3 Tips om Agentic AI veilig in te zetten
Waar u ook bent in uw reis

Auteur: Jair Santanna
Datum: 18/09/2025

Verzonnen teksten van beroemde liedjes, wetenschappelijke papers die niet bestaan: er zijn meerdere voorbeelden van beroemde LLM hallucinaties. Dit is geen fout, maar een eigenschap. Deze modellen zijn ontworpen om vloeiende, plausibel klinkende tekst te genereren, niet om de waarheid te controleren.

Dat betekent dat ze vol vertrouwen details kunnen verzinnen, context verkeerd kunnen interpreteren of gaten kunnen opvullen met verzonnen informatie. Wanneer hallucinaties optreden in een "agentic loop", waarbij de AI niet alleen praat maar ook handelt, vermenigvuldigen de gevolgen zich.

Een verzonnen citaat kan onschadelijk zijn in een informeel gesprek, maar in een live systeem met toegang tot het internet, bedrijfsgegevens of uitvoerbare code kan datzelfde verzinsel leiden tot kostbare, gevaarlijke of zelfs rampzalige acties. In deze blog deelt onze AI-beveiligingsspecialist Jair Santanna 3 tips om dit te voorkomen.

Jair, onze belangrijkste specialist op het gebied van AI-cybersecurity, ontwikkelt en leidt AI-diensten op het gebied van cybersecurity en AI-innovaties bij Bureau Veritas Cybersecurity in Europa. Hij is ook assistent-professor aan de Universiteit Twente en lid van de EUROPOL EC3-adviesgroep voor RandD, en combineert erkende expertise met een praktische, innovatieve aanpak.

Chatbots: de eerste golf van AI-toepassingen

Herinnert u zich november 2022 nog? De lancering van ChatGPT maakte kunstmatige intelligentie (AI) van de ene op de andere dag mainstream. Binnen enkele weken gebruikten miljoenen mensen een spraakgestuurde AI-assistent in hun dagelijks leven om e-mails op te stellen, ideeën te brainstormen en zelfs gedichten te schrijven. Het voelde alsof een sciencefictionmoment plotseling in een browsertabblad veranderde.

Sindsdien is de transformatie zeer intens geweest. Microsoft nam Copilot op in veel van zijn tools, Google lanceerde Gemini, Anthropic introduceerde Claude, en talloze bedrijven volgden met hun eigen AI-gestuurde chatbots. Wat ooit een experiment was, werd al snel de standaardinterface voor interactie met AI. Gewoon voor uw eigen reflectie: Hoe vaak hebt u de afgelopen week interactie gehad met een AI-chatbot?

Hier eind 2025 zijn chatbots nog steeds de meest gebruikte vorm van AI. Toen we in het laatste kwartaal AI-penetration testing of AI Red Teaming uitvoerden, vroegen de meeste bedrijven ons om hun aangepaste AI-chatbotsystemen te evalueren, die vaak verbonden waren met gevoelige interne tools of datasets. De drie meest voorkomende functionaliteiten die we in de chatbots aantroffen waren:

1. Internettoegang: chatbots die in realtime browsen om nieuwe informatie op te halen.
2. Gegevensintegratie: systemen die verbonden zijn met bedrijfsdatabases, CRM's, Google-suite en kennisbanken.
3. Code-uitvoering: assistenten die scripts kunnen uitvoeren en functionerende programma's kunnen produceren.

Van LLM's naar Chatbots naar AI-agenten naar Agentic AI

Wat begon als "gewoon tekstvoorspelling" met Large Language Models (LLM's) is uitgegroeid tot "digitale medewerkers". Hier kan sommige terminologie verwarrend worden. LLM's zijn "het brein" van de meeste Generatieve AI-toepassingen. Chatbots zijn de AI-toepassingen die eindgebruikers helpen om op een geschreven en/of gesproken manier met LLM's te communiceren. Chatbots kregen steeds meer functionaliteiten en kunnen de laatste tijd, in enkele gevallen, als AI-agenten worden beschouwd.

Onderzoekers van de Cornell University definiëren AI-agenten als "autonome softwareprogramma's die specifieke taken uitvoeren". In hetzelfde artikel definiëren ze Agentic AI als "systemen van meerdere AI-agenten die samenwerken om complexe doelen te bereiken". Ze gebruiken een zeer duidelijke analogie van twee systemen die de temperatuur van een omgeving regelen, weergegeven in de volgende afbeelding.

Vanaf eind 2025 gaan discussies over Agentic AI vaak over tools die ontworpen zijn voor AI-workflowautomatisering en -integratie (bijv. n8n, Dify) of over bredere SaaS-automatiseringsplatforms (bijv. Zapier, Make, Microsoft Power Automate). Zowel AI-specifieke als algemene workflowautomatiseringsplatforms stellen LLM's in staat om echte acties in gang te zetten.

Het meest opwindende is dat elke organisatie zich nu praktische, hoogwaardige agents kan voorstellen die op maat gemaakt zijn voor hun dagelijkse bedrijfsvoering. Bijvoorbeeld:

1. Bedrijven kunnen onderzoeksagenten gebruiken die nieuws uit de sector scannen, strategieën van concurrenten samenvatten en gepolijste rapporten afleveren die interne sjablonen volgen.
2. Verkoopteams hebben baat bij outreach agents die leads kwalificeren, gepersonaliseerde e-mails opstellen en het CRM automatisch bijwerken.
3. HR-afdelingen kunnen onboarding agents gebruiken die gepersonaliseerde welkomstpakketten opstellen, trainingen plannen en vereiste documenten verzamelen.
4. Financiële teams kunnen compliance agents inzetten die transacties reconciliëren, afwijkingen markeren en overzichten genereren die klaar zijn voor audits.
5. Zelfs productteams kunnen customer-feedback agents inzetten die sociale kanalen monitoren, inzichten bundelen en verbeteringen met prioriteit aanbevelen.

De mogelijkheden zijn eindeloos. De echte barrière is NIET meer de technologie, maar onze creativiteit.

De AI-valkuilen

De kern van chatbots en Agentic AI wordt gevormd door de Large Language Models (LLM's). Ze zijn verbazingwekkend goed in staat om tekst te synthetiseren, over instructies te redeneren en zelfs werkende code te genereren. Maar laat ik duidelijk zijn: LLM's zijn krachtig, maar ook erg kwetsbaar. Achter hun sterke punten gaan diepe valkuilen, onbegrensde autonomie, verborgen kwetsbaarheden en cascaderisico's in digitale toeleveringsketens schuil. De voordelen, zoals beschreven in de vorige hoofdstukken, zijn nog steeds groter dan de risico's als ze goed overwogen en aangepakt worden.

Denk aan vier veelvoorkomende functies die AI-agenten aantrekkelijk maken, en de risico's die ze met zich meebrengen:

1. Toegang tot internet → risico's op verkeerde informatie. Een klantgerichte chatbot voor een reisbureau kan visumvereisten van een onbetrouwbare website halen. Als die gegevens verouderd of onjuist zijn, kan een reiziger onvoorbereid bij de grens aankomen, wat kan leiden tot persoonlijke problemen en blijvende reputatieschade voor het reisbureau.
2. Data-integratie → blootstelling aan beveiliging en privacy. Wanneer een AI-assistent verbonden is met gevoelige bedrijfssystemen, zoals de patiëntendatabase van een ziekenhuis, neemt de inzet drastisch toe. Een slecht ontworpen prompt of kwaadwillende insider kan het model ertoe aanzetten om privégezondheidsgegevens bloot te stellen, wat kan leiden tot rechtszaken en boetes.
3. Uitvoering van codes → onbedoelde gevolgen. AI-gegenereerde scripts kunnen er correct uitzien, maar subtiele fouten verbergen. Een marketingteam dat op dergelijke code vertrouwt, kan per ongeluk e-mails verzenden zonder in te gaan op afmeldverzoeken, waardoor duizenden gebruikers effectief worden gespamd en de compliance-regels worden overtreden, wat boetes tot 43.280 dollar per e-mail kan opleveren.
4. Decider voor kritieke assets of bedrijfsvoering → bedrijfsregels of zelfs wetten overtreden. Het beruchte Chevrolet-incident illustreert dit risico. De chatbot van een dealer, niet beperkt door prijslogica, "verkocht" een Chevy Tahoe die oorspronkelijk tussen US$60k en US$80k lag voor US$1. Zonder strikte integratie met officiële systemen kan AI output genereren die bedrijfsregels, contracten of zelfs wetten overtreedt.

Deze koppelingen naar gevallen onderstrepen het cruciale belang van het implementeren van de juiste vangrails, menselijk toezicht en systeemintegratie bij het inzetten van AI-agenten in bedrijfskritische omgevingen. Elk incident is niet alleen een technisch falen, maar ook een fout in het risicobeheer die voorkomen had kunnen worden met de juiste voorzorgsmaatregelen.

Onze 3 tips en een lijst met standaarden om uw AI-toepassing veiliger te maken

Ongeacht waar uw bedrijf zich in de AI-reis bevindt, als het een applicatie met LLM-aanroepen (API), een Chatbot, een AI-agent of een Agentic AI-toepassing heeft, zijn dit de drie belangrijkste adviezen die wij aan klanten geven.

1. Guardrails. U moet guardrails implementeren voor en na de LLM-aanroep. Hierdoor kunt u invoer zuiveren voordat deze het model bereikt, en uitvoer filteren voordat deze de gebruiker of een ander systeem bereikt. Guardrails zijn geen beperking, maar eerder een eerste verdedigingslinie of basishygiëne. Meestal is een goede plek om te beginnen direct bij de AI-model/bronleverancier, bijvoorbeeld AWS bedrock heeft verschillende vangrails die gemakkelijk out of the box geïmplementeerd kunnen worden, voornamelijk van toepassing als u LLM's of door hen geleverde bronnen gebruikt.
2. Respecteer de "AI Triangle of Risk". Een AI-oplossing mag deze aspecten nooit tegelijkertijd combineren: (1) niet-vertrouwde invoer, (2) toegang tot gevoelige gegevens of (3) uitgaande netwerktoegang. Het is bewezen dat het combineren van twee of meer van deze aspecten tegelijkertijd een recept voor rampspoed is. We gaan dieper in op deze AI Triangle of Risk in het webinar Hoe AI veilig implementeren.
3. Security testing. U moet regelmatig penetratietests en/of Red Teaming uitvoeren voor AI-systemen. Bij voorkeur door externe leveranciers die niet bias zijn voor de implementatie van uw AI-systeem. Zorg ervoor dat de tests worden afgestemd op de risico's die door de industrie worden genoemd, zoals de kennisbank met tactieken, technieken en casestudies van tegenstanders speciaal voor AI-systemen genaamd MITRE ATLAS en de Top 10 GenAI Security Risks van de OWASP-community.

Naast deze 3 tips en ander advies, raden wij klanten sterk aan om frameworks en standaarden te kennen en na te leven. Frameworks en standaarden vormen de basis voor het bouwen van veilige, betrouwbare en toekomstbestendige AI-systemen.

Ze bieden gestructureerde methoden om risico's te identificeren en te beperken, bieden bedrijven een manier om verantwoording af te leggen aan klanten, regelgevers en het publiek, en verlagen de kosten voor compliance op lange termijn wanneer regelgeving zoals de EU AI Act van kracht wordt.

Kortom, aandacht besteden aan frameworks vandaag de dag helpt organisaties om dure fouten te voorkomen, het vertrouwen van belanghebbenden te versterken en zowel aanvallers als regelgevers voor te blijven. Hier volgt een lijst met een aantal belangrijke frameworks, normen en regelgeving met betrekking tot AI.