AI in compliance komt dichter bij de besluitvorming

AI schuift steeds dichter naar de compliancebeslissing toe, en de meeste programma’s hebben geen manier om te bewijzen wie die beslissing heeft genomen.

S-RM, een consultancy op het gebied van corporate intelligence en cyberbeveiliging, hield een enquête onder 225 professionals uit compliance, inkoop, leveranciersbeheer en risicobeheer door derden. De onderzoeksresultaten zijn gepubliceerd in het 2026-rapport, From Screening to Decision-Making: The Next Phase of AI in Compliance. De belangrijkste conclusie is niet zozeer de toename in adoptie, maar de verschuiving in waar AI op wordt ingezet.

Het huidige gebruik is geconcentreerd op screening. Gepland gebruik richt zich meer op zorgvuldigheid (diligence). Screening vindt een signaal, diligence bepaalt wat dat signaal betekent—een andere taak met een ander aansprakelijkheidsprofiel.

Voor een CISO of chief compliance officer verschuift daarmee de vraag. Snelheid is niet langer de toets. De toets wordt of je, voor een beoordelaar of toezichthouder, kunt reconstrueren wat de tool zag, wat een persoon concludeerde en welke data er tussen die twee bewoog. Kiteworks secure data exchange zit op de laatste schakel in die keten: de gereguleerde overdracht van documenten en de gereguleerde toegang die AI-assistenten daartoe krijgen. In deze post lees je waar het bewijs vandaan moet komen. Eén kanttekening vooraf: S-RM verkoopt een eigen AI-gedreven diligence-oplossing en alle cijfers zijn zelf gerapporteerd door 225 respondenten, dus zie ze als richtinggevend.

Belangrijkste inzichten

1. Brede adoptie maskeert beperkte schaal.

Uit de enquête van S-RM in 2026 blijkt dat 68 procent van de respondenten AI heeft ingezet binnen compliance, maar slechts 20 procent rapporteert grootschalige inzet over meerdere processen.

2. De volgende golf ligt naast het oordeel.

Gepland AI-gebruik verschuift van screening op negatieve media en sancties naar due diligence van derden, klant-due diligence en enhanced due diligence, waarbij een mens moet bepalen wat een bevinding betekent.

3. Mensen blijven verantwoordelijk, dus hun werk moet worden vastgelegd.

Slechts 12 procent van de respondenten verwacht dat AI het grootste deel van de due diligence uitvoert met beperkte menselijke controle, waardoor de uitdaging en goedkeuring van de analist het bewijs zijn dat je moet bewaren.

4. Vertrouwen loopt voor op volwassenheid.

Een afzonderlijke enquête van Schellman toont aan dat 74 procent denkt een AI-compliance-audit te kunnen doorstaan, terwijl slechts 27 procent hun governance volledig volwassen noemt. In dat gat ontstaan auditbevindingen.

5. Verdedigbaarheid is een datavraagstuk.

Een beslissingsrecord is slechts zo goed als het spoor achter de documenten, de AI-toegang en de acties van de beoordelaar. Dat spoor moet op één controleerbare plek staan, niet verspreid over inboxen, gedeelde schijven en een leveranciersdashboard.

Inzet is breed, maar schaal is de uitzondering

S-RM ontdekte dat 68 procent van de respondenten AI selectief of grootschalig heeft ingezet in hun complianceprocessen, terwijl de overige 32 procent nog pilots of proof-of-concepts draait. Slechts 20 procent rapporteert grootschalige inzet over meerdere processen. Daarmee zit 48 procent ertussenin, met AI die in geselecteerde processen draait.

Het woord ‘geselecteerd’ doet hier veel werk.

Noem het de inzet-mirage. Van een afstand lijkt het alsof tweederde van de compliance-teams op AI draait. Van dichtbij draait slechts één op de vijf op AI in meer dan één proces, en de rest gebruikt AI vooral bij de bestaande screeningactiviteiten die het huidige gebruik domineren.

Dat onderscheid is belangrijker voor het bewijs dan voor de technologie. Een volledig handmatig proces levert een bestand op dat een persoon heeft geschreven. Een volledig geautomatiseerd proces, als dat ooit bestaat, levert een log op dat een machine heeft geschreven. Een hybride proces levert beide op, in verschillende systemen, met een overdrachtsmoment dat niemand heeft vastgelegd. Programma’s die AI in geselecteerde processen inzetten zijn hybride, en bij de overdracht raakt het bewijs zoek.

Stel je een onderzoek door de toezichthouder voor, gericht op één diligencebeslissing. De analist herinnert zich wat er is gebeurd. De output van de tool staat in een dashboard. De e-mail die de twee verbond zit in iemands inbox, en de eigenaar van die inbox heeft inmiddels een andere rol. Niets was verborgen. Maar niets was ook samengebracht.

Het budget loopt voor op de controles

Bijna vier op de vijf organisaties verwachten de komende twee jaar meer te investeren in AI-gedreven compliance- en due diligence-technologie, aldus S-RM. Figuur 2 verdeelt dat in 22 procent die een aanzienlijke stijging verwacht en 56 procent die een matige stijging verwacht, tegenover 18 procent die geen verandering verwacht en 4 procent die een matige daling verwacht. De gemiddelde jaarlijkse uitgaven zullen naar verwachting met circa 24 procent stijgen.

Het geld komt eraan. De vraag is wat het oplevert.

Tooling krijgt een budgetpost omdat er een leverancier en een demo bij hoort. Het beslissingsrecord heeft die zelden, en niets in de budgetbevindingen van S-RM suggereert dat van die 24 procent ook maar iets daarvoor is gereserveerd. Een team kan zijn AI-diligencebudget verdubbelen en nog steeds niet de eerste vraag van een beoordelaar kunnen beantwoorden: hoe is een bepaalde conclusie tot stand gekomen en door wie?

Hetzelfde patroon zie je bij AI data governance-programma’s in het algemeen. Uitgaven volgen de mogelijkheden, en governance loopt een of twee budgetcycli achter. Een control die achterloopt heeft één zwakte: de audit wacht niet.

Waar AI nu wordt ingezet en waar het naartoe gaat

Tabel 1 van S-RM is het meest bruikbare overzicht uit het rapport, omdat het de richting aangeeft. Het huidige gebruik is geconcentreerd op gevestigde screening. Gepland gebruik wijst ergens anders naartoe.

Lees de rechterkolom. Due diligence door derden, klant-due diligence, enhanced due diligence, onderzoeken en casemanagement. Elk item op die lijst is een plek waar een mens bewijs moet afwegen en een beslissing moet nemen.

S-RM verwoordt de logica helder. Screening is bedoeld om potentiële risicosignalen te identificeren, terwijl bredere due diligence en onderzoeksgerichte workflows teams vragen om de relevantie en betrouwbaarheid van die signalen te beoordelen, context te scheppen, de betekenis te bepalen en te beslissen welke actie nodig is. Daarna volgt de zin die onderstreept mag worden: “AI komt dus dichter bij het punt waarop compliance-oordelen worden geveld, ook al neemt AI die oordelen niet zelf.”

Lees dat nog eens. Dichter bij het oordeel. Niet het oordeel nemen.

Het gat tussen die twee zinnen is waar de verantwoordelijkheid ligt, en dat wordt elk kwartaal kleiner naarmate de tools verbeteren. Denk aan een AI-samenvatting die de eigendomsstructuur van een derde partij als weinig zorgwekkend classificeert. Dat is geen beslissing. Een beoordelaar die die classificatie in enkele seconden accepteert, als één item in een lange rij, neemt wél een beslissing. Als het record alleen de classificatie en de goedkeuring toont, kan een beoordelaar die twee gebeurtenissen niet onderscheiden—en jijzelf ook niet.

Regelgeving duwt diligence verder dan de match

S-RM koppelt de verschuiving deels aan een veranderend regelgevingslandschap. Er wordt gewezen op de EU Forced Labour Regulation en de Corporate Sustainability Due Diligence Directive, die beide naar verwachting binnen drie jaar van kracht worden. Ik geef hier de interpretatie van S-RM weer en geef geen juridisch oordeel over deze instrumenten, en heb de ingangsdata niet gecheckt met de primaire teksten. Jouw juridische team bepaalt die interpretatie, inclusief wat elk instrument van jouw organisatie vraagt en wanneer.

Wat S-RM eruit haalt is praktisch. Het identificeren van een sanctiematch, een politiek prominent persoon of een negatieve-mediavindplaats is mogelijk niet meer voldoende. Effectieve diligence kan een bredere blik vereisen op eigendom, activiteiten, geografische spreiding en zakelijke relaties van een entiteit, samen met de context en betrouwbaarheid van de gevonden informatie.

Plaats daar een getal naast. Organisaties in het onderzoek van S-RM monitoren gemiddeld 2.837 derde partijen.

Weinig teams kunnen enhanced due diligence uitvoeren op 2.837 relaties met de hand, en S-RM zegt dat ook: AI speelt een rol in het overbruggen van de kloof met wat traditioneel een handmatig en arbeidsintensief enhanced due diligence-niveau was. De controle per derde partij neemt toe, het aantal derde partijen blijft gelijk, en automatisering is de logische manier om dat te combineren.

Daarom is risicobeheer door derden de eerste plek waar complianceleiders AI mogen verwachten bij een beslissing in plaats van alleen bij een screening. En daarom zullen risicobeheer toeleveringsketen-programma’s hun werk moeten aantonen, niet alleen hun conclusies, nu naleving van regelgeving rond upstream-relaties strenger wordt.

Achtenvijftig procent zegt dat de tools moeite hebben met context

De ambitie heeft een plafond, en respondenten zien dat. Meer dan de helft, 58 procent, gaf aan dat AI-gedreven due diligence-oplossingen moeite hebben om de context, betrouwbaarheid of relevantie van informatie te beoordelen.

De obstakels voor volledige adoptie verdienen aandacht, want geen ervan gaat over het model. Gefragmenteerde informatie uit online bronnen werd genoemd door 54 procent. Slechte of inconsistente onderliggende data door 46 procent. Beperkte toegang tot gesloten of private bronnen door 40 procent. Elk van deze punten is een klacht over de informatie waar AI over moet redeneren.

Dit is dus net zo goed een data governance-probleem als een technologisch probleem. Een diligence-conclusie op basis van gefragmenteerde, inconsistente of onvolledige input is alleen zo verdedigbaar als jouw vermogen om te zeggen welke input is gebruikt. Welke bronnen heeft de tool gebruikt? Welke waren niet beschikbaar? Welke heeft de analist handmatig toegevoegd nadat de tool tekort schoot?

S-RM trekt een duidelijke lijn tussen informatie vinden en bepalen wat het betekent. AI kan meer van het initiële, grootschalige onderzoek uitvoeren. Menselijke expertise is het belangrijkst waar bewijs onvolledig, tegenstrijdig of moeilijk te verifiëren is, en analisten onderzoeken onduidelijke bevindingen, beoordelen bronbetrouwbaarheid, zoeken bevestiging en beslissen of de informatie de risicobeoordeling verandert.

Elk van die werkwoorden moet een spoor nalaten. Een analist die bevestiging zoekt en vindt heeft bewijs geleverd. Een analist die het zoekt, het niet vindt en een bevinding afwaardeert, levert iets waardevollers: een gedocumenteerde reden. Als die redenering in een chatbericht of in iemands hoofd zit, bestaat die niet voor een beoordelaar.

Het vijfjarenbeeld is mensgedreven, met een kanttekening

S-RM vroeg waar AI-gedreven due diligence naartoe gaat in de komende vijf jaar, en de antwoorden kiezen geen van beide kampen. Slechts 12 procent denkt dat AI de meeste due diligence-activiteiten zal uitvoeren met beperkte menselijke controle naarmate datakwaliteit en dekking verbeteren. Achtenveertig procent verwacht dat AI veel activiteiten zal uitvoeren, terwijl menselijke experts essentieel blijven voor complexe beslissingen, oordelen en risicovolle gevallen. Drieëndertig procent verwacht dat AI vooral onderzoek en informatieverzameling versnelt, terwijl mensen het meeste werk blijven doen. Zeven procent verwacht dat AI beperkt blijft tot screening en onderzoeksondersteuning, omdat datakwaliteit en beschikbaarheid breder gebruik beperken.

Tel de middelste twee antwoorden op en 81 procent verwacht dat mensen essentieel blijven of de leiding houden. Die optelsom is van mijzelf, niet van S-RM.

AI blokkeren betekent dat je analistentijd besteedt aan het ophalen van informatie—het werk dat AI volgens S-RM goed doet—terwijl het universum van derde partijen blijft groeien. Geef AI de vrije hand en je krijgt een beslissingsproces dat niemand kan uitleggen, in een categorie waar S-RM’s eigen respondenten zeggen dat de tools moeite hebben met context. Geen van beide extremen overleeft een audit. S-RM’s conclusie draait om de variabele die dat wel doet: organisaties moeten het juiste niveau van menselijke controle toepassen op het risico van de beslissing en uitkomsten produceren die begrepen, vertrouwd en verdedigd kunnen worden.

Let op wat die zin vraagt. Menselijke controle evenredig aan het risico is een beleidsvraag. Uitkomsten die verdedigbaar zijn, zijn een bewijsvraag. De meeste programma’s hebben het eerste beantwoord en het tweede overgeslagen.

De mislukking die benoemd moet worden is schijncontrole. Het lijkt op een mens in de loop. Het is een beoordelaar die een AI-samenvatting goedkeurt zonder bewijs van wat hij heeft bekeken, bevraagd of aangepast. De control bestaat op het organogram, maar niet in het dossier. Wanneer de bevinding later wordt aangevochten, blijkt de mens in de loop slechts een vinkje, en heeft de organisatie betaald voor zowel de tool als de beoordelaar zonder te kunnen bewijzen dat een van beide iets heeft gedaan.

Vertrouwen in governance loopt voor op volwassenheid van governance

S-RM is niet de enige enquête die organisaties vindt die denken verder te zijn dan hun programma’s laten zien. Schellman’s 2026 State of AI Governance-rapport hield een enquête onder 525 Amerikaanse professionals bij bedrijven met meer dan 500 medewerkers en minimaal $100 miljoen omzet. Daaruit blijkt dat 74 procent zegt dat hun organisatie nu een AI-compliance-audit zou doorstaan, terwijl slechts 27 procent hun AI-governance volledig volwassen noemt—dus volledig operationeel en continu gemonitord. Schellman verkoopt AI-governancebeoordelingen en certificering, en de steekproef is alleen VS, niet gewogen en zelf gerapporteerd.

Die twee cijfers kunnen alleen tegelijk waar zijn als de audit denkbeeldig is, niet gepland.

Vertrouwen is goedkoop tot iemand om het dossier vraagt. De afstand tussen 74 procent en 27 procent is de afstand tussen denken dat je GRC-programma AI dekt en daadwerkelijk de bewijsstukken kunnen tonen. Teams die in dat gat zitten, ontdekken het meestal tijdens een audit—het duurste moment om erachter te komen.

Specifiek aan de derde-partijkant vond dezelfde Schellman-enquête dat slechts 36 procent zei dat hun bestuur of leiding formeel AI-risico door derden of leveranciers had besproken. Dat is hier relevant omdat de respondenten van S-RM de mensen zijn die die relaties beheren. Als het bestuur het risico niet bespreekt, draagt het diligence-team het alleen, met tools die het bestuur niet heeft beoordeeld.

Een derde perspectief komt vanuit de securityhoek. ISACA’s State of Cybersecurity 2026-rapport is gebaseerd op 1.888 ISACA-leden en gecertificeerden, ondervraagd in het tweede kwartaal van 2026. Slechts 9 procent heeft een volwassen formeel programma voor AI-risico door derden, met AI-specifiek beleid, beoordelingen en monitoring. Nog eens 17 procent vertrouwt op algemene processen voor risico door derden. Die steekproef is vooral gericht op securityprofessionals en is geen willekeurige selectie van bedrijven, dus zie het als richtinggevend.

Die 17 procent die het oude proces hergebruikt is het stille cijfer. Een vragenlijst die bedoeld is om de firewall van een leverancier te beoordelen, vraagt niet hoe de AI van die leverancier jouw tegenpartijen beoordeelt. En een beoordelingscyclus die draait om jaarlijkse SOC-rapporten, pakt geen model dat elk kwartaal verandert.

Financiële sector laat zien hoe operationele AI eruitziet

S-RM licht de respondenten uit de financiële sector uit als een blik op waar andere sectoren naartoe kunnen gaan. Het rapport geeft geen subsamplegrootte, dus zie deze sectie als richtinggevend.

Bijna een derde van de respondenten uit de financiële sector, 32 procent, meldt grootschalige AI-inzet over meerdere complianceprocessen, tegenover 20 procent in de totale steekproef. Nog eens 49 procent heeft AI ingezet in geselecteerde processen, wat betekent dat 81 procent van de respondenten uit de financiële sector AI operationeel gebruikt.

Hun huidige gebruik is herkenbaar en iets dieper. Screening op negatieve media staat op 51 procent, klant-due diligence en KYC op 48 procent, screening op sancties en PEP op 48 procent, en transactiemonitoring op 41 procent. De volgende stap is gelijk aan de totale steekproef: due diligence door derden, waar 59 procent van de respondenten uit de financiële sector van plan is AI binnen 12 maanden te introduceren, tegenover 48 procent van de bredere steekproef.

Voor een complianceleider in een andere sector is de les duidelijk. De groep die in de enquête het verst lijkt te zijn, trekt zich niet terug uit AI bij werk dat dicht tegen het oordeel aanligt. Ze bewegen juist richting meer AI-inzet. Welke branche je ook hebt, de vraag hoe je AI-ondersteunde diligence gaat onderbouwen komt eraan, op een tijdlijn bepaald door de koplopers, niet de achterblijvers.

Goede data compliance-praktijk begint hier met het opbouwen van het diligence-dossier alsof een toezichthouder erom zal vragen, vanaf het eerste ontvangen document, in plaats van het samenstellen als de brief van de toezichthouder binnenkomt.

Het verdedigbaarheids-gat is het echte risico

Neem de bevindingen samen en er ontstaat één duidelijk gat: het verdedigbaarheids-gat. Dat is de afstand tussen de beslissingen die AI jouw team heeft helpen nemen en jouw vermogen om, op verzoek, te laten zien hoe elke beslissing tot stand is gekomen.

S-RM gebruikt die term niet, maar de conclusie wijst er direct op. De organisaties die het meest profiteren, zegt S-RM, zijn niet per se de organisaties die streven naar volledige automatisering. Het zijn de organisaties die AI integreren in workflows, het juiste niveau van menselijke controle toepassen en uitkomsten produceren die begrepen, vertrouwd en verdedigd kunnen worden.

Begrijpelijk, betrouwbaar, verdedigbaar. Een leverancier kan je één van die eigenschappen als feature leveren. De andere twee zijn eigenschappen van jouw dossiers.

Een verdedigbaar diligence-record moet vijf vragen beantwoorden zonder dat iemands geheugen nodig is. Welke input gebruikte het proces? Wat was de AI-output? Wie heeft het beoordeeld, en wat heeft diegene onderzocht? Wat is er aangepast, geaccepteerd of geëscaleerd? En wat gebeurde er met de onderliggende documenten terwijl dit alles plaatsvond?

De eerste twee zitten meestal in het diligenceplatform. De derde en vierde kunnen in tickets, spreadsheets of e-mail staan. De vijfde is de vraag waar niemand eigenaar van is. Eigendomsdocumenten, vragenlijsten en certificeringen gaan heen en weer tussen derde partijen en externe analisten via welk kanaal dan ook handig was, en de audittrail van die uitwisselingen is verspreid over tools die daar nooit voor bedoeld zijn.

Hier draait alles om. Als jouw bewijs verspreid is over meerdere systemen, kost het samenstellen weken, terwijl de klok van de toezichthouder in dagen tikt. Een audittrail die bestaat maar niet snel, in één samenhangend overzicht, kan worden opgeleverd, is geen bewijs. Het is grondstof.

Het bewijsprobleem is geen tekort aan technologie. Het is een architectuurbeslissing die niemand heeft genomen, omdat deze processen zijn ontstaan voordat iemand AI naast het oordeel plaatste.

Waar Kiteworks past in een verdedigbare diligence-workflow

Wees precies over wat een platform hier wel en niet kan. Kiteworks neemt geen diligence-oordeel en kan niet bepalen of een AI-samenvatting van een derde partij klopt. Het reguleert de data die rondom die oordelen beweegt en legt vast wie erbij betrokken was.

Diligence draait om documenten die reizen. Eigendomsbewijzen, vragenlijsten, certificeringen en analistenrapporten bewegen tussen jouw team, de derde partijen onder review en externe specialisten. Kiteworks secure data exchange reguleert die uitwisseling via beveiligde e-mail, beveiligde bestandsoverdracht, SFTP, beheerde bestandsoverdracht en beveiligde webformulieren, onder één policy engine en één geconsolideerde auditlog. Voor de CCO verandert die ene log de vijfde vraag hierboven—wat gebeurde er met de documenten—van een reconstructieoefening in een rapport.

AI-assistenten voegen een tweede toegangspad toe tot dezelfde content. De Kiteworks Secure MCP Server laat AI-assistenten zoals Claude en Copilot werken met content die in Kiteworks staat. Elke handeling wordt getoetst aan de rolgebaseerde en op attributen gebaseerde toegangsregels die gelden voor de persoon die de assistent gebruikt, en elke handeling wordt vastgelegd in dezelfde auditlog als de andere activiteiten van die persoon. Mensen en AI-assistenten vallen onder één policy en één spoor, wat het juiste model is zolang de mens verantwoordelijk blijft voor de conclusie. Kiteworks Compliant AI beschrijft hoe die gereguleerde toegang werkt op de grens tussen jouw data en jouw AI-tools.

Deze aanpak volgt het zero trust gegevensuitwisseling-principe. Een verzoek dat een assistent doet via de Secure MCP Server wordt geauthenticeerd, geautoriseerd op basis van beleid en gelogd, zonder impliciet vertrouwen in de AI-tool zelf. Voor een diligence-team komt het bewijs van wie welk derde-partijbestand wanneer en via welk kanaal heeft benaderd uit het systeem, niet uit de reconstructie van een analist.

De beperkingen zijn het vermelden waard. Een gereguleerde datalaag legt de redenering van de analist niet vast en vervangt geen beslissingsrecord. Je hebt nog steeds de onderbouwing van de beoordelaar nodig. Wat het wel wegneemt, is de discussie of de onderliggende documenten zijn behandeld en benaderd zoals het beleid voorschrijft.

Wat te doen op maandagochtend

Stop met jezelf afvragen of jouw AI-diligencetool accuraat genoeg is. Dit is de vraag die telt: als een beoordelaar je morgen vraagt om één beslissing over een derde partij uit het afgelopen kwartaal te reproduceren, kun je dat dan?

Test dat deze week op één dossier en los op wat niet werkt. Vier stappen brengen je het verst.

Breng de beslismomenten in kaart. Noteer elke stap in jouw diligenceproces door derden waar AI het werk raakt, en markeer welke stappen een bevinding opleveren en welke een oordeel. De data van S-RM laten zien dat jouw volgende golf AI-gebruik zich concentreert in die tweede soort. Rangschik elke stap op wat er gebeurt als het fout gaat.

Stel beoordelingsdrempels vast voordat de tool ze voor je bepaalt. Menselijke controle moet meegroeien met het risico van de beslissing. Leg vast welke outputs een beoordelaar mag accepteren, welke bevestiging van een tweede bron vereisen en welke naar een aangewezen persoon moeten. Schrijf ook op wat de beoordelaar elke keer moet vastleggen.

Maak een beslissingsrecord dat personeelsverloop overleeft. Leg per diligence-uitkomst vast welke input is gebruikt, de AI-output, de beoordelaar, wat er is aangepast of bevraagd, en de onderbouwing voor de uiteindelijke beslissing. Als het invullen meer dan een paar minuten per dossier kost, verkort dan het sjabloon tot mensen het daadwerkelijk gebruiken.

Zorg dat het datatraject op één plek staat. Bepaal waar diligence-documenten worden uitgewisseld en waar AI-assistenten erbij mogen, en controleer of jouw auditlogs beide dekken. Waar dat niet zo is, heb je het gat gevonden voordat een beoordelaar dat deed.

Neem dezelfde test af bij je leveranciers. Vraag elke AI-diligenceleverancier, inclusief de partijen die de tools van de S-RM-respondenten leveren, om te laten zien hoe een eerdere output kan worden gereproduceerd en welk bewijs zij bijhouden van de gebruikte bronnen.

Wil je meer weten over het bouwen van een verdedigbaar bewijsdossier voor AI-ondersteunde diligence door derden? Plan vandaag nog een persoonlijke demo.

Aanvullende bronnen

• Blog Post
  Zero‑Trust-strategieën voor betaalbare AI-privacybescherming
• Blog Post
  Hoe 77% van de organisaties faalt in AI-gegevensbeveiliging
• eBook
  AI Governance Gap: Waarom 91% van de kleine bedrijven Russisch roulette speelt met gegevensbeveiliging in 2025
• Blog Post
  Er bestaat geen “–dangerously-skip-permissions” voor jouw data
• Blog Post
  Toezichthouders zijn klaar met vragen of je een AI-beleid hebt. Ze willen bewijs dat het werkt.