AI GOVERNANCE & DATAGEDREVEN WERKEN

AI Governance is meer dan guardrails

Gepubliceerd op 18 september 2026

Een hekwerk voorkomt dat je buiten de afgesproken grenzen komt. Maar het bepaalt nog niet waar je naartoe wilt, wie aan het stuur zit en wie verantwoordelijk is wanneer het onderweg misgaat.

Bij AI Governance gaat de aandacht al snel uit naar principes, beleid, regelgeving en technische guardrails. Dat is begrijpelijk en noodzakelijk. Alleen: een verzameling regels en begrenzingen vormt nog geen werkend governancesysteem. Daarvoor moeten richting, waardecreatie, eigenaarschap, data, risico’s, beheersmaatregelen, menselijk toezicht en voortdurende verbetering met elkaar worden verbonden.

Guardrails zijn nodig, maar niet genoeg

Guardrails helpen om grenzen te stellen aan het gebruik van AI. Denk aan toegangsbeperkingen, privacy- en securitymaatregelen, verboden toepassingen, toetsingscriteria en technische controles. Ze kunnen voorkomen dat een AI-toepassing buiten vooraf bepaalde kaders opereert.

Maar guardrails beantwoorden niet vanzelf de bestuurlijke vragen: waarom gebruiken we AI, welke waarde moet zij opleveren, wie is eigenaar van de toepassing, wie aanvaardt het resterende risico en wie is aanspreekbaar op de uitkomsten?

Guardrails bepalen vooral waarbinnen AI mag bewegen. Governance bepaalt waarom, waarvoor, door wie en onder welke verantwoordelijkheid AI wordt toegepast.

Governance van AI én governance vóór AI

Er is geen keuze nodig tussen governance van AI en governance voor AI. Beide perspectieven zijn afhankelijk van elkaar.

Zonder deze voorwaarden blijven afzonderlijke AI-maatregelen versnipperd. Een technisch goed beveiligd model kan nog steeds worden gebruikt voor een onduidelijk doel, met ongeschikte data of zonder herkenbare eigenaar. Andersom heeft een ambitieus AI-beleid weinig betekenis als de werking van beheersmaatregelen niet aantoonbaar is.

Vier perspectieven houden governance in balans

ITIL® AI Governance onderscheidt vier perspectieven die gelijktijdig moeten worden bekeken. Het zijn geen opeenvolgende stappen, maar samenhangende lenzen voor besluitvorming:

• Besluitvormingsbevoegdheid en risicomanagement: wie mag beslissen, delegeren, overrulen of stoppen, en binnen welke risicobereidheid?
• Ethische principes en verantwoorde AI: is het gebruik eerlijk, transparant, uitlegbaar waar nodig en respectvol voor menselijke autonomie en waardigheid?
• Datagovernance en prestatiemanagement: zijn data geschikt, rechtmatig, veilig en herleidbaar, en blijven prestaties, drift en uitkomsten aanvaardbaar?
• Naleving van wet- en regelgeving en operationele standaarden: welke wetgeving, normen, contracten, policies, audit trails en operationele beheersmaatregelen zijn van toepassing?

Juist de samenhang voorkomt dat AI Governance wordt gereduceerd tot één invalshoek. Een technisch veilige toepassing kan ethisch onwenselijk zijn. Een rechtmatige toepassing kan onvoldoende presteren. En een bruikbare toepassing kan alsnog onbeheersbaar worden wanneer beslissingsrechten en escalatie ontbreken.

Van principe naar werkende beheersmaatregel (control)

Principes als transparantie, eerlijkheid, veiligheid en menselijke regie zijn waardevol. De bestuurlijke opgave begint echter bij de vertaling naar de dagelijkse praktijk. Een beheersmaatregel werkt pas wanneer ten minste duidelijk is:

• welk risico of welke onzekerheid wordt beheerst;
• welke norm, vereiste of risicobereidheid geldt;
• wie verantwoordelijk is voor ontwerp, uitvoering en toezicht;
• hoe de maatregel in product, service of waardestroom wordt toegepast;
• welk bewijs beschikbaar moet zijn;
• hoe de werking en effectiviteit worden gemonitord;
• wat er gebeurt wanneer de beheersmaatregel tekortschiet.

Een beleidsdocument is daarmee hooguit het begin. Een periodieke beoordeling, logging, escalatiepad of menselijke controle is evenmin automatisch effectief. Het gaat erom dat de maatregel aantoonbaar bijdraagt aan het beheersen van het relevante risico.

De menselijke verantwoordelijkheid verdwijnt niet

Human oversight wordt vaak vertaald als: er zit nog ergens een mens in het proces. Dat is te beperkt. Betekenisvolle menselijke regie vereist dat die persoon voldoende informatie, deskundigheid, tijd en bevoegdheid heeft om een uitkomst te beoordelen, te corrigeren of het gebruik te stoppen.

Een mens in de processtap is nog niet automatisch menselijke regie.

Ook wanneer een AI-systeem adviseert in plaats van beslist, blijft de vraag relevant wie verantwoordelijk is voor het opvolgen, negeren of onvoldoende kritisch beoordelen van dat advies.

Governance moet kunnen meebewegen

AI-toepassingen, databronnen, modellen, leveranciers, regelgeving en verwachtingen veranderen. AI Governance kan daarom geen eenmalige goedkeuring zijn. Zij vraagt om een cyclische aanpak:

1. richting geven en het beoogde resultaat bepalen;
2. context, impact en risico’s beoordelen;
3. governance requirements en beheersmaatregelen ontwerpen;
4. de werking tijdens gebruik monitoren;
5. afwijkingen, feedback en veranderingen evalueren;
6. de inrichting gericht verbeteren.

Daarmee wordt governance geen rem op innovatie, maar een voorwaarde om AI verantwoord op te schalen en duurzaam onderdeel te maken van producten, services en besluitvorming.

Van beheersing naar verantwoord beheer (stewardship)

Beheersmaatregelen zijn noodzakelijk om grenzen, goedkeuringen, monitoring en assurance in te richten. Goede governance vraagt daarnaast om stewardship: de actieve zorg voor waarde, mensen, vertrouwen, leren en duurzame uitkomsten. De vraag is dus niet alleen of AI gebruikt mág worden, maar ook of het gebruik passend, nuttig en verantwoord blijft.

Daarom moet governance proportioneel zijn. Te weinig beheersing vergroot risico’s en onduidelijkheid; te veel beheersing kan leren en waardecreatie blokkeren en zelfs Shadow AI stimuleren. Passende governance beweegt mee met capability, autonomie, impact, data, stakeholders en context.

Zeven vragen voor de praktijk

1. Welke waarde moet deze AI-toepassing realiseren?
2. Wie is eigenaar van de toepassing én de uitkomsten?
3. Welke data, informatie en kennis worden gebruikt?
4. Welke risico’s zijn in deze specifieke context relevant?
5. Welke beheersmaatregelen moeten aantoonbaar werken?
6. Waar is betekenisvolle menselijke tussenkomst noodzakelijk?
7. Hoe volgen en verbeteren we prestaties, afwijkingen en veranderende omstandigheden?

Goede AI Governance beperkt innovatie niet. Zij maakt verantwoorde, betrouwbare en schaalbare innovatie juist mogelijk.

Verder lezen

Betrouwbare AI begint bij een bruikbaar fundament. Lees daarom ook Datagedreven werken als fundament voor betrouwbare AI en ontdek hoe deze samenhang wordt geplaatst binnen AI Governance binnen ITIL® Version 5. Bekijk voor de bredere samenhang ook de MCS-visie op gericht en verantwoord verbeteren.