Een medewerker laat ChatGPT een tekst herschrijven. Een developer werkt liever met Claude. Handig, maar de echte verandering begint wanneer AI niet alleen antwoord geeft, maar zelfstandig gaat handelen. Een agent zoekt zelf de status van een order op, maakt een ticket aan of stelt een conceptmail aan een klant op.

Daarmee verandert AI van een losse toepassing in een actieve deelnemer aan je IT-landschap. En verschuift ook de belangrijkste vraag. Niet: welke AI-tool kiezen we? Maar: tot welke data en systemen krijgt AI toegang, welke acties mag een agent uitvoeren en hoe houden we daar controle over?

In dit kennisartikel maken we onderscheid tussen drie begrippen. Met AI-tools bedoelen we de assistenten die medewerkers zelf gebruiken om vragen te stellen. Agents zijn AI die zelf stappen zet en acties uitvoert in systemen. AI gebruiken we als verzamelnaam voor beide, inclusief AI-functies in bestaande software.

Wat een agent kan, hangt volledig af van de systemen en data waar hij bij mag. Precies daar komt integratie in beeld. Zodra AI zelfstandig informatie moet ophalen, systemen moet raadplegen of acties moet uitvoeren, wordt AI óók een integratievraagstuk.

Wijnand Gritter, integratiespecialist bij Conclusion Integration: “De juiste context creëren waarmee AI een antwoord kan geven, dat is een nieuw type integratie.”

Samen met Wijnand kijken we hoe je de stap maakt van experimenteren met losse AI-tools naar agents die gecontroleerd onderdeel worden van je IT-landschap.

Van experiment naar onderdeel van je IT-landschap

Wat verandert er als je die stap daadwerkelijk maakt?

Experimenteren met AI is goed, tot AI in productie gaat

Losse AI-tools hebben absoluut waarde. Ze maken AI concreet. Medewerkers leren prompten, ontdekken wat modellen wel en niet kunnen en ontwikkelen gevoel voor hoe AI hun werk ondersteunt. Juist deze experimenten leveren vaak de eerste ideeën op voor productiviteit en innovatie.

Dat is volgens Wijnand belangrijk. “Het gebruik van AI-tools is een skillset die je moet gaan ontwikkelen en je organisatie moet je daarin wat mij betreft faciliteren.”

Experimenteren hoort erbij, zeker in de beginfase. “Maar experimenteren is iets anders dan het onbeheerst gebruiken van AI, daar zit het kantelpunt.”

Voor een proof of concept is een losse tool vaak de snelste route. Maar een experiment stelt andere eisen dan een AI-toepassing die daadwerkelijk onderdeel wordt van een bedrijfsproces. Vanaf dat moment worden data, toegang, kosten en beheersbaarheid onderdeel van het ontwerp.

Shadow AI: wanneer data buiten beeld raakt

Waar organisaties vroeger spraken over shadow IT, ziet Wijnand nu een nieuwe variant: shadow AI. Teams sluiten zelf licenties af, gebruiken privéaccounts of zetten AI-functies aan zonder dat IT of security weet wat er gebeurt.

“Dat wordt risicovol zodra bedrijfsdata in ongecontroleerde tools terechtkomen”, zegt Wijnand. “Een generieke tekst laten herschrijven is meestal onschuldig, maar een bedrijfsgevoelig rapport in een AI-tool gooien, dan wordt het een risico.”

Neem een contract met klantgegevens dat via een privéaccount in een AI-tool belandt. De organisatie weet dan niet waar die gegevens worden verwerkt, hoelang ze bewaard blijven en wie erbij kan. Dat raakt direct aan de AVG-wetgeving.

De oplossing is niet om experimenteren onmogelijk te maken. Het gaat erom dat je een gecontroleerde route biedt zodra AI met bedrijfsdata gaat werken. Daarmee voorkom je dat toepassingen buiten het zicht van IT, security en governance doorgroeien.

Van AI-gebruik naar grip op AI-kosten

Losse AI-tools lijken laagdrempelig. Een licentie hier, een abonnement daar, een model dat automatisch wordt aangeroepen vanuit een ontwikkelomgeving. Maar AI werkt anders dan veel traditionele software. Je betaalt niet alleen voor licenties, maar ook voor gebruik: per token, per modelaanroep of per verwerking.

Wijnand ziet dat risico vooral wanneer teams zelf koppelingen bouwen zonder centrale monitoring. “Je hebt de kans dat je te weinig controle hebt over het gebruik daarvan, bijvoorbeeld de tokens die erdoorheen gaan. Aan het eind van de maand krijg je opeens de rekening en die kan gepeperd zijn.”

Hier komt bestaande integratiekennis van pas. Een API gateway wordt al gebruikt om verkeer van apps en partners te beheren. Door ook AI-verkeer centraal te organiseren, kun je gebruik inzichtelijk maken en begrenzen.

Zo wordt zichtbaar welke toepassing AI gebruikt en waar de kosten ontstaan. Daarmee worden ook de kosten beheersbaar.

Waarom je niet afhankelijk wilt zijn van één AI-model

Vandaag past het ene model misschien het beste bij ontwikkelwerk, terwijl een ander beter aansluit bij analyse of een specifieke bedrijfstoepassing. Die verhoudingen kunnen veranderen.

“De gebruiker stelt een vraag, achter de schermen wordt bepaald welk model het meest geschikt is”, zegt Wijnand.

Dat levert vendor-neutraliteit op "Via een centrale laag kun je modellen slim combineren. Voor medewerkers blijft de ervaring eenvoudig. Zij werken in een omgeving van de eigen organisatie, stellen hun vraag en krijgen antwoord." schetst Wijnand. “Via een centrale laag kun je die modellen slim combineren. Voor medewerkers blijft de ervaring eenvoudig. Zij werken in een omgeving van de eigen organisatie, stellen hun vraag en krijgen antwoord.”

Een AI-gateway creëert hiervoor een centrale route naar modellen. Daar kan worden vastgelegd welke modellen beschikbaar zijn en onder welke voorwaarden ze gebruikt worden.

Dat geeft organisaties de ruimte om technologie te blijven kiezen op basis van de toepassing, in plaats van iedere AI-oplossing voor langere tijd aan één modelleverancier te koppelen.

AI-functionaliteit die al onderdeel is van bestaande software vraagt daarbij om een bredere blik. Ook wanneer die functionaliteit niet via de eigen gateway loopt, wil je als organisatie zicht houden op welke AI-toepassingen worden gebruikt en welke data ermee wordt gedeeld.

AI heeft context nodig, en context is integratie

AI wordt pas echt waardevol wanneer het context krijgt uit de organisatie. Denk aan financiële rapportages, klantinformatie, orderdata, incidenthistorie of interne documentatie. Een model beschikt niet vanzelf over die informatie.

“Voor het voeden van die systemen heb je integratie nodig”, zegt Wijnand.

Bij agents gaat dat nog een stap verder. Een agent kan context zelf ophalen via tools: afgebakende acties die de agent mag uitvoeren, zoals de status van een order opvragen of een ticket aanmaken. Achter zo'n tool zit vaak iets bekends, zoals een bestaande API of integratieflow.

Het Model Context Protocol (MCP) biedt hiervoor een standaard waarmee agents met tools en context kunnen werken. Daarmee ontstaat een interessante nieuwe rol voor de bestaande integratielaag. De integratielaag ontsluit bestaande API’s en integratieflows als tools voor agents en zorgt dat toegang verloopt binnen de afgesproken kaders. Zo bepaalt de organisatie wat een agent mag doen en vertaalt de integratielaag deze afspraken naar de technische inrichting.

De vergelijking met een integratieplatform ligt voor de hand. Zoals een integratieplatform datastromen tussen systemen beheersbaar maakt, is er bij agents behoefte aan een gecontroleerde ingang naar de beschikbare tools.

Veel van de benodigde bouwstenen zijn niet nieuw. Bestaande API's en integraties blijven hun werk doen. Bulk, batch en events blijven via het integratieplatform lopen. Agents zijn daarmee een nieuwe afnemer van je integratielaag, geen vervanging ervan.

Een AI-agent heeft toegang nodig, maar ook grenzen

Een agent die alleen informatie samenvat, vormt een ander risico dan een agent die zelfstandig systemen kan raadplegen en acties kan uitvoeren.

“Een agent die zelfstandig systemen raadpleegt, acties uitvoert of processen aanstuurt, vraagt om duidelijke guardrails”, benadrukt Wijnand. “Als mensen binnen je organisatie zelf agents bouwen en aan systemen koppelen, dan raak je al snel het overzicht kwijt, met alle potentiële gevolgen van dien.”

Een centraal overzicht is daarom essentieel. “Je wilt geregistreerd hebben waar die agents staan en wat ze daar precies doen.”

In de praktijk betekent dat vier dingen:

• Een eigen identiteit per agent. Zo kun je herleiden welke agent een actie heeft uitgevoerd.

• Alleen toegang tot wat nodig is. Een agent die orders mag lezen, hoeft ze niet automatisch te kunnen wijzigen.

• Menselijke controle waar dat nodig is. Bij acties die niet zomaar terug te draaien zijn, kan expliciete goedkeuring nodig zijn.

• Herleidbaarheid. Model- en toolaanroepen moeten inzichtelijk zijn, zodat achteraf duidelijk is wat er is gebeurd.

De techniek is daarbij niet het vertrekpunt. De organisatie bepaalt de kaders: welke data mag worden gebruikt, welke modellen zijn toegestaan en hoeveel zelfstandigheid krijgt een agent? Integratie vertaalt die afspraken vervolgens naar de technische inrichting.

Of zoals wij het samenvatten: jij bepaalt de regels, wij zorgen dat agents binnen die kaders toegang krijgen tot je IT-landschap.

Grip op AI wordt ook vanuit regelgeving belangrijker

Die controle en herleidbaarheid zijn niet alleen vanuit IT-governance belangrijk. Ook regelgeving stelt eisen aan de inzet van bepaalde AI-systemen. De EU AI Act bevat voor hoog-risico-AI-systemen onder meer eisen rond logging en menselijk toezicht. Daarnaast gelden sinds 2 augustus 2026 transparantieverplichtingen voor bepaalde AI-systemen, bijvoorbeeld wanneer mensen rechtstreeks met een AI-systeem zoals een chatbot of AI-agent interacteren.

Wie het verkeer tussen agents, modellen en bedrijfssystemen herleidbaar inricht, creëert daarmee niet alleen meer grip, maar ook een technische basis voor aantoonbaarheid en governance.

Niet ieder integratievraagstuk vraagt om AI

“AI voelt soms als magie, daardoor ontstaat de neiging om AI op elk vraagstuk los te laten”, ziet Wijnand in de praktijk. Maar AI is niet altijd de beste oplossing.

“Als ik honderdduizend orders op een gestructureerde manier plaats, heb ik daar geen AI voor nodig. Daar heb ik al een API voor. De kosten per transactie zijn dan veel lager dan wanneer je AI erover laat redeneren.”

Voor voorspelbare, gestructureerde processen kan een bestaande API of integratieflow de logische keuze blijven. Een vaste workflow met één AI-stap, bijvoorbeeld voor het classificeren van informatie, kan in andere situaties volstaan. Een agent wordt interessant wanneer interpretatie nodig is of de benodigde vervolgstappen per situatie kunnen verschillen.

De vraag is waar AI daadwerkelijk iets toevoegt ten opzichte van wat we al hebben.

Juist kennis van het integratielandschap helpt om die afweging te maken. Zo voorkom je dat AI een extra laag complexiteit wordt voor processen die al efficiënt opgelost zijn.

Van experimenteren met AI naar gecontroleerd opschalen

Experimenteren met AI is relatief eenvoudig. De uitdaging ontstaat wanneer AI structureel onderdeel wordt van bedrijfsprocessen en toegang krijgt tot de data en systemen waarop je organisatie draait.

Daar komt integratie om de hoek kijken

Wil je de stap zetten van losse AI-tools naar agents die veilig met je data en systemen werken? Conclusion Integration helpt om bestaande systemen en integraties beschikbaar te maken voor agents en om de toegangslaag zo in te richten dat duidelijk is welke agent welke mogelijkheden krijgt.

Dat doen we binnen het integratielandschap dat bij je organisatie past, bijvoorbeeld met MuleSoft, Boomi, Frends of Azure Integration Services.

Zo bouw je voort op wat er al staat, houd je controle over de toegang tot je systemen en kunnen AI-agents gecontroleerd meegroeien met je organisatie.