Thought leaders
AI-governance bij bedrijven begint bij de database-infrastructuur

Belangrijkste punten% van AI-pilots in bedrijven mislukt omdat governance niet is ingebed in de datalaag.
Meer weergeven
- % van AI-pilots in bedrijven mislukt omdat governance niet is ingebed in de datalaag.
- Autonome agenten vereisen controles op datalaagniveau, omdat onbeheerde schrijfbewerkingen kunnen doorsijpelen naar andere systemen.
- Infrastructuur-eerst governance op databaseniveau overbrugt de kloof tussen pilot en productie.
Bedrijven experimenteren sneller dan ooit met AI, maar de weg naar productie blijft hardnekkig traag. Teams starten pilots, testen modellen en laten binnen weken, soms dagen, veelbelovende resultaten zien. Zodra ze die systemen op grote schaal willen inzetten, stokt de voortgang echter vaak. Er ontstaan beveiligingszorgen, nalevingseisen worden strenger en de vragen over governance nemen toe.
MIT’s rapport The GenAI Divide: State of AI in Business 2025 constateerde dat 95 procent van de AI-pilots bij bedrijven geen meetbaar zakelijk effect oplevert. Slechts vijf procent bereikt productie en levert daadwerkelijk financieel rendement op. Het onderzoek omvatte meer dan 300 AI-implementaties en 150 interviews met bestuurders. De conclusie was dat niet het vermogen van de modellen de belangrijkste belemmering vormt, maar gebrekkige integratie in bedrijfssystemen. De meeste organisaties behandelen dat als een beleidsprobleem dat op bestuursniveau moet worden opgelost. Volgens mij is AI-governance een systeemvraagstuk dat bij de datalaag begint.
Waarom AI-projecten in de pilotfase blijven steken
Veel AI-initiatieven lopen vast omdat de omgevingen voor het ontwikkelen van prototypes fundamenteel niet aansluiten op de praktijk van bedrijfsbrede implementatie. Ontwikkelaars worden aangespoord snel te werken met flexibele tools, beperkt beheerde datasets en zelf te bedienen infrastructuur, om zo snel mogelijk waarde aan te tonen. Dat is ideaal voor experimenten, maar sluit niet vanzelf aan op productieomgevingen die controleerbaarheid, strikte toegangscontrole, naleving van regelgeving en operationele veerkracht vereisen.
Daardoor wordt governance vaak pas ingevoerd nadat een haalbaarheidstest is geslaagd. Wat een ondersteunende laag had moeten zijn, wordt dan een beperking. Teams moeten beveiligingsmodellen achteraf aanpassen, datastromen opnieuw ontwerpen en aannames over naleving herzien die vanaf het begin onderdeel van de basis hadden moeten zijn.
Zo groeit de kloof tussen wat AI-systemen in gecontroleerde omgevingen kunnen aantonen en wat bedrijven veilig en betrouwbaar in productie kunnen nemen.
Tegelijkertijd is de moderne AI-technologiestack steeds meer gericht op snelheid en toegankelijkheid, vaak ten koste van controle. Ontwikkelaarsvriendelijke platforms maken pilots gemakkelijk, maar kunnen verhullen waar gegevens zich bevinden, hoe ze worden gebruikt en wie er toegang toe heeft.
Dit brengt reële operationele en regelgevingsrisico’s mee, zoals onbedoelde blootstelling van gegevens, onduidelijke gegevensgrenzen tussen omgevingen en onvoldoende mogelijkheden om systeemgedrag te auditen. Deze problemen komen direct naar voren bij beoordelingen van productiegeschiktheid en naleving. Bedrijfsonderzoeken laten consequent zien dat problemen met datakwaliteit en governance tot de belangrijkste oorzaken behoren van mislukte AI-projecten en in 60–70 procent van de gevallen worden genoemd. Het groeiende gebruik van externe infrastructuur en beheerde databasediensten verergert dit probleem. Dat kan het eigenaarschap van gegevens verder versnipperen en de afstemming op regelgeving bemoeilijken. Organisaties nemen vaak aan dat platforms governance vanzelf regelen, terwijl de verantwoordelijkheid in werkelijkheid over meerdere lagen van de technologiestack is verdeeld.
Het resultaat is een paradox. De tools die AI-experimenten versnellen, zijn vaak dezelfde die de overgang naar productie bemoeilijken.
De database als de eigenlijke governancelaag
Om deze gebrekkige aansluiting te verhelpen, moeten we opnieuw nadenken over waar governance werkelijk plaatsvindt.
Governance wordt vaak gezien als een beleidsfunctie, bepaald door juridische teams, nalevingsfunctionarissen of bestuurders en gehandhaafd via documentatie en beoordelingsprocessen. Deze mechanismen zijn essentieel, maar op zichzelf onvoldoende. Governance krijgt pas betekenis als zij op systeemniveau wordt afgedwongen.
In de praktijk gebeurt die handhaving waar gegevens worden opgeslagen, geraadpleegd en omgezet. Daarmee vormen de database en de omliggende data-infrastructuur de belangrijkste governancelaag in de AI-technologiestack.
Moderne databases zijn geen passieve opslagplaatsen. Ze bepalen toegangsrechten, handhaven eisen aan de geografische opslaglocatie van gegevens, beheren versleuteling en sleutelcontroles en produceren de auditlogs die nodig zijn voor naleving en beveiligingstoezicht. Steeds vaker zijn ze ook het controlepunt waar AI-systemen met bedrijfsgegevens werken.
Dat is belangrijk omdat AI-systemen het governanceniveau erven van de data-infrastructuur waarvan ze afhankelijk zijn. Als de onderliggende databaselaag structuur, controles of inzicht mist, gaan die zwakke plekken direct over op de AI-systemen die erop worden gebouwd. Geen enkel later beleid op applicatieniveau kan een onbeheerde databasis volledig compenseren.
Dit leidt tot een bredere verschuiving in de architectuur: governance moet vanaf het begin in de infrastructuur worden ingebouwd, niet na implementatie worden toegevoegd. Een aanpak die bij infrastructuur begint, betekent systemen ontwerpen waarin governance een ingebouwde eigenschap is in plaats van een externe beperking. Gegevenstoegang verloopt via gecontroleerde interfaces. Query’s en systeeminteracties worden standaard gelogd. Nalevingsregels, zoals toegangsbeperkingen, bewaarbeleid en eisen aan de opslaglocatie, worden op systeemniveau afgedwongen in plaats van via handmatig toezicht of validatie achteraf.
Dit vereist architectuurpatronen zoals veilige bemiddelingslagen voor query’s, beleidsgestuurde toegangscontrole en centrale observeerbaarheid in verspreide dataomgevingen. Deze mechanismen zorgen dat governance voortdurend wordt gehandhaafd in plaats van alleen periodiek gecontroleerd.
Het verschil tussen proactieve en reactieve governance is fundamenteel. Reactieve benaderingen proberen problemen te corrigeren nadat systemen zijn gebouwd en ingevoerd. Proactieve benaderingen voorkomen dat de problemen ontstaan door controles direct in de systeemarchitectuur in te bouwen.
In AI-omgevingen bepaalt dit verschil of systemen kunnen opschalen of vastlopen.
Wanneer agents erbij komen
Autonome agents veranderen de voorwaarden voor governance op manieren waarop de meeste organisaties niet zijn voorbereid. Een agent leest niet alleen gegevens. Hij schrijft ze ook en zet acties in verschillende systemen in gang, in beide gevallen zonder menselijke tussenkomst.
Daarmee verandert de aard van fouten volledig. Een slecht beheerde query geeft een onjuist antwoord. Een slecht beheerde agent handelt vervolgens op basis van dat antwoord: hij werkt records bij, start vervolgprocessen en verspreidt beslissingen tussen systemen voordat iemand beseft dat er iets misgaat.
Daarom kunnen beschermingsmaatregelen niet uitsluitend op applicatieniveau staan. Een agent die in meerdere systemen werkt, vindt altijd de weg van de minste weerstand. Controles moeten in de datalaag worden afgedwongen, waar elke lees- en schrijfactie via een gecontroleerde bemiddeling verloopt en wordt gelogd, ongeacht de aanleiding.
Gartner voorspelt dat meer dan 40 procent van de AI-projecten met agents wordt vertraagd of geannuleerd door problemen met governance en betrouwbaarheid. Dat cijfer voelt laag, omdat het veronderstelt dat organisaties governance correct als oorzaak aanwijzen in plaats van het model of de tools de schuld te geven. De onderliggende oorzaak blijft doorgaans onzichtbaar totdat zij duur wordt.
Van experimenten naar AI die klaar is voor productie
Organisaties die AI met succes van experiment naar productie brengen, hebben vaak gemeen dat ze hun ontwikkel- en productieomgevingen vroeg op elkaar afstemmen.
Ze laten experimentsystemen niet afdrijven van de productiebeperkingen, maar ontwerpen beide omgevingen met dezelfde beginselen voor governance, beveiliging en gegevenstoegang. Dat vermindert de wrijving later in de levenscyclus, wanneer modellen van prototypes naar productiewerklasten gaan.
Deze afstemming wordt steeds belangrijker omdat de meeste bedrijven nog altijd geen volwassen AI-infrastructuur van productiekwaliteit hebben. Er blijven tekortkomingen bestaan in veilige gegevenstoegang, monitoring, observeerbaarheid en het afdwingen van naleving. Dit zijn geen losstaande problemen, maar structurele uitdagingen die ontstaan wanneer AI vanuit pilotomgevingen wordt uitgebreid naar bedrijfskritische werkprocessen.
Een andere belangrijke kloof tussen prototyping en productie ontstaat wanneer productieapplicaties en databases in de eigen omgeving of op streng beheerde cloudaccounts moeten draaien, terwijl de prototypes op clouddatabaseplatforms zijn ontwikkeld.
In volwassen organisaties worden AI-werklasten even streng behandeld als andere gereguleerde systemen. Dat betekent consequente logging, strikte toegangscontrole, voortdurende monitoring en duidelijk vastgelegde verantwoordelijkheden tussen teams. Ook moeten data-engineering, platformengineering, beveiliging en naleving vanaf het begin nauwer worden afgestemd, niet pas achteraf.
De voordelen gaan verder dan risicobeperking. Organisaties krijgen ook snellere implementatiecycli, minder storingen in productie en meer intern vertrouwen in AI-systemen. In deze context draait het opschalen van AI minder om modelinnovatie en meer om de volwassenheid van de infrastructuur.
Governance is een vereiste voor de architectuur
Uiteindelijk moet het gesprek over AI-governance verder gaan dan beleid en ook over architectuur gaan.
Governance wordt vaak behandeld als een toezichtsfunctie, maar wordt in de praktijk afgedwongen via de systemen die bepalen hoe gegevens toegankelijk worden gemaakt en gebruikt. De database is niet alleen een opslaglaag, maar het controlepunt voor beveiliging, naleving en operationele integriteit in de hele AI-technologiestack.
Naarmate AI dieper in bedrijfsprocessen wordt ingebouwd, neemt het belang van dit controlepunt aanzienlijk toe. Elke interactie tussen een model en bedrijfsgegevens wordt een gebeurtenis waarop governance van toepassing is, of organisaties die nu uitdrukkelijk zo hebben ontworpen of niet.
Door governance vanuit de infrastructuur te benaderen, te beginnen bij de databaselaag, kunnen bedrijven de kloof tussen pilot en productie dichten. Zo maken ze van AI geen geïsoleerd experiment meer, maar een duurzame, schaalbare capaciteit die in de hele organisatie is ingebouwd.












