5 beste praktijken voor het beheer van agentic AI in de financiële dienstverlening

Door Maneeza Malik, Product Marketing Directeur

Agentic AI hervormt de financiële dienstverlening en verzekeringen sneller dan governance kan bijbenen. De sector beweegt zich voorbij copilots en chatbots naar autonome AI-agenten die op productieschaal opereren. Dit vereist een fundamentele verschuiving in bedrijfsrisico, governance en controle.

Gartner voorspelt dat tegen 2028 de gemiddelde Fortune 500-onderneming meer dan 150.000 AI-agenten zal inzetten binnen verschillende bedrijfsfuncties. Tegelijkertijd waarschuwt Gartner dat organisaties – met name in gereguleerde sectoren zoals financiële diensten en verzekeringen – niet voldoende zijn voorbereid op het gebied van governance, beveiliging, compliance en operationele complexiteit die de grootschalige inzet van agenten met zich meebrengt.

Voor banken en verzekeraars creëert dit een nieuwe werkelijkheid. Elke AI-agent wordt een digitale actor die interageert met kernbedrijfssystemen. Elke nieuwe agent vergroot het aanvalsoppervlak van de onderneming. Elke autonome workflow introduceert nieuwe operationele, beveiligings- en regelgevingsrisico's.

Dit is waarom agentic AI niet kan worden behandeld als zomaar een AI-initiatief of een andere laag in de technologiestack. Het vereist besturing, identiteit, beveiliging, waarneembaarheid en nalevingscontroles die door de hele onderneming verweven zijn.

Hoe Agentic AI het Financiële Risicomodel Verandert

Traditionele AI-systemen voerden doorgaans eng gedefinieerde taken uit binnen gevestigde financële werkstromen, zoals het classificeren van transacties, het genereren van voorspellingen of het aanbevelen van acties. Ondernemingscontroles waren ontworpen rond deze beperkte gebruiksscenario's, waarbij mensen of deterministische bedrijfsregels de algemene werkstroom en uitvoering aanstuurden.

Agentic AI verandert dat model. AI-agenten kunnen multi-step taken plannen en uitvoeren, enterprise-applicaties en API's aanroepen, gegevens raadplegen over verschillende systemen heen, coördineren met andere agenten en hun acties aanpassen op basis van een veranderende context. In plaats van één enkele taak te ondersteunen, kunnen ze hele bedrijfsprocessen orchestreren.

Naarmate AI-agenten actieve deelnemers worden in de bedrijfsvoering, breidt het bedrijfsrisicomodel zich uit. Financiële instellingen moeten niet alleen het AI-model beheersen, maar ook de identiteit, rechten, tooltoegang, beslissingsgrenzen, datatoegang en het runtime-gedrag van elke agent gedurende de hele levenscyclus ervan.

Dit introduceert drie belangrijke verschuivingen.

• Beslissingsgrenzen worden minder expliciet. Naarmate agents steeds complexere workflows uitvoeren, hebben organisaties duidelijke beleidsregels nodig die bepalen wanneer een agent autonomie heeft, wanneer menselijke goedkeuring vereist is en hoe beslissingen worden gemonitord, beheerd en geaudit.
• Integraties worden onderdeel van het aanvalsoppervlak. Agenten zijn afhankelijk van API's, bedrijfstoepassingen, SaaS-platforms, gegevensbronnen en externe services om taken te voltooien. Elke verbinding introduceert potentiële risico's met betrekking tot authenticatie, autorisatie, blootstelling van gegevens en afhankelijkheden van derden.
• Schaal wordt een bestuursvraagstuk. Multi-agentsystemen kunnen snel uitgroeien van een handvol agenten tot honderden of duizenden die gespecialiseerde functies uitvoeren. Zonder levenscyclusbeheer van AI-agenten, inventarisatie, eigendom, handhaving van beleid en continue monitoring riskeren financiële instellingen en verzekeraars het zicht te verliezen op waar agenten toe toegang hebben of hoe ze binnen de onderneming met elkaar wisselwerken.

Opkomende standaards zoals de Modelcontextprotocol (MCP) zal deze trend Verder versnellen door te standaardiseren hoe AI-agenten verbinding maken met bedrijfsbronnen en -gegevensbronnen. Naarmate het eenvoudiger wordt om agenten te integreren met bedrijfssystemen, hebben organisaties behoefte aan consistente identiteits-, governance-, beleidshandhavings- en runtime-controles bij elke agentinteractie.

Beste praktijken voor het implementeren van AI-governance in de financiële dienstverlening

Om deze uitdagingen aan te pakken, moeten financiële instellingen governance-raamwerken opzetten die zowel het risico beperken als de onderneming voorbereiden op onverwacht gedrag van agents. De volgende vijf best practices bieden een basis voor:

• Het verlagen van operationele, beveiligings- en compliance-risico's geassocieerd met het op ondernemingsschaal implementeren van agentische AI.
• Het ontwikkelen van noodplannen te detecteren, in te dammen en te reageren wanneer AI-agenten zich onverwacht gedragen, beleidsregels overtreden of operationele storingen ervaren.

Best Practice #1:
Beheer AI-agenten als digitale werknemers

Het eerste principe is simpel: behandel elke AI-agent als een digitale medewerker.

Elke agent moet beschikken over:

• Een duidelijk gedefinieerde rol en doel
• Een afgebakend takenpakket
• Toegangsbeperking met minimale rechten
• Goedgekeurde tools en gegevensbronnen
• Duidelijk gedefinieerde beslissingsgrenzen
• Menselijk toezicht waar dit gepast is

Zonder deze beheersmaatregelen worden AI-agenten onbeheerde actoren die door bedrijfssystemen opereren.

Governance moet ook beleidsgestuurd zijn in plaats van handmatig. Organisaties hebben machineleesbaar beleid nodig dat definieert wat agents mogen doen, wanneer ze autonomie kunnen handelen en wanneer ze goedkeuring van een mens in de loop vereisen.

In gereguleerde sectoren zoals bank- en verzekeringswezen is AI-governance meer dan een best practice. Het is een noodzaak en een controlefunctie die auditbaarheid, aansprakelijkheid en naleving van wet- en regelgeving mogelijk maakt.

Best Practice #2:
Beveilig het hele ecosysteem van AI-agenten

Een veelgemaakte fout is om beveiliging uitsluitend te richten op het Large Language Model (LLM) zelf. In werkelijkheid strekt het aanvalsoppervlak van de onderneming zich veel verder uit dan het model zodra u begint met het introduceren van AI-agenten. AI-agenten wisselwerking hebben met:

• API's
• Databases
• Identiteitssystemen
• Bedrijfstoepassingen en -systemen (bijv. CRM, ERP, HR, finance, enz.)
• Interne werkstromen
• Externe diensten
• Gereedschappen die geschikt zijn voor MCP

Elke verbinding waar een AI-agent toegang toe heeft, wordt een onderdeel van het aanvalsoppervlak van de onderneming.

Naarmate AI-agenten autonomer worden, moet de beveiliging verder gaan dan het beschermen van de onderliggende modellen en ook het hele agentecosysteem omvatten. Dit omvat identiteits- en toegangsbeheer, authenticatie en autorisatie, API- en toolbeveiliging, datatoegangscontroles en beleidshandhaving voor gevoelige gegevens – waaronder persoonlijk identificeerbare informatie (PII) en vertrouwelijke bedrijfsinformatie. Continue runtime-monitoring om ongeautoriseerd gedrag, beleidsschendingen en opkomende bedreigingen te detecteren is absoluut noodzakelijk.

Elke actie die een agent uitvoert, moet worden behandeld als een geprivilegieerde ondernemingstransactie. Voordat data wordt benaderd, een tool wordt aangeroepen of een workflow wordt uitgevoerd, moet het systeem de identiteit verifiëren, machtigingen valideren, beleid handhaven en de actie vastleggen voor auditbaarheid.

Voor financiële instellingen en verzekeraars betekent het beveiligen van agentic AI dat AI-agenten worden behandeld als volwaardige ondernemingsidentiteiten die met dezelfde rigoureusheid worden beheerd als werknemers, applicaties en service-accounts.

Best Practice #3:
Implementeer Agent Lifecycle Management

Het beheren van een handvol AI-agenten is eenvoudig. Het beheren van honderden of duizenden over bedrijfsunits, omgevingen, geografieën en use-cases heen is een enterprise governance-uitdaging. Zonder gecentraliseerd beheer van de levenscyclus van agenten en de juiste controles wordt de complexiteit al snel onbeheersbaar.

Organisaties hebben een gecentraliseerde aanpak nodig voor het beheren van de volledige levenscyclus van agents – van provisioning en implementatie tot monitoring, optimalisatie, updates en uitfasering. Geen enkele agent mag bestaan zonder governance of voor onbepaalde tijd blijven bestaan.

Agent lifecycle management moet het volgende omvatten:

• Agent-inventaris en eigendom
• Versie- en configuratiebeheer
• Identiteits- en toegangsbeheer
• Runtime-observbaarheid en prestatiemonitoring
• Handhaving van het beleid en nalevingstoezicht
• Auditlogs en activiteitengeschiedenis
• Continue evaluatie en risicobeoordeling
• Veilige buitengebruikstelling

Zonder deze mogelijkheden verliezen organisaties al snel het overzicht van welke agenten er binnen de onderneming bestaan (inventaris), waarom ze bestaan (doel) en wie er eigenaar van is (eigendom, traceerbaarheid en aansprakelijkheid). Voor gereguleerde sectoren is het behouden van dit overzicht – en het bijbehorende auditspoor – essentieel voor governance, compliance en risicobeheer.

In veel gevallen worden agents gemaakt voor specifieke bedrijfsfuncties of processen, maar na verloop van tijd gaat deze context verloren. Dit brengt het risico met zich mee van onbeheerde of “schaduw”-AI-agents, samen met onzekerheid over tot welke systemen ze toegang hebben, hoe ze zich gedragen en of ze binnen goedgekeurde kaders blijven functioneren.

Observeerbaarheid is een cruciaal onderdeel van het beheer van de levenscyclus van agents. In tegenstelling tot traditionele applicaties nemen AI-agents dynamische beslissingen, roepen ze tools op en passen ze zich aan aan een veranderende context. Organisaties hebben realtime inzicht nodig in de activiteiten van agents, het gebruik van tools, schendingen van het beleid, storingen en uitvoeringspaden om incidentrespons, operationele probleemoplossing en naleving van regelgeving te ondersteunen.

Best Practice #4:
Definieer prestatiemetingen voor agenten

Financiële instellingen en verzekeraars moeten duidelijke prestatie- en effectiviteitsmetrics definiëren om ervoor te zorgen dat AI-agenten consistent bedrijfswaarde leveren binnen goedgekeurde risico- en nalevingskaders.

Prestatiemanagement voor agenten moet het volgende omvatten:

• Zakelijk resultaat en metrische gegevens voor taaksucces: meten of agenten de beoogde bedrijfsdoelstellingen behalen en de verwachte waarde leveren.
• Beslissingskwaliteit en consistentie van de uitvoer: continue de nauwkeurigheid, betrouwbaarheid en consistentie van de beslissingen en antwoorden van de agent evalueren.
• Monitoring van gedrags- en beleidsnaleving: detecteer ongeautoriseerde tools (usage), onverwachte uitvoeringspaden of acties die buiten de goedgekeurde governancebeleidsregels vallen.
• Detectie van model- en gedragsdrift: identificeer veranderingen in modelprestaties of agentgedrag in de loop van de tijd die kunnen wijzen op modeldrift, datakwaliteitsproblemen, promptwijzigingen of onbedoelde aanpassing.
• Operationele gezondheids- en menselijke toezichtstatistieken: volg beschikbaarheid,latentie, storingen, escalatiepercentages en menselijke Tussenkomsten om ervoor te zorgen dat agenten betrouwbaar en betrouwbaar blijven.

Prestatiebeheer voor agentische systemen gaat verder dan traditionele applicatiebewaking. Organisaties hebben behoefte aan continu inzicht in de kwaliteit van beslissingen, uitvoeringspaden, tool usage en gedragsveranderingen gedurende de gehele levenscyclus van een agent. Afwijkingen van het verwachte gedrag – of deze nu worden veroorzaakt door modelafwijkingen, configuratiewijzigingen, veranderende gegevens of andere factoren – moeten aanleiding geven tot een gestructureerde evaluatie en, waar nodig, menselijke tussenkomst. Daarom blijven ‘human-in-the-loop’-workflows en toezicht een cruciale governance-maatregel.

Samen met het beheer van de levenscyclus van agenten biedt continue prestatiemeting de operationele basis voor het aansturen van agentic AI op ondernemingsschaal.

Best Practice #5:
Integreer Compliance en Menselijk Toezicht in Agentworkflows

In gereguleerde sectoren kan compliance geen externe validatiestap zijn. Het moet direct worden ingebed in het ontwerp, de uitvoering en de monitoring van agents.

Nalevingsvereisten – waaronder wettelijke bepalingen, intern beleid, normen voor controleerbaarheid en regels voor gegevensbeheer – moeten voortdurend worden gehandhaafd binnen de workflows van agenten. Dit houdt in dat beperkingen met betrekking tot gegevens usage, jurisdictiegerelateerde controles, traceerbaarheid van beslissingen en bewaarplichten rechtstreeks in de uitvoeringslogica worden ingebouwd.

Menselijksturing blijft een cruciaal controlemiddel, maar het moet selectief en risicogebaseerd worden toegepast. Niet alle handelingen vereisen menselijke tussenkomst. Handelingen met een grote impact, zoals financiële transacties, klantgerichte beslissingen of toegang tot gevoelige gegevens, moeten echter workflows met menselijke controle activeren op basis van gedefinieerde risicodrempels.

Toezicht moet bovendien gestructureerd en consistent zijn. Organisaties hebben gedefinieerde escalatieroutes, goedkeuringsworkflows en interventiemechanismen nodig die zijn gestandaardiseerd over alle agents heen. Dit zorgt ervoor dat menselijke betrokkenheid voorspelbaar, auditable en in lijn is met het bedrijfsrisicobeleid in plaats van ad-hocinterventie.

Voor financiële instellingen en verzekeraars is het inbouwen van compliance en menselijk toezicht in agent-workflows wat schaalvergroting mogelijk maakt zonder verlies van regulatoire controle.

Agentic AI omzetten in daadwerkelijke uitvoering met Jitterbit Harmony

De uitdaging voor financiële instellingen en verzekeraars is niet het bouwen van AI-agenten, maar het operationaliseren ervan met consistente governance, beveiliging, compliance en observability binnen hybride ondernemingsomgevingen.

Jitterbit Harmony pakt dit aan met een verenigd, met AI geïnfundeerd low-codeplatform dat het volgende samenbrengt:

• iPaaS
• Appontwikkeling
• API-beheer voor de volledige levenscyclus
• AI-assistenten en AI-agenten

Met Harmony kunnen financiële instellingen en verzekeraars gegevensbronnen en systemen integreren en orkestreer complexe workflows en agents op schaal – vanuit één enkele omgeving. Uitgebreide beveiliging, AI-governance, observability en compliance-controles zijn ingebouwd in het platform. Dit stelt organisaties in staat om automatisering te schalen met behoud van:

• Operationele controle
• Controleerbaarheid
• Regelgevende harmonisatie
• Beveiligingshandhaving

Jitterbit Agentic AI-services: Van strategie tot productie

Jitterbit’s Agentic AI Professional Services team helpt organisaties bij de overgang van strategie naar productiegerede implementatie van agentische systemen.

Met diepgaande ervaring in integratie, workflow-ontwerp en agentachtige architecturen ondersteunt het team de ontwikkeling van:

• RAG-gebaseerde workflows
• Mens-in-de-lus-besturing
• Veilige agentarchitectuur
• Enterprise-governance-raamwerk

Organisaties kunnen de adoptie versnellen en er tegelijkertijd voor zorgen dat agents worden ingezet met passende waarborgen, traceerbaarheid en operationeel toezicht.

Klaar om aan uw Agentic AI-reis te beginnen?

Zie hoe Jitterbit financiële instellingen en verzekeraars helpt bij het bouwen, koppelen en schalen van agentic AI-oplossingen met AI-assistenten, AI-agenten en de integratiefundament die nodig is om te concurreren in een door AI gedreven markt.