Bedrijfsinfrastructuur voor AI: agenten, gegevens en automatisering

Een beveiligde bedrijfsinfrastructuur voor AI bouwen vereist het verbinden van interne gegevens, het beheersen van de implementatie van AI-agenten en het structureren van automatisering. DATALIA leidt je met concretoefeningen.

Het team van DATALIA · Gepubliceerd in augustus 2025 · Bijgewerkt in augustus 2025

Een bedrijfsinfrastructuur voor AI is gebaseerd op een beveiligde integratie van gegevens, een gecontroleerde implementatie van AI-agenten en schaalbare automatisering. DATALIA ondersteunt je bij elke laag.

• Basisbegrippen en vereisten
• Integratie van gegevens: de funderingslaag
• AI-agenten: architectuur en beveiliging
• Automatisering: naar schaal gaan
• Referentiearchitectuur
• Veelvoorkomende fouten
• Beste praktijken
• Conclusie en volgende stappen
• FAQ

Basisbegrippen en vereisten

Om een bedrijfsinfrastructuur voor AI op te bouwen, moet je eerst drie lagen onderscheiden: gegevens, agent en automatisering. Zonder geïntegreerde data produceert AI gehallucineerde resultaten. Zonder beveiligde agenten dringt AI daar doorheen waar het niet onder controle is. Zonder gestructureerde automatisering blijft AI een leuke gadget.

IT-afdelingen die geconfronteerd worden met de opkomst van ChatGPT in hun teams, hebben vaak een simpele vaststelling gedaan: gevoelige gegevens stromen door ongeziene diensten. Hun eerste beslissing is dan om AI op interne gegevens te richten.

Een IT-manager van een gereguleerde organisatie (gezondheidszorg) vroeg ons onlangevers: « Wij willen agenten implementeren die onze rapporten lezen, maar weten niet waar we moeten beginnen zonder patiënthulp te blootleggen. » Zijn doel: AI nuttig houden zonder shadow AI te creëren.

Dit artikel beschrijft de logische architectuur van een bedrijfsinfrastructuur voor AI: integratie van gegevens, controle van agenten en schaalbare automatisering. We nemen de principes van soevereiniteit, traceerbaarheid en governance hierin op.

Terminologie: begrippen die je moet beheersen

LLM (Large Language Model) : taalmodel dat vooraf is getraind en kan redeneren over interne gegevens via een RAG-architectuur.
RAG (Retrieval-Augmented Generation) : architectuur die feiten ophaalt en antwoorden genereert.
AI-agent : zelfstandig systeem dat workflows kan uitvoeren, tools kan aanroepen en kan nemen.
Shadow AI : niet-gecontroleerd gebruik van AI-tools in het bedrijf.
Soevereine AI : model gehost op de infrastructuur van het bedrijf, met controle over de gegevens.

Integratie van gegevens: de funderingslaag

Het hart van een bedrijfsinfrastructuur voor AI is de gegevens. Zonder betrouwbare integratie van interne systemen produceert AI onwaardige of verouderde antwoorden. De IT-manager moet dan eerst de kritieke gegevensbronnen in kaart brengen.

Bij een Europese bank die klant is bij DATALIA constateerden we dat 42 % van de financiële documenten werden gedeeld via e-mails of ongeziene tools. Na implementatie van een gecentraliseerde AI-infrastructuur daalde dit percentage naar 3 % in zes maanden.

Het probleem is niet alleen technisch: het gaat om governance. Elke gegevensbron moet worden gekoppeld aan een bewaarbeleid, een gevoeligheidsniveau en een toegangscontrole.

Leverable 1: Evaluatietabel voor gegevensbronnen

Evalueer elke gegevensbron vóór integratie in je AI-infrastructuur:

• Bron systeem: [naam van het systeem, bijv. ERP, CRM, klantendatabase]
• Gegevenstype: [kies: tekstddocumenten, gestructureerde gegevens, logs, metrieken]
• Gevoeligheidsniveau: [openbaar / intern / vertrouwelijk / beperkt]
• Updatefrequentie: [ realtime / per uur / per dag / handmatig]
• Bestaand toegangsbeleid: [RBAC, attribuutgebaseerd, eigenaar]
• Risico van blootstelling: [laag / gemiddeld / hoog]
• Integratieprioriteit: [hoog / gemiddeld / laag]

Aantekeningen: Deze tabel dient om integratie te prioriteren. Een bron met een hoog blootstellingsrisico mag niet worden geïntegreerd zonder end-to-end versleuteling. Een openbare bron kan worden blootgesteld aan een algemeen LLM, maar wees op de hoogte van mogelijke metadatalekken.

Architectuur van gegevens: van silo naar data lake

De integratie van gegevens volgt meestal een evolutie: silo → connector → data lake. De IT-manager moet kiezen tussen een gecentraliseerde data lake en een gefedereerde benadering. De eerste vereenvoudigt de toegang; de tweede verlaagt de kosten van overdracht.

Bij een industriële klant kozen we voor een gefedereerde architectuur: de gegevens blijven in hun eigen databases, en een virtualisatielaag (via een RAG-interface) maakt ze toegankelijk voor AI-agenten. Deze aanpak beperkt kopieën en versterkt de AVG-compatibiliteit.

Gebruikelijk worden de volgende connectoren aangeboden:

• REST API voor moderne systemen (ERP Odoo, CRM HubSpot, enz.)
• SQL-connectoren voor relationele databases (PostgreSQL, MySQL, SQL Server)
• Document API’s voor DMS (SharePoint, Google Workspace, DocuWare)
• Gecontroleerde web scrapers voor externe portals (met sterke authenticatie)

Beveiliging van gegevens in AI

De AVG vereist een volledige traceerbaarheidsketting. Elke toegang tot een gevoelige gegevensbron door een AI-agent moet worden gelogd. De DPO moet op vier vragen kunnen antwoorden:

1. Welke gegevens zijn verwerkt?
2. Welke agent had er toegang toe?
3. Wat is het resultaat ervan?
4. Wanneer en waarom deze toegang plaatsvond?

DATALIA.App, onze soevereine AI-platform, voldoet standaard aan deze eisen: geen gegevens verlaten de infrastructuur van de klant, en elke interactie is tijdstempeld en ondertekend.

AI-agenten: architectuur en beveiliging

AI-agenten zijn de uitvoerders van de infrastructuur. Ze interpreteren natuurlijke taal, roepen tools aan en nemen autonome beslissingen. Hun beveiliging hangt af van hun uitvoeringsomgeving en hun bevoegdheden.

Een verkeerd ontworpen agent kan een ingangspunt worden. In een echte situatie werd een AI-agent geïmplementeerd bij een Franse kmo en werd gehackt via een kwaadwillige prompt-injectie, waardoor 217 facturen werden verwijderd. De oorzaak: de agent had beheemderechten op het boekhoudsysteem.

De beveiliging van agenten is gebaseerd op drie pijlers:

1. Isolatie: elke agent wordt uitgevoerd in een geïsoleerde container
2. Begrensde rechten: het principe van minimaal vertrouwen wordt toegepast
3. Prompt-verdediging: systeeminstructies zijn versiebeheerd en beschermd

Leverable 2: Bevoegdheidsmatrix voor AI-agenten

Definieer de rechten van elke AI-agent:

Aantekeningen: Deze matrix moet elk kwartaal worden gecontroleerd. Een agent die boekingen kan maken, moet minstens validatie vragen. Een support-agent kan automatisch antwoorden, maar moet waarschuwen voor gevoelige onderwerpen.

Orkester van agenten

In een bedrijfsinfrastructuur voor AI werken agenten niet alleen. Ze worden georkestreerd via een centrale planner. DATALIA gebruikt een gearchitectuur: een hoofd-agent coördineert meerdere gespecialiseerde agenten (een voor lezen, een voor schrijven, een voor analyseren).

Deze orkestratie volgt het principe: elke agent heeft een duidelijk gedefinieerde verantwoordelijkheid, en interacties worden gecontroleerd via validatie-hooks.

Concreet voorbeeld:

1. Een eerste-lijn agent verwerkt veelvoorkomende klantvragen
2. Als de vraag complex is, geeft hij deze door aan een expert-agent
3. De expert-agent raadplegt een analist-agent om feiten te controleren
4. Het eindresultaat wordt door een mens onthouden en bevestigd als het een vertrouwen scoreer boven een bepaalde grens

LLM-integratie: on-premise versus cloud

De keuze van een LLM voor een bedrijf hangt af van de gevoeligheid van de gegevens af. Lokale modellen (zoals bij DATALIA.App geïntegreerd) bieden een garanderde soevereiniteit, maar vereisen beheer van infrastructuur. Cloud-modellen (OpenAI, Mistral via API) zijn makkelijker te implementeren, maar delen gegevens.

Onze aanbeveling: gebruik een hybride aanpak. Een LLM on-premise voor gevoelige gegevens, en een LLM cloud voor niet-gevoelige toepassingen (marketingteksten, ideeën genereren).

Aanbevolen architectuur:

• LLM 1: Mistral of Llama 3 gehost on-premise voor interne gegevens
• LLM 2: Externe API voor niet-gevoelige toepassingen
• AI-router: systeem dat verzoeken routeert naar het juiste LLM op basis van gegevensclassificatie

Automatisering: naar schaal gaan

Automatisering is de mogelijkheid van de infrastructuur om processen uit te voeren zonder menselijke interventie. Deze wordt gebaseerd op gedefinieerde workflows, die worden aangevuld door gebeurtenissen of schema’s.

In een gezondheidsorganisatie die klant is bij DATALIA, automatiseren we het sorteren van medische rapporten. Vóór: een secretair besteedde 12 uur per week aan documentensortering. Na: de AI-agent verwerkt 300 documenten in 20 minuten, met menselijke controle alleen voor validatie.

Automatisering volgt drie volwassenheidsniveaus:

d>Workflows met voorwaardelijke logica

Leverable 3: Checklist voor implementatie van geautomatiseerde agent

Als je een geautomatiseerde agent implementeert, moet je elk punt afvinken:

• [ ] Is het gebruiksscenari goed gedefinieerd en meetbaar?
• [ ] Zijn de brongegevens betrouwbaar en actueel?
• [ ] Voldoet het gekozen LLM aan de soevereiniteitseisen?
• [ ] Zijn de rechten van de agent beperkt tot het strikte noodzakelijke?
• [ ] Bestaat er een menselijk validatiepunt bij elke kritieke stap?
• [ ] Registreert het auditlogboek alle acties van de agent?
• [ ] Bestaat er een back-upplan bij agentenfouten?
• [ ] Waarschuwt de toezichtsmechanisme bij abonnee?

Aantekeningen: Deze checklist moet worden bekeken bij elke nieuwe agentimplementatie. Een verkeerd gedefinieerde agent kan ongecontroleerde beslissingen nemen. Het menselijke validatiepunt is verplicht vanaf niveau 2 van automatisering.

Referentiearchitectuur:

De bedrijfsinfrastructuur voor AI bestaat uit zes lagen:

1. Gegevens: integratie van bronnen via beveiligde connectoren
2. Opslag: data lake of gefedereerde architectuur
3. Verwerking: data-pijpleidingen en normalisatie
4. LLM: modellen gehost on-premise of via API
5. Agenten: zelfstandige uitvoerders met gecontroleerde rechten
6. Automatisering: orkestratie van workflows

Elke laag is geïsoleerd: een storing in automatisering beïnvloedt niet opslag. Deze modulariteit is essentieel voor veerkracht.

Bij DATALIA implementeren we deze architectuur bij klanten in de gezondheidszorg (CPTS), horeca en vastgoed. In elke sector geldt hetzelfde principe: soevereiniteit gaat voorop.

Veelvoorkomende fouten

Fout 1: Een AI-assistent en AI-agent verwarren

Een assistent reageert (hij antwoordt op vragen), een agent is proactief (hij handelt). Een agent die alleen antwoordt, is niet echt een agent. Een agent moet tools kunnen aanroepen en gegevens kunnen wijzigen.

Fout 2: Alle rechten geven aan een agent

Een agent met beheemderechten kan alles doen, inclusief gegevens verwijderen. Pas altijd het principe van minimaal vertrouwen toe.

Fout 3: Logboekregistratie negeren

Zonder traceerbaarheid wordt een AI-agent een zwarte doos. De DPO kan niet valideren wat hij niet ziet.

Fout 4: Geen noodplan hebben

Wanneer AI niet werkt, wie dan antwoorden? Er moet altijd een menselijke noodprocedure zijn.

Beste praktijken

• Begin met een klein gebruikscenario (bijv. documentensortering) voordat je schaalt
• Versie-beheer systeembevelprompt als broncode
• Maarlijkse audits van gegevenstoegangen
• Gebruik een soevere LLM voor gevoelige gegevens
• Implementeer een agent in productie alleen na een beperkte proefperiode
• Train je team in het gebruik van AI, niet in de angst voor AI
• Houd levende documentatie bij van geïmplementeerde agenten bij

Conclusie en volgende stappen

Een beveiligde bedrijfsinfrastructuur voor AI is niet een weddenschap om de kracht van het model te vergroten, maar een evenwicht tussen gegevens, agenten en automatisering. Een IT-manager verwerft controle door betrouwbaar geïntegreerde gegevens, gecontroleerde rechten van agenten en gestructureerde automatisering met goedgekeurde workflows.

De architectuur van DATALIA is gebaseerd op dezelfde principes: een soevere AI, gehost binnen de infrastructuur van de klant, aangesloten op interne applicaties en gesteund door een DPO. Ons platform DATALIA.App maakt de overstap van pilot naar productie mogelijk terwijl de controle over de gegevens wordt behouden.

Om te onthouden:

Klaar om te schaalen? Een audit van je huidige AI-infrastructuur helpt om lekken te identificeren en investeringen te prioriteren.

Plan vandaag nog je gratis gesprek en audit met een DATALIA-expert: DATALIA →

Veelgestelde vragen

Kan een bedrijfsinfrastructuur voor AI volledig on-premise worden geïmplementeerd?

Ja. Bij DATALIA implementeren we 100 % on-premise AI-infrastructuren bij klanten in de gezondheidszorg en financiële sectoren. Het LLM wordt lokaal gehost, agenten worden uitgevoerd in geïsoleerde containers, en geen gegevens verlaten het netwerk.

Wat is het gemiddelde ROI van een bedrijfsinfrastructuur voor AI?

DATALIA ziet een gemiddelde reductie van 40 % in tijd besteed aan herhalende taken na implementatie van geautomatiseerde agenten. De terugverdientijd is meestal 8 tot 12 maanden, afhankelijk van procescomplexiteit.