AI-agents hebben permissiesystemen nodig, geen betere prompts: een gids voor founders

De meeste fouten van AI-agents beginnen niet bij een zwak model. Ze beginnen wanneer een capabel model een ruime API-sleutel krijgt, een dubbelzinnige instructie en toestemming om te handelen. De agent werkt perfect in een demo, komt daarna in productie en kan dan de verkeerde klant mailen, een record wijzigen dat hij alleen mocht lezen, of een kostbare wijziging doorvoeren zonder duidelijke menselijke eigenaar.

Betere prompts helpen een agent de volgende stap te kiezen. Ze bepalen niet wat de agent mag doen. Dat is een product- en systeemontwerpprobleem. Founders die agents veilig in echte workflows krijgen, behandelen permissies als een volwaardige laag: identiteit, least privilege, goedkeuringspoorten en een audittrail voor elke actie met gevolgen.

De kernverschuiving: van instructies naar bevoegdheid

Een systeemprompt kan zeggen: "geef alleen terugbetalingen onder $100". Maar een prompt is geen autorisatiegrens en ook geen duurzaam vastgelegde intentie. De tool die de terugbetaling uitvoert, moet zelf het bedrag, de accountscope en het goedkeuringsbeleid afdwingen. Ga ervan uit dat de agent tekst verkeerd kan begrijpen, een onbetrouwbaar document kan volgen of een onverwacht verzoek kan krijgen. Je tools moeten dan nog steeds nee zeggen.

• Geef elke agent een eigen identiteit. Laat support-, finance- en engineeringworkflows niet via één gedeelde servicecredential lopen. Identiteit maakt beleid, intrekking en onderzoek mogelijk.
• Koppel permissies aan de taak, niet aan het model. Een modelwissel mag de toegang niet stilletjes uitbreiden. Leg vast wat een "support-triage"-agent mag lezen en schrijven, en koppel dat beleid aan welk model de taak ook uitvoert.
• Maak de toollaag leidend. De API of functie die de actie uitvoert, controleert scope, eigenaarschap van de resource, limieten en goedkeuringen voordat er iets verandert.

Een permissiemodel dat werkt voor een MVP

Je hebt geen enorm governanceplatform nodig om te beginnen. Gebruik een compact capability-model: elke toolaanroep draagt een agentidentiteit, een afgebakende actie, een gedefinieerde resourcescope en een vervaltijd. De autorisatieservice beoordeelt die gegevens voordat het onderliggende systeem het verzoek ziet.

1. Scheid lezen, opstellen en uitvoeren. Laat een agent records doorzoeken en een concept voorbereiden voordat hij het recht verdient om te versturen, te publiceren, te verwijderen of af te rekenen. Veel waardevolle workflows hebben nooit directe schrijftoegang nodig.
2. Beperk toegang tot één tenant en één taak. Een supportagent die één account behandelt, hoort niet door alle klanten te bladeren. Een deployment-assistent werkt in één omgeving, en standaard nooit in productie.
3. Gebruik kortlevende credentials. Maak een beperkt token aan wanneer een run begint en laat het verlopen wanneer de taak klaar is. Dat beperkt zowel onbedoeld hergebruik als de impact van een gelekte credential.
4. Zet tools en parameterbereiken op een allowlist. Een agent mag create_draft aanroepen, geen generieke database-executor. Een terugbetalingstool kan $0–$100 toestaan, in plaats van erop te vertrouwen dat de agent de limiet onthoudt.

Ontwerp goedkeuringspoorten rond de gevolgen

Menselijke review is geen mislukking van automatisering. Het is de manier om veilig te automatiseren terwijl je leert waar de grenzen horen. De kern is om review te reserveren voor acties waarvan de gevolgen onomkeerbaar, financieel wezenlijk, extern zichtbaar of moeilijk te herstellen zijn, en niet om iemand elke onschuldige stap te laten goedkeuren.

• Keur acties met weinig impact automatisch goed. Een binnenkomend ticket classificeren, een CRM-record verrijken of een antwoord opstellen kan zonder toezicht draaien als de scope beperkt en omkeerbaar is.
• Vraag een beslissing met één klik voor externe acties. Klantmail versturen, content publiceren, prijzen wijzigen of een betaling starten moet de voorgestelde actie van de agent en het bewijs ervoor voorleggen aan een benoemde goedkeurder.
• Escaleer op basis van drempels. Stel duidelijke regels: terugbetalingen boven een bepaald bedrag, exports boven een bepaald aantal records en wijzigingen in productie vragen allemaal om strengere goedkeuring. Het beleid moet leesbaar zijn voor wie het systeem bedient.

De audittrail is een productfeature

Log meer dan het chattranscript. Leg bij elke actie de agentidentiteit vast, de initiërende gebruiker, de toolnaam, de opgeschoonde input, de beleidsbeslissing, de goedkeuringsstatus, de uitkomst en een correlatie-ID voor de run. Als een klant vraagt waarom er iets is veranderd, is dit het verschil tussen een uitlegbaar product en een black box.

Deze records worden ook je operationele data. Bekijk elke week geweigerde aanroepen, overruled goedkeuringen en terugkerende randgevallen. Ze laten zien waar je de agent kunt verbeteren, waar het beleid strakker moet en welke goedkeuringspoorten volwassen genoeg zijn om te automatiseren.

Een uitrol in vier weken voor founders

1. Week 1: kies één afgebakende workflow en breng elke lees- en schrijfactie in kaart die hij kan uitvoeren. Verwijder elke tool die niet nodig is.
2. Week 2: voeg een eigen agentidentiteit toe, credentials per tenant, tool-allowlists en gestructureerde actielogs.
3. Week 3: draai de workflow in conceptmodus. Meet het goedkeuringspercentage, de aanpassingen, de fouten en de verzoeken die het beleid weigert.
4. Week 4: keur alleen het pad met laag risico en hoge zekerheid automatisch goed. Houd acties met gevolgen achter een snelle menselijke poort tot de data meer autonomie rechtvaardigt.

De kern

Agents in productie hebben een helder antwoord nodig op twee aparte vragen: wat moet deze agent doen, en wat mag hij doen? Prompts beantwoorden de eerste. Permissiesystemen beantwoorden de tweede. Bouw die grens vroeg, maak haar zichtbaar voor je team en je klanten, en je agent kan autonomer worden zonder minder betrouwbaar te worden.

Hulp nodig bij het ontwerpen van een agent-workflow die veilig productie kan halen? Plan een gratis discovery call: we helpen founders om AI-demo's om te zetten in betrouwbare producten.

Related Posts

Waarom AI moeilijk is: de echte problemen waar founders tegenaan lopen als de demo eenmaal werkt1 juli 2026

Het /loop-commando van Claude Code: zo gebruik je het voor slimmere programmeerworkflows in 20263 juli 2026

De multimodelstack: hoe startups in 2026 hun AI-programmeerkosten met 85% verlagen8 juli 2026