AI-agents krijgen toegang tot je bedrijfssystemen: waarom toegangsbeheer nu de zwakke schakel is

Agents en automatiseringen in n8n of Zapier krijgen steeds vaker toegang tot echte bedrijfssystemen, vaak via de inlog van de medewerker die ze heeft gebouwd. IBM's cijfers over 2026 laten zien wat dat kost: bij 92 procent van de datalekken met AI ontbrak behoorlijke toegangscontrole. Wat betekent dat voor jouw automatiseringen, en wat regel je nu?

Steeds meer organisaties koppelen een AI-agent aan een systeem dat er echt toe doet. Niet langer alleen een chatbot die vragen beantwoordt, maar een workflow in n8n of Zapier die zelfstandig leads verwerkt, facturen aanmaakt of e-mails verstuurt namens het bedrijf. Dat gebeurt vaak in een middag, gebouwd door een enthousiaste medewerker zonder dat IT ervan weet.

Dat tempo is precies waar het misgaat. Uit het Cost of a Data Breach Report 2026 van IBM blijkt dat bij 92 procent van de datalekken waarbij AI een rol speelde, het betrokken AI-systeem geen behoorlijke toegangscontrole had. Geen beperkte rechten, geen aparte identiteit, geen logboek van wat er precies gebeurde. Incidenten met shadow AI, agents en tools die buiten IT om zijn opgezet, verdubbelden bijna: van 20 naar 43 procent van alle onderzochte gevallen.

Wat er ontbreekt als een agent zomaar toegang krijgt

In de meeste gevallen gebruikt een agent niet zijn eigen identiteit, maar de inloggegevens van de medewerker die hem heeft gebouwd. Een API-sleutel die bij het eerste testje 'even' volledige toegang kreeg, blijft vaak precies zo staan. Het gevolg: in de logs staat de naam van de medewerker, niet van de agent. Achteraf valt niet meer te zien wie welke actie heeft uitgevoerd, de mens of het script dat namens hem draait.

Dat verschil met een gewone SaaS-tool is groot. Een tool die je zelf bedient, doet alleen iets als jij op een knop klikt. Een agent voert dezelfde actie tientallen of honderden keren per dag uit, zonder dat iemand elke stap bekijkt. Een kleine fout in een trigger of een te ruim ingestelde filter werkt daardoor meteen op schaal door.

Een realistisch scenario

Stel: een marketingteam bouwt een automatisering die nieuwe leads vanuit een formulier in het CRM zet en een welkomstmail verstuurt. Voor het gemak krijgt de koppeling schrijfrechten op het hele CRM, in plaats van alleen op het leadveld waar hij voor bedoeld is. Maanden later past iemand een filter aan, en de agent overschrijft binnen enkele minuten duizenden bestaande klantrecords.

Dit is precies het patroon dat in governance-onderzoek steeds terugkomt. Een agent krijgt meer rechten dan zijn taak vereist, en dat valt pas op zodra er iets misgaat. Niemand hield specifiek in de gaten wat dat ene script eigenlijk mocht.

Waarom automatiseringsprojecten alsnog stranden

Onderzoeksbureau Gartner voorspelt dat meer dan 40 procent van de agentic AI-projecten vóór eind 2027 wordt stopgezet. Niet omdat de techniek niet werkt, maar door oplopende kosten, onduidelijke meerwaarde en te weinig grip op risico's. Toegangsbeheer is daarin geen bijzaak. Een project dat vanaf het begin duidelijke grenzen kent, wie mag wat en welke acties vooraf goedkeuring vragen, overleeft de pilotfase vaker dan een project dat achteraf moet verklaren wat er precies is misgegaan.

Vijf stappen om het nu op orde te krijgen

Toegangsbeheer voor AI-agents hoeft geen groot project te zijn. Vijf stappen geven in de praktijk al veel grip.

Maak een overzicht van welke n8n-flows, Zapier-zaps, scripts en AI-agents er binnen je organisatie draaien, en welke systemen ze raken. De meeste organisaties hebben hier geen volledig beeld van, simpelweg omdat agents door losse teams zijn opgezet.

Geef elke agent een eigen account. Laat een automatisering nooit draaien op de persoonlijke inlog van een medewerker. Een apart service-account met precies de rechten die nodig zijn, maakt meteen zichtbaar wie of wat een actie heeft uitgevoerd.

Bouw een goedkeuringsstap in voor acties die niet terug te draaien zijn. Grote verzendacties, verwijderingen en betalingen verdienen een menselijke blik voordat ze doorgaan, ook als dat de automatisering een paar minuten vertraagt.

Log wat een agent doet, apart van menselijke acties. Zonder een logboek valt achteraf niet te reconstrueren wat er is gebeurd, en dat is precies waar de cijfers van IBM op wijzen.

Evalueer periodiek welke agents nog nodig zijn. Een koppeling die ooit voor een eenmalig project is gebouwd, blijft vaak actief staan terwijl niemand hem nog gebruikt. Trek de toegang in zodra dat zo is.

Automatisering met AI-agents levert echte tijdwinst op, mits de toegang eronder net zo serieus wordt ingericht als de automatisering zelf. Wil je laten uitzoeken welke agents en koppelingen binnen jouw organisatie actief zijn en hoe je ze veilig opzet? Zarioh helpt bij het inventariseren, afschermen en onderhouden van AI-agents en SaaS-koppelingen. Neem gerust contact op voor een vrijblijvend gesprek.