En dit wordt alleen maar urgenter naarmate agentische AI zelf gaat handelen in plaats van alleen maar te reageren; er is dan minder ruimte om problemen achteraf op te vangen. Gartner verwacht dat tegen eind 2027 meer dan 40% van de agentische AI-projecten zal worden geannuleerd, grotendeels omdat de risicobeheersingsmaatregelen nooit goed zijn ingebouwd.¹ Uit onderzoek van de IAPP blijkt al dat AI-governance bijna overal gangbaar is geworden bij organisaties die actief gebruikmaken van AI; bijna negen op de tien geven nu aan hiermee bezig te zijn.² Ook de regelgeving gaat deze kant op: de EU-AI-wet maakt van wat voorheen goede praktijken waren nu nalevingsverplichtingen, waarbij de strengste eisen gelden voor gebruiksscenario’s met een hoog risico. Naarmate AI meer autonomie krijgt, moet verantwoordelijkheid in een vroeger stadium worden ingebouwd, en niet pas later worden afgedwongen.
Verantwoordelijkheid wordt al veel eerder ingebouwd, in de input: de gegevens waarop een model is getraind, hoe mensen er dagelijks daadwerkelijk mee werken, de normen waaraan die gegevens en training moesten voldoen, en de interne en externe controles waaraan het werd getoetst. Dat hoeft op dag één nog niet allemaal perfect te zijn. Input kan in de loop van de tijd worden versterkt, en het is net zo belangrijk om deze up-to-date te houden naarmate modellen, regelgeving en gebruik evolueren, als om ze vanaf het begin goed te krijgen. Maar wanneer de input deugdelijk is, heeft de output een veel sterker fundament om op te bouwen. De input bepaalt de output, niet andersom.
AI-governance kan ook niet statisch zijn. Richtlijnen voelen actueel aan op het moment dat ze worden geschreven, maar zijn alweer verouderd tegen de tijd dat ze worden geïmplementeerd, omdat de onderliggende technologie voortdurend in beweging is. Een document dat eenmalig is goedgekeurd, of een spreadsheet die iedereen van plan is bij te werken, lost dit niet op. Het verplaatst alleen maar hetzelfde statische probleem naar een ander bestand, dat nog steeds één handmatige update achterloopt op wat er vorige week is veranderd. Dit is waar gespecialiseerde AI-governance-software, zoals Deeploy, zijn nut bewijst: live monitoring houdt het systeem zelf continu in de gaten en signaleert afwijkingen, misbruik of een verandering in gedrag op het moment dat het gebeurt, zodat het beheer gelijke tred houdt met de technologie die het in toom moet houden.
Dit is belangrijker dan alleen naleving. Organisaties die de basis goed op orde hebben – de datadiscipline, de werkwijzen, governance die gelijke tred houdt met de technologie – schalen AI met vertrouwen in plaats van met voorzichtigheid, en dat vertrouwen is wat AI verandert van voorzichtige proefprojecten in iets dat het bedrijf daadwerkelijk laat groeien. Bedrijven die AI nog steeds alleen in de uitvoerfase beheren, zitten – bijna per definitie – vast aan het één voor één beoordelen van elk resultaat. Bedrijven die de input hebben ontworpen,zijn degenen die het systeem zijn gang kunnen laten gaan.
Samen werken Deeploy en BearingPoint hieraan: organisaties helpen hun use cases goed te begrijpen en de juiste tools in te zetten om deze op te lossen, zodat verantwoord gebruik geen afzonderlijke stap is, maar de basis waarop de rest van AI wordt gebouwd.
Deze blogpost is een bijdrage van BearingPoint en Deeploy. Wil je hier verder over praten? Bezoek dan hun stands op Data Expo 2026.
Bronnen: ¹ Gartner voorspelt dat meer dan 40% van de agentische AI-projecten tegen eind 2027 zal worden geannuleerd ² AI Governance Profession Report 2025 — IAPP
