te handelen, flexibele tools te gebruiken, losse datasets en zelfbedieningsinfrastructuur om zo snel mogelijk waarde te bewijzen. Dit is ideaal voor experimenten — maar het vertaalt zich niet naar productieomgevingen die controle, strikte toegangscontrole, naleving van regelgeving en operationele veerkracht vereisen.

Als gevolg hiervan wordt governance vaak pas ingevoerd nadat een proof of concept is geslaagd. Op dat moment wordt wat een ondersteunende laag had moeten zijn, een beperking — waardoor teams beveiligingsmodellen moeten aanpassen, gegevensstromen opnieuw moeten ontwerpen en aannamen over naleving moeten herschrijven die vanaf het begin fundamenteel hadden moeten zijn.

Dit creëert een groeiende kloof tussen wat AI-systemen in gecontroleerde omgevingen kunnen aantonen en wat ondernemingen veilig en betrouwbaar in productie kunnen implementeren.

Tegelijkertijd is de moderne AI-stack geëvolueerd om snelheid en toegankelijkheid te prioriteren, vaak ten koste van controle. Ontwikkelaarsvriendelijke platforms maken het gemakkelijk om te testen, maar ze kunnen verhullen waar gegevens leven, hoe ze worden gebruikt en wie toegang heeft tot ze. 

Dit introduceert echte operationele en regelgevingsrisico’s, waaronder onopzettelijke gegevensexpositie, onduidelijke gegevensgrenzen over omgevingen en onvoldoende controle van systeemgedrag. Deze problemen komen rechtstreeks aan de oppervlakte in productiereadiness-reviews en compliance-beoordelingen. Ondernemingsenquêtes laten consistent zien dat gegevenskwaliteit en governance-problemen onder de toonaangevende oorzaken zijn van mislukte AI-projecten, die in 60-70% van de gevallen worden genoemd. Deze problemen worden verergerd door de groeiende afhankelijkheid van derdeninfrastructuur en beheerde databaseservices, die gegevenseigendom verder kunnen fragmenteren en regelgevingsaanpassing kunnen compliceren. In veel gevallen gaan ondernemingen ervan uit dat governance impliciet door platforms wordt afgehandeld, terwijl de verantwoordelijkheid in werkelijkheid over meerdere lagen van de stack is verdeeld.

Het resultaat is een paradox. De tools die AI-experimenten versnellen, zijn vaak dezelfde die wrijving introduceren op het moment van productie.

De database als de echte governance-laag

Om deze disconnectie aan te pakken, is het noodzakelijk om na te denken over waar governance eigenlijk gebeurt.

Governance wordt vaak gepositioneerd als een beleidsfunctie, gedefinieerd door juridische, compliance- of uitvoerende teams en afgedwongen door documentatie- en reviewprocessen. Hoewel essentieel, zijn deze mechanismen op zichzelf onvoldoende. Governance wordt pas zinvol als het op systeemniveau wordt afgedwongen.

In de praktijk gebeurt deze afdwonging waar gegevens worden opgeslagen, toegankelijk zijn en getransformeerd. Dit maakt de database en de omliggende gegevensinfrastructuur de meest kritieke governance-laag in de AI-stack.

Moderne databases zijn geen passieve opslag. Ze definiëren toegangsrechten, dwingen gegevensresiduvereisten af, beheren encryptie en sleutelcontrole en genereren de auditlogs die nodig zijn voor compliance en beveiligingscontrole. Ze dienen ook steeds vaker als controlepunt voor AI-systemen die met ondernemingsgegevens omgaan.

Dit is belangrijk omdat AI-systemen de governance-houding van de gegevensinfrastructuur erven waarop ze afhankelijk zijn. Als de onderliggende database-laag geen structuur, controles of zichtbaarheid heeft, worden deze zwakheden rechtstreeks in de AI-systemen doorgegeven die erop zijn gebouwd. Geen enkele downstream-toepassingsbeleid kan een onbeheerde gegevensbasis volledig compenseren.

Dit leidt tot een bredere architecturale verschuiving: governance moet vanaf het begin in de infrastructuur worden ingebed, in plaats van later als een externe beperking. Een infrastructuur-eerst-benadering van AI betekent het ontwerpen van systemen waarin governance een ingebouwd kenmerk is, in plaats van een externe beperking. Gegevenstoegang wordt gemedieerd via gecontroleerde interfaces. Query’s en systeeminteracties worden standaard gelogd. Compliance-regels, zoals toegangsbeperkingen, retentiebeleid en residuvereisten, worden op systeemniveau afgedwongen, in plaats van via handmatige controle of achterafvalidatie.

Dit vereist architectuurpatronen zoals beveiligde querymediatielagen, beleidsgeoriënteerde toegangscontrole en centrale observabiliteit over gedistribueerde gegevensomgevingen. Deze mechanismen garanderen dat governance continu wordt afgedwongen, in plaats van periodiek gecontroleerd.

Het verschil tussen proactieve en reactieve governance is fundamenteel. Reactieve benaderingen proberen problemen te corrigeren nadat systemen zijn gebouwd en geïmplementeerd. Proactieve benaderingen voorkomen dat deze problemen überhaupt optreden door controles direct in de systeemarchitectuur in te bouwen.

In AI-omgevingen bepaalt dit onderscheid of systemen kunnen schalen of stilvallen.

Wanneer agenten in beeld komen

Autonome agenten veranderen de governance-vergelijking op manieren waarop de meeste ondernemingen niet zijn voorbereid. Een agent leest niet alleen gegevens. Het schrijft ze, activeert acties over systemen en doet beide zonder menselijke tussenkomst.

Dit verandert de foutmodus volledig. Een slecht beheerd query retourneert een slecht antwoord. Een slecht beheerde agent handelt op basis van dat slechte antwoord, waardoor records worden bijgewerkt, downstream-workflows worden geactiveerd, beslissingen over systemen worden doorgegeven voordat iemand beseft dat er iets mis is gegaan.

Dit is waarom guardrails niet op het applicatieniveau kunnen leven. Een agent die over meerdere systemen werkt, zal altijd de weg van de minste weerstand vinden. Controles moeten op de datalaag worden afgedwongen, waar elke lees- en schrijfoperatie wordt gemedieerd en gelogd, ongeacht wat de trigger was.

Gartner voorspelt dat meer dan 40% van de agentic AI-projecten zal worden uitgesteld of geannuleerd vanwege governance- en betrouwbaarheidsproblemen. Dat aantal voelt laag, omdat het ervan uitgaat dat ondernemingen governance correct identificeren als de oorzaak, in plaats van het toe te schrijven aan het model of de tooling. De root cause is meestal onzichtbaar totdat het duur wordt.

Van experimenten naar productieready AI

Ondernemingen die AI succesvol van experimenten naar productie verplaatsen, delen vaak het gemeenschappelijke kenmerk dat ze hun ontwikkel- en productieomgevingen vroeg in de lijn brengen. 

In plaats van toe te staan dat experimentele systemen afwijken van productiebeperkingen, ontwerpen ze beide omgevingen met consistente governance-, beveiligings- en gegevenstoegangsprincipes. Dit vermindert de wrijving later in de levenscyclus wanneer modellen van prototypes naar productieworkloads overgaan.

Deze uitlijning is steeds belangrijker omdat de meeste ondernemingen nog geen volwassen, productieklare AI-infrastructuur hebben. Er zijn blijvende gaten in beveiligde gegevenstoegang, monitoring, observabiliteit en compliance-afdwinging. Deze gaten zijn niet geïsoleerd — ze zijn structurele uitdagingen die ontstaan wanneer AI wordt geschaald buiten pilotomgevingen naar mission-critical workflows.

Een andere grote disconnect tussen prototyping en productie treedt op wanneer productie-applicaties en databases op eigen servers of in strak beheerde cloud-accounts moeten worden gehost, terwijl de prototypes zijn ontwikkeld op cloud-gebaseerde databaseplatforms.

In volwassen ondernemingen worden AI-workloads behandeld met dezelfde strengheid als andere gereguleerde systemen. Dat betekent consistente logging, strikte toegangscontrole, continue monitoring en duidelijk gedefinieerde verantwoordelijkheidsstructuren over teams. Het vereist ook een nauwere uitlijning tussen data-engineering, platform-engineering, beveiliging en compliance-functies vanaf het begin, in plaats van als een naderhand.

De voordelen van deze benadering gaan verder dan risicoreductie. Ondernemingen ervaren ook snellere implementatiecycli, minder productiefouten en meer interne vertrouwen in AI-systemen. In deze context is het schalen van AI minder over modelinnovatie en meer over infrastructuurvolwassenheid.

Governance is een architecturaal imperatief

Uiteindelijk moet het gesprek over AI-governance verder gaan dan beleid en naar architectuur. 

Governance wordt vaak behandeld als een toezichtfunctie, maar in de praktijk wordt het afgedwongen door de systemen die bepalen hoe gegevens worden toegankelijk gemaakt en gebruikt. De database is niet alleen een opslaglaag, het is het controlepunt voor beveiliging, compliance en operationele integriteit over de AI-stack.

Naarmate AI dieper wordt ingebed in ondernemingsworkflows, neemt het belang van dit controlepunt aanzienlijk toe. Elke interactie tussen een model en ondernemingsgegevens wordt een beheerde gebeurtenis, of ondernemingen dit nu expliciet ontwerpen of niet.

Door infrastructuur-gebonden governance te prioriteren, beginnend bij de database-laag, kunnen ondernemingen de kloof tussen pilot en productie dichten. Hiermee verschuiven ze AI van geïsoleerd experiment naar een duurzame, schaalbare capaciteit die over de hele onderneming is ingebed.