Red Hat ziet vertrouwen in AI-agents voorlopen op controle

Red Hat meldt dat 86,7% van de EMEA-CIO’s vertrouwen heeft in veilig beheer van AI-agents volgens regels en bedrijfsbeleid, terwijl volledig zicht op datastromen en softwareketens achterblijft.

Een agent met toegang tot klantgegevens of productiecode vergroot de keten die beheerd moet worden: het team moet kunnen terugvinden welke data, koppelingen en softwarecomponenten bij een actie betrokken waren. Die informatie bepaalt of een fout gericht te onderzoeken is en een kwetsbare afhankelijkheid tijdig wordt gevonden.

Vertrouwen zegt weinig over de controlelaag

Red Hat publiceerde de bevindingen op 27 oktober. Censuswide bevroeg 1.400 CIO’s in veertien landen in Europa, het Midden-Oosten en Afrika. De antwoorden zijn verzameld van 24 augustus tot en met 1 september. Red Hat vroeg onder meer of CIO’s vertrouwen hebben dat hun organisatie AI-agents veilig, volgens regels en in lijn met bedrijfsbeleid beheert. 86,7% antwoordde bevestigend. Tegelijk zegt 84,8% te weten waar AI-data wordt verwerkt, opgeslagen en gedeeld, maar slechts 39,6% heeft volledig vertrouwen in het totale zicht op die datastromen. Nog eens 45,2% erkent kleine blinde vlekken.

Die vragen meten niet hetzelfde. Weten waar data ongeveer staat is iets anders dan elke doorgifte, opslaglocatie en tussenstap volledig kunnen volgen. Red Hats blog geeft EMEA-totalen; Techzine publiceert de Nederlandse uitsplitsing. Daarin zegt 75% van de CIO’s veel vertrouwen te hebben in eigen agenten, maar slechts 29% volledig te rekenen op geteste beveiligingsgrenzen, doorlopende monitoring en automatische interventie. Nog eens 46% is redelijk zeker, maar erkent kleine hiaten. Dat betekent niet dat de overige 71% geen enkele controle heeft. Het laat wel zien dat vertrouwen in de werking van agenten breder is dan vertrouwen in een volledig ingerichte controlelaag.

Datastromen lopen door tot in de softwareketen

In Nederland zegt 38% alle datastromen van begin tot eind te kunnen overzien. 47% ziet kleine hiaten en 15% zegt AI-functies te hebben ingevoerd zonder de bijbehorende datastromen volledig te begrijpen. Bij leveranciers van AI-systemen zegt maar 22% de risico’s doorlopend te beoordelen. Voor 46% blijft de beoordeling vooral bij de start van de samenwerking. Op EMEA-niveau zegt Red Hat dat 34,4% meetbare criteria gebruikt voor doorlopende leverancierscontrole, terwijl 19,7% die risico’s helemaal niet blijft volgen.

Het beeld is vergelijkbaar bij open source-software. Slechts 25% van de Nederlandse CIO’s zegt een volledig en doorlopend bijgewerkt overzicht te hebben van open source-componenten, inclusief herkomst, versies en indirecte afhankelijkheden. 40% kent wel de onderdelen en versies, maar niet hun herkomst. Red Hat rapporteert voor EMEA 32,9% met een volledige actuele ketenkaart; 43% ziet de hoofdcomponenten, maar niet de bibliotheken daaronder. Een organisatie kan dus een agent vertrouwen en toch niet precies weten welke softwarelaag een verzoek verwerkt.

Patchtempo biedt hier geen vervanging voor inventarisatie. 77% van de Nederlandse CIO’s zegt kritieke kwetsbaarheden binnen 24 uur te kunnen verhelpen, vrijwel gelijk aan de 76% voor EMEA. Maar een kwetsbare bibliotheek die diep in een leveranciersapplicatie zit, is alleen te patchen als het team weet dat die afhankelijkheid bestaat. De snelheid van de herstelprocedure zegt niets over de volledigheid van de lijst waarop die procedure wordt toegepast.

Andere metingen vinden hetzelfde vertrouwensgat

Een parallelle Harness-meting uit juli 2026 onder 700 techprofessionals in vijf landen vindt hetzelfde patroon. Harness meldt dat 87% in het afgelopen jaar een incident met een agent had. Onder de 75% die de eigen agents veilig over de hele keten noemt, meldde 88% ook zo’n incident; slechts 23% had een aparte agentbeveiligingslaag live.

De cijfers zijn niet rechtstreeks te vergelijken met Red Hat. Harness ondervroeg alleen organisaties met minstens duizend werknemers die al met agents werkten; Red Hat vroeg CIO’s in veertien EMEA-landen naar een bredere governance-inschatting. Beide onderzoeken meten antwoorden van beslissers en technici, geen onafhankelijke technische audit. De openbare pagina’s noemen geen steekproefomvang voor het Nederlandse deel van Red Hats onderzoek. Red Hat sluit af met een pleidooi voor open source en hybride fundamenten, een richting die past bij zijn eigen aanbod. De cijfers beschrijven dus gerapporteerd vertrouwen, niet een onafhankelijke inspectie van logs, datastromen of software-inventarissen.

Een test houdt niet vanzelf zicht na livegang

Red Hat bracht de testlaag al eerder als productonderwerp naar voren. Op 9 september maakte het bedrijf EvalHub beschikbaar voor veiligheidstests van modellen, RAG-instellingen voor antwoorden met bedrijfskennis en agents vóór uitrol. De release voegde dashboards toe voor de status van modelaanroepen, GPU-gebruik en modelprestaties, plus inzicht in tokenverbruik per gebruiker. De AI 3.5-inrichting toont GPU-gebruik en tokenverbruik per gebruiker naast de evaluaties, maar vooraf testen laat niet vanzelf zien wat een agent na ingebruikname met data en veranderende softwareafhankelijkheden doet.

Voor productie hoort de controle daarom ook buiten de testomgeving te liggen. Mandaat, escalatiedrempel, logging, een geteste noodstop en een menselijke eigenaar zijn de vijf onderdelen die voor livegang bij een AI-agent vast moeten liggen. Dat vraagt om zicht op de agent én de systemen waar zijn acties doorheen lopen.

Red Hats enquête meet vertrouwen; zijn AI 3.5-productbericht beschrijft tests vóór ingebruikname. De open vraag zit in de periode daarna: kan een organisatie nog steeds terugvinden welke data, API’s en componenten bij elke agentactie betrokken waren? Voor Nederlandse teams wordt agentbeheer pas aantoonbaar wanneer die gegevens de hele levenscyclus volgen en een eigenaar kan ingrijpen als de keten verandert.