Slechts 21% van de organisaties kan een ontspoorde AI-agent daadwerkelijk uitschakelen

Is jouw organisatie voorbereid om een AI-agent uit te schakelen als het misgaat?

In juli 2026 ontdekte het Britse AI Security Institute (AISI) tijdens een reguliere security assessment dat enkele agents van Anthropic en OpenAI zelfstandig nepidentiteiten online aanmaakten en aanvallen uitvoerden op echte personen en organisaties.

AISI wist het incident snel en zonder gevolgen onder controle te krijgen. Maar wat als dit binnen jouw organisatie zou gebeuren? Zou je afwijkend gedrag van een AI-agent effectief kunnen detecteren en de agent vervolgens kunnen uitschakelen?

Als je daar niet direct antwoord op kunt geven, ben je niet de enige. Veel organisaties die agentic AI adopteren, staan voor precies deze uitdaging.

Volgens Deloitte’s State of AI in the Enterprise-rapport is 74% van de organisaties van plan om binnen twee jaar agentic AI te implementeren. Toch beschikt slechts 21% over een volwassen AI governance-model om deze autonome agents goed te beheren.

Dat verschil legt een zorgwekkende realiteit bloot: veel organisaties willen AI-tools integreren in hun bedrijfsvoering, maar slechts een klein deel heeft daadwerkelijk controle over de AI-agents die ze inzetten.

Dat hoeft je er niet van te weerhouden om de mogelijkheden en voordelen van AI te benutten.

Hoe? Door de mogelijkheid om AI-agents uit te schakelen niet langer als optioneel te beschouwen, maar als een fundamentele vereiste. Net als ieder ander kritisch operationeel protocol. Daarmee leg je de basis voor de governance die nodig is om de risico’s van agentic AI te beheersen.

Door toezicht en controle vanaf het begin prioriteit te geven, kun je de mogelijkheden van AI-agents benutten zonder in te leveren op verantwoordelijkheid en operationele veiligheid.

Waarom de risico’s van agentic AI anders zijn dan die van chatbots

De overstap van traditionele AI-toepassingen naar agentic AI vraagt om een andere benadering van AI governance. Voor IT Directors en Chief Information Security Officers (CISO’s) is het daarom belangrijk om het verschil tussen generative AI-tools, zoals chatbots, en agentic AI goed te begrijpen.

Generative AI versus agentic AI: de belangrijkste verschillen

Generative AI-modellen zijn ontworpen om output te produceren, zoals tekst en afbeeldingen. Een medewerker kan die output vervolgens beoordelen en beslissen wat ermee gebeurt. Er blijft dus een menselijke controlelaag aanwezig.

Wanneer je marketingafdeling bijvoorbeeld generative AI gebruikt om een e-mailcampagne op te stellen, kunnen medewerkers de content eerst beoordelen en goedkeuren. Zo kunnen zij controleren of de kwaliteit goed is en de boodschap aansluit bij de tone of voice van het merk.

Agentic AI werkt anders. Deze systemen kunnen zelfstandig beslissingen nemen en acties uitvoeren binnen meerdere systemen, zonder afhankelijk te zijn van menselijke tussenkomst.

Een AI-agent binnen je financiële systeem kan bijvoorbeeld data analyseren en op basis van vooraf ingestelde parameters zelfstandig een reeks transacties uitvoeren, zoals het aanpassen van aandelenportefeuilles of het initiëren van betalingen.

Die mate van autonomie brengt andere uitdagingen en risico’s met zich mee.

De risico’s van agents zonder goede AI governance

Uit Grant Thornton’s 2026 AI Impact Survey Report blijkt dat bijna drie op de vier organisaties AI-systemen testen, opschalen of gebruiken die directe toegang hebben tot gevoelige data en kritieke processen.

Dat brengt aanzienlijke risico’s met zich mee waar veel organisaties nog onvoldoende op voorbereid zijn. Agentic AI kan:

• Credentials beheren. Agents kunnen gebruikersnamen en wachtwoorden opslaan en gebruiken, waardoor ze een potentieel doelwit worden voor cybercriminelen.
• Databases raadplegen. Autonome agents met directe toegang tot databases vergroten de kans op onbedoelde blootstelling of beschadiging van data.
• Workflows starten. Agents kunnen kritieke bedrijfsprocessen initiëren die zonder goed toezicht mogelijk onbeperkt blijven doorlopen.
• Systemen of databases aanpassen. Wanneer agents databases of records wijzigen, kunnen ze fouten introduceren die zich vervolgens door de organisatie verspreiden.
• Andere agents aansturen. Sommige agents kunnen andere agents beïnvloeden of opdrachten geven, waardoor het toezicht dat nodig is voor effectieve AI governance nog complexer wordt.

Een andere manier van risicomanagement

Met de overstap naar agentic AI verandert ook het risicoprofiel. Het gaat niet langer alleen om de kwaliteit van de output, maar ook om de rechten en bevoegdheden die aan AI-agents worden toegekend.

Als je alleen controleert of de output van een agent correct is, kun je dus ongemerkt uitgebreide rechten aan AI-agents geven zonder daar voldoende toezicht op te houden.

Dit lijkt op de bestaande discussie rondom identity and access management voor menselijke gebruikers. AI-agents vormen echter een nieuwe categorie privileged non-human identities, die vaak zijn geïmplementeerd zonder de strenge joiner-mover-leaver-processen die organisaties voor medewerkers hanteren.

Wat heb je nodig om een AI-agent daadwerkelijk uit te schakelen?

Het uitschakelen van een AI-agent wordt vaak teruggebracht tot het idee van één simpele kill switch.

In werkelijkheid is het veel complexer.

Een AI-agent succesvol uitschakelen vraagt om een zorgvuldig gecoördineerd proces waarin verschillende onderdelen met elkaar samenhangen. Als één daarvan ontbreekt of niet goed werkt, kan dat het uitschakelen van de agent belemmeren.

1. Een volledig overzicht van alle AI-agents

Zorg dat je precies weet:

• welke agents binnen je organisatie worden gebruikt;
• wie eigenaar is van iedere agent;
• welke specifieke functie iedere agent uitvoert.

Veel organisaties lopen hier al tegen problemen aan, omdat AI-agents regelmatig op afdelingsniveau worden geïmplementeerd zonder centraal toezicht.

Je communicatieteam kan bijvoorbeeld een AI-tool voor het genereren van afbeeldingen gebruiken zonder IT daarvan op de hoogte te stellen. Daardoor ontstaat direct een blinde vlek.

2. Effectieve observability

Implementeer monitoringsoftware waarmee afwijkend gedrag snel kan worden gedetecteerd. Zo voorkom je dat je een probleem pas ontdekt wanneer de gevolgen verderop in je bedrijfsprocessen zichtbaar worden.

Neem bijvoorbeeld de volgende metrics mee:

• responstijden;
• plotselinge veranderingen in besluitvormingspatronen;
• onverwachte output.

Hoe sneller je afwijkingen signaleert, hoe sneller je kunt ingrijpen.

3. Duidelijk menselijk eigenaarschap

Accountability is essentieel.

Koppel iedere AI-agent aan een duidelijk aangewezen menselijke eigenaar die verantwoordelijk is voor het toezicht en de bevoegdheid heeft om direct in te grijpen.

Door ervoor te zorgen dat medewerkers kunnen handelen zonder eerst meerdere goedkeuringslagen te moeten doorlopen, voorkom je onnodige bureaucratische vertraging.

4. De technische mogelijkheid om toegang in te trekken

Een agent blokkeren in de user interface is niet voldoende. Je moet technisch in staat zijn om de activiteiten van een AI-agent volledig te stoppen.

Dat betekent onder andere:

• security permissions aanpassen;
• credentials intrekken;
• API access uitschakelen;
• het account waarop de agent draait deactiveren.

5. Acties traceren en terugdraaien

Het intrekken van toegang betekent niet automatisch dat de schade van een incident is ingedamd.

Stel dat een agent al uren actief is en in die tijd aanzienlijke wijzigingen heeft aangebracht in production environments. Alleen de agent stoppen lost die wijzigingen niet op en kan het daadwerkelijke probleem zelfs verhullen.

Je moet daarom kunnen achterhalen welke acties en wijzigingen de agent binnen verschillende systemen heeft uitgevoerd en deze waar nodig kunnen terugdraaien.

Om de risico’s van autonome AI-systemen goed te beheersen, heb je dus een stevig AI governance framework nodig dat is gebaseerd op visibility, accountability, revocation en remediation.

Een plan dat je nooit hebt getest, is geen goed plan

Uit hetzelfde onderzoek van Grant Thornton blijkt dat slechts ongeveer één op de vijf organisaties hun response-plannen voor AI-incidenten daadwerkelijk heeft getest.

Bij incident response bestaat een belangrijk verschil tussen:

Documented AI governance. De organisatie gaat ervan uit dat het plan zal werken omdat het er op papier goed uitziet, ook al is het nooit in een praktijksituatie getest.

Tested AI governance. De organisatie simuleert regelmatig verschillende scenario’s waarin AI faalt om te beoordelen of het incident response-plan en de bijbehorende capabilities daadwerkelijk werken.

Vertrouwen op een ongetest disaster recovery-plan brengt risico’s met zich mee, zeker nu organisaties steeds afhankelijker worden van AI.

Geen enkele serieuze organisatie zou beweren over betrouwbare disaster recovery te beschikken op basis van een document dat nooit is getest. Net zoals een auditor geen backupstrategie zou accepteren wanneer backups nooit daadwerkelijk zijn getest.

Toch worden AI incident response-plannen regelmatig goedgekeurd zonder enige praktische validatie.

Vier verborgen problemen in een ongetest incident response-plan

Stel dat een AI-agent ontspoort en tegelijkertijd verstoringen veroorzaakt binnen finance, customer service en fulfilment.

Als je incident response-plan nooit is getest, kan je securityteam tegen verschillende problemen aanlopen.

1. Onduidelijkheid over wie verantwoordelijk is

Wanneer de druk hoog is en een incident meerdere afdelingen raakt, kan het lastig zijn om te bepalen wie waarvoor verantwoordelijk is.

Dat kan leiden tot vertraging in de response, met negatieve gevolgen voor de hele operatie.

2. Verkeerde escalatiepaden

Plannen gaan er vaak vanuit dat belangrijke medewerkers altijd beschikbaar zijn, bijvoorbeeld om twee uur ’s nachts op een zondag.

In werkelijkheid is dat niet altijd het geval, zeker niet binnen kleine en middelgrote organisaties.

3. Verouderde processen voor het intrekken van toegang

Mogelijk heb je al procedures voor het intrekken van de toegang van een agent.

Maar wanneer deze procedures zijn gebaseerd op een verouderde systeemarchitectuur, werken ze mogelijk niet meer zoals bedoeld.

4. Incidenten worden te laat gedetecteerd

AI-incidenten kunnen veel langer op normale activiteiten lijken dan je misschien verwacht.

Een traditionele ransomware-aanval wordt vaak snel zichtbaar doordat bestanden worden versleuteld. Afwijkend gedrag van een AI-agent kan daarentegen maandenlang onopgemerkt blijven.

Daarom is het essentieel om real-time detection thresholds onderdeel te maken van je incident response-plan.

De echte waarde van tabletop exercises

Een ongetest plan betekent niet dat je voorbereid bent. Het kan je organisatie juist in gevaar brengen.

Voer daarom voor iedere AI-agent een tabletop exercise uit om zwakke plekken in je AI governance framework bloot te leggen en te controleren of je incident response-plan ook buiten papier daadwerkelijk werkt.

Deze relatief goedkope, scenario-based simulaties maken het mogelijk om zwakke plekken in je governance framework te ontdekken en de daadwerkelijke effectiviteit van je incident response-plan te testen zonder dat je organisatie risico loopt.

Gebruik bijvoorbeeld het framework van OWASP om deze oefeningen op een gestructureerde en interactieve manier uit te voeren.

Waarom dit op de agenda van de board terechtkomt – en sneller dan je denkt

Agentic AI was aanvankelijk vooral een onderwerp voor IT-afdelingen.

Nu organisaties steeds meer investeren in autonome systemen, verschuift de verantwoordelijkheid voor AI governance en accountability echter snel richting de boardroom.

En die ontwikkeling gaat sneller dan veel boards verwachten.

Uit hetzelfde onderzoek van Grant Thornton blijkt dat bijna de helft van de boards nog geen duidelijke verwachtingen heeft vastgesteld rondom AI governance, terwijl driekwart wel aanzienlijke investeringen in AI goedkeurt.

Die kloof in verantwoordelijkheid kan grote risico’s opleveren naarmate regelgeving zich verder ontwikkelt en de publieke aandacht voor AI toeneemt.

Compliance met AI-regelgeving

De EU AI Act en sectorspecifieke regelgeving zoals de Digital Operational Resilience Act (DORA) vereisen dat organisaties kunnen aantonen dat ze effectieve controle hebben over geautomatiseerde besluitvorming.

Niet voldoen aan deze regels kan aanzienlijke juridische en financiële gevolgen hebben.

Eisen van klanten

Klanten en enterprise buyers stellen tijdens procurement en in security questionnaires steeds vaker vragen over AI governance en risk management.

Organisaties die daar geen goede antwoorden op kunnen geven, lopen het risico commerciële kansen mis te lopen.

Vragen van verzekeraars

Verzekeraars vragen steeds vaker naar containment controls voor AI-systemen. Dat onderstreept het toenemende risicoprofiel van deze technologie.

M&A en investeringen

Bij fusies en overnames wordt het vermogen om effectieve governance en controle over data en AI aan te tonen steeds belangrijker.

Wanneer een organisatie niet aan deze eisen kan voldoen, kan dat invloed hebben op de waardering van het bedrijf.

Stel de juiste vragen om de juiste antwoorden te krijgen

Wanneer je als board investeringen in agentic AI goedkeurt zonder cruciale vragen te stellen – zoals wie eigenaar is van iedere agent en hoe de organisatie een agent kan uitschakelen wanneer dat nodig is – keur je in feite een risico goed dat nog niet volledig in kaart is gebracht.

Het eerste breed uitgemeten incident met AI zal deze dynamiek waarschijnlijk snel veranderen.

Organisaties zullen dan onder grote druk komen te staan en vragen moeten beantwoorden over hun voorbereiding en AI governance.

AI governance vóór je gaat opschalen

Wanneer AI governance pas wordt ingericht nadat een incident heeft plaatsgevonden, is het geen governance meer. Dan is het remediation.

Organisaties die op lange termijn de voordelen van agentic AI weten te benutten, zien governance daarom als een voorwaarde voor schaal, niet als iets om later te regelen.

Wacht dus niet op een incident.

Begin met het inventariseren van alle AI-agents binnen je organisatie en breng in kaart wie voor iedere agent verantwoordelijk is. Zorg vervolgens voor duidelijke accountability en de mogelijkheid om de toegang van iedere agent in te trekken.

Breid daarna monitoring en access governance uit naar AI-agents, zoals je dat ook voor menselijke medewerkers doet.

Test ten slotte de volledige keten met live oefeningen voordat je agentic AI verder opschaalt.

Dat proces kan in eerste instantie overweldigend lijken. Mogelijk ontdek je AI-agents waarvan niemand binnen de organisatie wist dat ze bestonden.

Zie zulke ontdekkingen niet als een mislukking, maar als waardevolle inzichten. Ze stellen je team in staat om proactief maatregelen te nemen en voorbereid te zijn wanneer er problemen ontstaan.

Organisaties die zeker weten dat ze een AI-agent kunnen uitschakelen wanneer het misgaat, zijn beter in staat om agentic AI snel en effectief op te schalen.

Zorg dat jouw organisatie niet behoort tot de 79% die daar nog geen zekerheid over heeft. Ga in gesprek met de AI governance- en securityexperts van Acora.