Wanneer AI het Red Team wordt: Wat het NSA-Mythos-verhaal onthult over de beveiliging van jouw onderneming
Eén enkele zin reisde van een directeur van een inlichtingendienst naar een toespraak in de Senaat, naar een tijdschriftartikel en vervolgens naar sociale media wereldwijd – en onderweg transformeerde deze van een beleidsargument tot een geopolitieke waarschuwing: AI was ingebroken bij de NSA.
Het verhaal bleek uiteindelijk zowel minder spectaculair als verontrustender dan de virale versie. Minder spectaculair omdat het Mythos-model van Anthropic draaide binnen een replica van NSA-systemen tijdens een geautoriseerde red team-oefening, samen met andere beveiligingstools en met ingenieurs ter plaatse. Verontrustender omdat de mogelijkheid zelf – het ontdekken en koppelen van kwetsbaarheden in een complex, geclassificeerd netwerk in uren in plaats van weken – reëel, gedocumenteerd en steeds breder beschikbaar is voor gescreende organisaties wereldwijd.
Dit onderscheid is enorm belangrijk voor hoe ondernemingen hun beveiligingsstatus beoordelen. De vraag is niet of Mythos de NSA heeft gehackt. De vraag is wat het betekent dat AI sneller dan elk menselijk team elke zwakke plek in een systeem als dat van de NSA kan vinden – en wat uw organisatie daar nú aan moet doen.
Belangrijkste inzichten
1. Het verhaal “AI hackte de NSA” was een red team-oefening, geen daadwerkelijke datalek
Het Mythos-model van Anthropic werd samen met andere tools gebruikt binnen een replica van de NSA-omgeving tijdens een geautoriseerde beveiligingstest – de virale framing was een verkeerde voorstelling van zaken, maar de onderliggende getoonde capaciteit is echt en van grote betekenis.
2. AI koppelt kwetsbaarheden op machinesnelheid
Wat menselijke red teams weken kost, voltooien door AI ondersteunde systemen in uren – het ontdekken en verbinden van meerdere aanvalspaden in een complexe, geclassificeerde replica-omgeving tegelijk, op een snelheid die ongekend is in offensieve beveiliging.
3. Defensieve en offensieve AI-capaciteit zijn twee kanten van dezelfde medaille
De NSA gebruikte Mythos om haar eigen omgeving te scannen op zwakke plekken voordat tegenstanders deze konden vinden – dezelfde AI-capaciteit die de beveiligingsstatus van ondernemingen bedreigt, kan deze ook verdedigen, mits onder gereguleerde, gecontroleerde omstandigheden.
4. Ongereguleerde AI-toegang tot gevoelige data is het daadwerkelijke beveiligingsrisico
Ondernemingen die AI-systemen onbeperkte toegang geven tot gevoelige opslagplaatsen creëren precies het risico dat geautoriseerde red teams benutten – zero-trust AI-gegevensbeheer is het architecturale antwoord, geen algeheel verbod op AI.
5. Compliance-raamwerken in de defensiesector zijn al het juiste voorbeeld
FedRAMP-autorisatie, CMMC 2.0-certificering en DFARS-naleving vereisen gecontroleerde, geauditeerde toegang tot gevoelige data op het niveau van individuele verzoeken – hetzelfde model dat elke onderneming zou moeten toepassen op AI-systemen die met gevoelige data werken.
U vertrouwt erop dat uw organisatie veilig is. Maar kunt u het verifiëren?
Lees nu
Wat er daadwerkelijk gebeurde – en waarom de verduidelijking ertoe doet
De reeks gebeurtenissen begon bij NSA-directeur en hoofd van U.S. Cyber Command, generaal Joshua Rudd, die tegen senator Mark Warner zei dat Mythos “bijna al onze geclassificeerde systemen in uren, niet weken, doorbrak.” Senator Warner haalde deze uitspraak aan tijdens een zitting van de Senaatscommissie voor Inlichtingen om te pleiten voor verplichte pre-release tests van geavanceerde AI-modellen – zijn bredere punt was dat AI-bedrijven als Anthropic juist “vol gas” moeten kunnen ontwikkelen omdat hun grondige veiligheidspraktijken gecontroleerd testen als deze mogelijk maken.
Shashank Joshi van The Economist nam het citaat op in een briefing over het Amerikaanse AI-beleid van juni 2026. Vanaf daar raakte de zin volledig uit zijn context. Toen het op sociale media op grote schaal werd gedeeld, was “geautoriseerde red team-oefening op een replica van een geclassificeerde omgeving” veranderd in “AI breekt in op live NSA-systemen”. Joshi erkende later op sociale media dat hij meer nuancerende taal had moeten gebruiken en merkte op dat de prestatie werd geleverd onder specifieke omstandigheden en met andere tools. Beveiligingsanalist Kyle Chase en anderen met directe kennis van red team-oefeningen reageerden snel publiekelijk op de virale framing.
De meer geloofwaardige reconstructie – bevestigd door beveiligingsprofessionals en ondersteund door Axios-rapportage over het daadwerkelijke gebruik van Mythos door de NSA – is dat de NSA het model plaatste in een replica van haar eigen geclassificeerde omgeving en het de opdracht gaf kwetsbaarheden te vinden en te koppelen. Dit gebeurde op een snelheid die ver boven het menselijke red team-niveau lag. Dat een datalek van live NSA-systemen noemen, is vergelijkbaar met “gebouw in brand” schrijven na een brandoefening. De oefening laat zien wat er zou gebeuren als het vuur echt was. Die onthulling is precies het punt.
De echte les: AI-gedreven kwetsbaarheidsdetectie is geen theorie meer
Laat de kop even los. Wat de oefening laat zien, is een daadwerkelijke verschuiving in het beveiligingslandschap. De Advanced Persistent Threats die verdedigers jarenlang probeerden te detecteren, beschikken nu over AI-tools die elke fase van een aanval versnellen – verkenning, kwetsbaarheden in kaart brengen, aanvalspaden koppelen en laterale beweging – veel sneller dan menselijke analisten kunnen bijbenen.
Drie capaciteitscategorieën zijn het meest relevant voor beveiligingsteams van ondernemingen.
Kwetsbaarheden ontdekken op schaal. Menselijke red teamers brengen kwetsbaarheden handmatig in kaart, één systeem tegelijk. Door AI ondersteunde tools kunnen omgevingen volledig scannen en configuratiefouten, niet-gepatchte CVE’s en logische fouten in duizenden assets tegelijk aan het licht brengen. Het snelheidsvoordeel is niet incrementeel, maar een categorisch verschil.
Redeneren over aanvalspaden. Het vinden van een individuele kwetsbaarheid is één ding. Meerdere kwetsbaarheden koppelen tot een bruikbaar aanvalspad dat gelaagde verdedigingen omzeilt, vereist geavanceerd redeneren over netwerkstructuur, toegangsrechten en systeemafhankelijkheden. AI-modellen die getraind zijn op beveiligingsonderzoek, exploitdatabases en systeemdocumentatie kunnen deze ketens doorgronden op manieren die voorheen alleen senior red team-ingenieurs met jarenlange ervaring konden.
Iteratief testen in gecontroleerde omgevingen. Mythos draaide niet op live systemen – het draaide op een replica. Dit weerspiegelt precies hoe verantwoordelijke kwetsbaarheidsprogramma’s werken: zet een omgeving op, test deze intensief, identificeer de gaten voordat tegenstanders dat doen. Dezelfde AI-capaciteit die in de NSA-oefening werd getoond, wordt vandaag gebruikt door ongeveer 150 instellingen in meer dan 15 landen via het Project Glasswing-programma van Anthropic. Deze instellingen hebben gezamenlijk meer dan 10.000 kwetsbaarheden met hoge of kritieke ernst in hun eigen omgevingen geïdentificeerd.
Dat laatste cijfer verdient nadruk. Overheidsinstanties, financiële instellingen en technologiebedrijven gebruiken nu AI-ondersteunde kwetsbaarheidsdetectie om hun eigen infrastructuur te versterken. De red team-capaciteit is geen toekomstmuziek. Het is actief in gebruik.
Wat betekent dit voor de gegevensbeveiliging van ondernemingen?
De NSA-oefening maakt iets duidelijk dat beveiligingsteams van ondernemingen tot nu toe als een toekomstig probleem zagen: AI-risico is een actuele beveiligingskwestie die directe architecturale actie vereist, geen punt op een stappenplan.
De kern is toegang. AI-systemen die kwetsbaarheden kunnen ontdekken en koppelen, hebben data nodig – configuratiedata, netwerkstructuur, code, logs en documentatie. Hoe meer toegang een AI-systeem heeft tot bedrijfsdataopslagplaatsen, hoe gevaarlijker het wordt als het misbruikt of gecompromitteerd raakt. Omgekeerd is een goed gereguleerd AI-systeem met beperkte, geauditeerde toegang precies wat organisaties nodig hebben om kwetsbaarheden in hun eigen infrastructuur te identificeren voordat aanvallers dat doen. Dataclassificatie is de noodzakelijke controle: organisaties die niet kunnen vaststellen welke opslagplaatsen gevoelige data bevatten, kunnen de toegangsgrenzen die AI-governance vereist niet afdwingen.
Hier wordt zero trust-architectuur direct en praktisch relevant. Traditionele beveiligingsmodellen geven AI-systemen brede toegang zodra ze zijn geauthenticeerd – de aanname is dat als een systeem is gemachtigd om verbinding te maken, het alles binnen zijn bereik mag zien. De NSA-oefening liet precies zien waarom die aanname gevaarlijk is. Een AI-systeem met toegang tot een complexe omgeving kan deze in enkele uren volledig doorlopen.
Zero trust data protection draait dit model om. Vertrouw nooit op de identiteit of intentie van een AI-systeem. Verifieer altijd op het niveau van het verzoek. Elke bewerking wordt geauthenticeerd, getoetst aan beleid en gelogd voordat data wordt teruggegeven. De vraag is niet of een AI-systeem eenmaal geauthenticeerd is bij verbinding – het gaat erom of elke individuele data-actie van de AI is geautoriseerd, beleidsgestuurd en volledig te auditen met volledige toewijzing.
Voor ondernemingen met gevoelige dataopslagplaatsen – gereguleerde klantgegevens, intellectueel eigendom, zorgdossiers of defensie-informatie – is het architecturale principe duidelijk: AI-systemen hebben gereguleerde data-toegang nodig, geen ongereguleerde toegang. De capaciteit die AI gevaarlijk maakt als red team-tool, is dezelfde capaciteit die het waardevol maakt voor verdediging. Het verschil is controle.
De gereguleerde AI Data Layer die uw organisatie nodig heeft
Dezelfde principes die de NSA toepaste op haar eigen red team-oefening – gecontroleerde toegang, beperkte scope, gemonitorde operaties – zijn beschikbaar voor ondernemingen via gereguleerde AI-platforms. AI data governance is de praktijk waarbij wordt gewaarborgd dat AI-systemen alleen toegang krijgen tot data waarvoor ze expliciet zijn geautoriseerd, dat elke bewerking wordt gelogd met volledige toewijzing en dat beleidsafdwinging plaatsvindt op het niveau van individuele verzoeken, niet alleen bij het maken van verbinding.
De Kiteworks AI Data Gateway biedt een veilige brug tussen AI-systemen en bedrijfsdataopslagplaatsen, waarmee Retrieval-Augmented Generation-workflows en andere AI-operaties mogelijk worden gemaakt met zero-trust data-toegang als basis. Elk dataverzoek van een AI-systeem wordt geauthenticeerd, in realtime getoetst aan ABAC-beleid en gelogd voordat data wordt teruggegeven. Een AI-systeem dat via de AI Data Gateway werkt, kan geen data benaderen waarvoor het niet expliciet is geautoriseerd. Dataminimalisatie zorgt ervoor dat AI-systemen alleen de minimaal noodzakelijke data voor de specifieke taak ontvangen – rate limiting voorkomt bulkextractie, zelfs als het AI-systeem zelf gecompromitteerd raakt.
De Kiteworks Secure MCP Server breidt deze governance uit naar interactieve AI-assistenten zoals Claude en Microsoft Copilot via het industriestandaard Model Context Protocol. AI-assistenten die bestanden beheren, documentopslagplaatsen doorzoeken of dataworkflows automatiseren, doen dit met dezelfde beleidsafdwinging als voor menselijke toegang – met OAuth 2.0-authenticatie waarbij inloggegevens in de keychain van het besturingssysteem worden opgeslagen en nooit aan het AI-model zelf worden blootgesteld.
Geen van beide mogelijkheden behandelt AI als een vertrouwde entiteit zodra deze is verbonden. Beide behandelen AI-verzoeken zoals zero trust-architectuur elke toegang behandelt: als niet-geauthenticeerd en niet-geautoriseerd totdat het tegendeel is bewezen. Dit is geen feature. Het is het fundamentele ontwerpprincipe, en het is precies wat de NSA-oefening aantoont als noodzakelijk.
Wat de defensiesector qua compliance al vereist
De compliance-raamwerken van de defensiesector bestaan juist vanwege scenario’s zoals die uit de NSA-oefening. CMMC 2.0-naleving vereist dat defensie-aannemers gecontroleerde toegang tot CUI – Controlled Unclassified Information – aantonen, met volledige audittrails en gedocumenteerde beleidsafdwinging over alle kanalen waarlangs deze data beweegt. FedRAMP-naleving vereist dat federale clouddiensten continue beveiligingscontroles aantonen met realtime monitoring en audit logging zonder beperkingen.
Beide raamwerken zijn ouder dan de huidige golf van AI-capaciteit. Maar hun vereisten sluiten direct aan op het probleem dat de Mythos-oefening blootlegde. Als een AI-systeem met toegang tot een CUI-opslagplaats in staat is om kwetsbaarheden te ontdekken en te koppelen in enkele uren, dan heeft elke defensie-aannemer zonder zero-trust AI-gegevensbeheer zowel een compliance- als een beveiligingslek – het soort dat een gemotiveerde tegenstander kan benutten voordat een menselijke analist afwijkende activiteit opmerkt.
DFARS 252.204-7012 vereist incidentrapportage binnen 72 uur voor systemen van contractanten met gevoelige informatie. ITAR legt geografische beperkingen op aan toegang tot gecontroleerde technische data. Beide creëren specifieke verplichtingen rond AI-data-toegang die de meeste organisaties nog niet hebben vertaald naar hun AI-governancebeleid. Het Kiteworks 2026 Forecast Report benoemt AI-governancelekken als een van de belangrijkste beveiligingsuitdagingen die organisaties op korte termijn moeten aanpakken – en het NSA-verhaal geeft die uitdaging een concrete, zichtbare vorm.
De ondernemingen die dit als eerste onderkennen – dat AI-governance geen AI-probleem is, maar een databeveiligingsprobleem, en dat de raamwerken voor de meest gevoelige dataomgevingen al het juiste model bieden – zullen zowel competitief als qua beveiliging beter gepositioneerd zijn.
Ga ervan uit dat AI tegen u gebruikt zal worden – en bouw daarop
De NSA-oefening is een katalysator voor een gesprek dat beveiligingsteams in ondernemingen voor zich uitschoven. De reactie op incidenten is veranderd. Assume breach is al jaren een fundamenteel zero trust-principe – ga ervan uit dat aanvallers al binnen zijn en ontwerp controles daarop. De Mythos-oefening voegt daar een corollarium aan toe: ga uit van AI-ondersteunde aanvallen.
Een aanvaller met toegang tot een krachtig AI-model en een eerste voet aan de grond in uw omgeving kan uw aanvalsvlak in kaart brengen, gekoppelde kwetsbaarheden ontdekken en paden naar uw meest gevoelige data identificeren veel sneller dan uw beveiligingsteam kan reageren met handmatige analyse. Detectiesystemen die zijn ontworpen om laterale bewegingen op menselijke snelheid te detecteren, reageren mogelijk niet snel genoeg op AI-gestuurde verkenning en exploitatie.
De praktische reactie is architectonisch, niet reactief. Implementeer zero trust gegevensuitwisseling over alle kanalen waarlangs gevoelige data beweegt. Zorg dat elk AI-systeem dat op bedrijfsdata werkt, zijn toegang op het niveau van het verzoek wordt geëvalueerd, niet alleen bij het maken van verbinding. Houd volledige, realtime audit logs bij die direct in uw SIEM worden gevoed – niet beperkt, niet vertraagd, en zonder dat er een premium licentie-upgrade nodig is om toegang te krijgen tijdens een actief onderzoek.
De NSA begreep iets belangrijks: u kunt niet beschermen wat u niet kunt zien, en u kunt niet zien wat u niet logt. Ditzelfde principe geldt voor AI-toegang in uw organisatie. Als een AI-systeem in uw omgeving binnen een uur honderden gevoelige documenten opvraagt, moet u weten wat het heeft geraadpleegd, wat het heeft teruggegeven, onder wiens autorisatie en via welk beleidspad. Zonder die zichtbaarheid zijn uw incident response-mogelijkheden feitelijk blind voor de snelste categorie aanvallen die nu actief wordt ingezet.
De ondernemingen die vandaag gereguleerde AI-infrastructuur bouwen – vóórdat een beveiligingsincident hen daartoe dwingt – zijn degenen die AI als een echte verdedigingscapaciteit kunnen inzetten in plaats van het te beheren als een niet-gekwantificeerde aansprakelijkheid. Een Private Data Network-architectuur die deze controles afdwingt over elk communicatiekanaal – beveiligde e-mail, beveiligde MFT, beveiligde bestandsoverdracht en AI-integraties – zorgt ervoor dat geen enkel kanaal buiten de governance-perimeter opereert.
Meer weten over het reguleren van AI-toegang tot uw gevoelige data met zero trust-architectuur? Plan vandaag nog een persoonlijke demo.
Veelgestelde vragen
Nee. De wijdverspreide bewering was een verkeerde voorstelling van een geautoriseerde red team-oefening. NSA-directeur generaal Joshua Rudd vertelde senator Mark Warner dat Mythos “bijna al onze geclassificeerde systemen in uren, niet weken, doorbrak” – maar de journalist die het citaat publiceerde, verduidelijkte later dat de oefening werd uitgevoerd op een replica van NSA-systemen, niet op live operationele infrastructuur, en dat Mythos werd gebruikt naast andere beveiligingstools. Het onderscheid is wezenlijk: een red team-oefening op een gecontroleerde replica-omgeving is een standaard defensieve beveiligingspraktijk, geen vijandige datalek. De getoonde capaciteit – het vinden en koppelen van kwetsbaarheden op AI-snelheid – is echt en significant. Ondernemingen moeten hun aandacht richten op wat de oefening onthult over AI-ondersteunde kwetsbaarheidsdetectie, niet op de juistheid van de virale framing. AI data governance en zero trust generatieve AI raamwerken zijn er om het daadwerkelijke risico dat de oefening blootlegde aan te pakken. Organisaties die hun eigen blootstelling willen beoordelen, moeten beginnen met een risicobeoordeling van elk AI-systeem dat toegang heeft tot gevoelige dataopslagplaatsen.
Project Glasswing is het gecontroleerde toegangstraject van Anthropic voor Mythos – het meest geavanceerde AI-model van het bedrijf. Omdat de offensieve beveiligingsmogelijkheden van het model als te gevaarlijk voor algemene uitrol worden beschouwd, distribueert Anthropic het alleen aan gescreende defensie- en beveiligingsorganisaties onder strikte voorwaarden. In juni 2026 was het programma uitgebreid naar ongeveer 150 instellingen in meer dan 15 landen. Deze organisaties hebben gezamenlijk meer dan 10.000 kwetsbaarheden met hoge of kritieke ernst in hun eigen omgevingen geïdentificeerd met Mythos. Voor beveiligingsteams van ondernemingen is Project Glasswing leerzaam als governance-model: gecontroleerde toegang, geautoriseerde use cases, beperkte scope, gemonitorde operaties en expliciete verantwoording voor elke query. Dit is de architectuur die ondernemingen op hun eigen AI-inzet moeten toepassen. De Kiteworks AI Data Gateway implementeert dit zero trust-model voor enterprise RAG-workflows en AI-data-toegang, zodat AI-systemen alleen binnen expliciet geautoriseerde grenzen werken, met een volledige audittrail voor elke bewerking. Dezelfde discipline in risicobeheer die Project Glasswing aanstuurt, moet elk AI-systeem dat gevoelige bedrijfsdata verwerkt, aansturen.
De NSA-oefening suggereert dat AI-ondersteunde aanvalscapaciteit nu thuishoort in dreigingsmodellen van ondernemingen als een actueel risico, niet als een toekomstscenario. Beveiligingsteams moeten rekening houden met tegenstanders die aanvalsvlakken kunnen in kaart brengen en kwetsbaarheden kunnen koppelen sneller dan menselijke analisten op waarschuwingen kunnen reageren. Dit betekent dat de defensieve architectuur de offensieve snelheid moet evenaren. Detectiesystemen hebben realtime SIEM-feeds nodig zonder beperkingen – vertraagde logs zijn nutteloos om een AI-snelle inbraak te beperken. Zero trust-architectuur beperkt de impact als een aanvaller een eerste voet aan de grond krijgt, omdat AI-ondersteunde laterale beweging alleen zo schadelijk is als de toegang die het kan bereiken. Beleidsafdwinging op het niveau van het verzoek in plaats van alleen bij authenticatie is het kritieke controlepunt – elke data-actie van elk systeem, inclusief elk AI-systeem, moet in realtime worden geëvalueerd en gelogd. Organisaties moeten ook hun risicobeheer van de toeleveringsketen herzien, aangezien AI-ondersteunde aanvallen op integraties van externe leveranciers een bijzonder risicovector vormen.
Dezelfde raamwerken die menselijke toegang tot gevoelige data reguleren, reguleren ook AI-toegang – en toezichthouders maken dit steeds duidelijker. Voor defensie-aannemers vereist CMMC 2.0-naleving gecontroleerde toegang tot CUI met volledige audittrails – verplichtingen die rechtstreeks gelden voor AI-systemen die gevoelige data opvragen. FedRAMP vereist continue beveiligingscontroles en realtime monitoring voor federale clouddiensten. HIPAA-naleving vereist technische waarborgen voor PHI-toegang, ongeacht of de gebruiker menselijk of AI-geautomatiseerd is. GDPR vereist een gedocumenteerde wettelijke grondslag voor gegevensverwerking, inclusief AI-opvragingen. De praktische implicatie is dat organisaties AI-data-toegang niet buiten de compliance-perimeter mogen plaatsen. Elk AI-systeem dat een gevoelige dataopslagplaats opvraagt, moet dezelfde audittrail en beleidsdocumentatie genereren als een menselijke gebruiker – en het Kiteworks-platform produceert deze documentatie automatisch voor elke AI-bewerking over elk kanaal. Organisaties die data governance-verplichtingen beheren over meerdere regelgevingskaders, zullen merken dat Compliant AI-infrastructuur een uniforme afdwingingslaag biedt die aan meerdere raamwerken tegelijk voldoet.
Drie acties leveren op korte termijn het meeste beveiligingsresultaat op. Ten eerste: voer een audit uit op AI-data-toegang. Breng elk AI-systeem in uw omgeving in kaart dat gevoelige dataopslagplaatsen kan opvragen en beoordeel of die verzoeken worden geregeld door zero trust-beleidsafdwinging op het niveau van het verzoek of alleen door verbinding-authenticatie. Alleen verbinding-authenticatie is onvoldoende. Ten tweede: controleer of uw audit logs volledig en realtime zijn. Als een AI-ondersteunde aanvaller uw omgeving in uren doorloopt, zijn logs die vertraagd, beperkt of onvolledig zijn, niet bruikbaar voor incident response op de snelheid die de aanval vereist. Zero trust data protection vereist realtime zichtbaarheid – zonder dat is effectief onderzoek onmogelijk. Ten derde: bouw hetzelfde governance-model als Project Glasswing: gecontroleerde toegang, expliciete autorisatie, beperkte scope en gemonitorde operaties voor elk AI-systeem dat gevoelige data verwerkt. Het CISO-dashboard geeft beveiligingsleiders het uniforme, realtime overzicht van alle AI-data-toegangsgebeurtenissen dat nodig is om afwijkende activiteit te detecteren op de snelheid die AI-ondersteunde bedreigingen vereisen. Kiteworks secure data exchange biedt de infrastructuur om alle drie direct te implementeren, met één beleidsengine en één geconsolideerde audit log over elk kanaal en elke AI-integratie.
Aanvullende bronnen
- Blog Post
Zero‑Trust-strategieën voor betaalbare AI-privacybescherming - Blog Post
Hoe 77% van de organisaties faalt op het gebied van 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 uw data - Blog Post
Toezichthouders zijn klaar met vragen of u een AI-beleid heeft. Ze willen bewijs dat het werkt.