Waarom systeembeheerders AI nog steeds niet vertrouwen met productiesystemen

Twee jaar aan beloften van leveranciers over zelfherstellende infrastructuur zijn in botsing gekomen met een veel minder opwindende realiteit: de mensen die daadwerkelijk productiesystemen beheren, laten AI nog steeds niet aan de knoppen zitten. Een nieuwe enquête onder IT-beheerders laat zien dat de automatisering die voor 2026 werd voorspeld—AI die patchbeheer afhandelt, kwetsbaarheden prioriteert, systemen monitort en incident response aanstuurt—nog niet in de meeste omgevingen is doorgebroken. Die kloof tussen wat systeembeheerders in 2024 verwachtten en wat ze nu daadwerkelijk willen autoriseren, is het echte verhaal: vertrouwen, verantwoordelijkheid en governance, niet AI-capaciteit.

Action1’s “2026 Survey Report: AI Impact on Sysadmins” vroeg de mensen die het dichtst bij productie-infrastructuur staan hoe AI daadwerkelijk wordt ingezet, en de antwoorden staan haaks op het automatiseringsverhaal dat IT-leveranciers sinds 2024 domineren. Minder dan één op de vijf systeembeheerders gebruikt momenteel AI voor patchbeheer of het prioriteren van kwetsbaarheden. Bijna een kwart heeft AI nog nooit professioneel gebruikt. En op de vraag of ze AI patches zouden laten uitrollen over productiesystemen zonder menselijke supervisie, zei de meerderheid nee.

Die terughoudendheid is geen Luddietisme. Het is een rationele reactie op een onopgelost probleem: wanneer een autonoom systeem productie-infrastructuur, gevoelige bestanden of identiteitsgegevens aanraakt en er gaat iets mis, wie is dan verantwoordelijk voor de schade? De enquête laat zien dat die vraag grotendeels onbeantwoord blijft, en het is dezelfde vraag die onder elke enterprise AI-governance-discussie ligt, of de AI nu een server patcht of een klantendatabase bevraagt.

Belangrijkste inzichten

1. De automatiseringsvoorspellingen van 2024 zijn niet uitgekomen. Minder dan één op de vijf systeembeheerders gebruikt vandaag AI voor patchbeheer of het prioriteren van kwetsbaarheden, en 23% heeft AI nog nooit professioneel gebruikt, volgens de enquête van Action1 uit 2026.
2. Toezicht, geen autonomie, is de standaard die systeembeheerders accepteren. Slechts 14% zou AI patches laten uitrollen naar productie zonder menselijk toezicht, terwijl 53% toezicht vereist en een kleinere groep AI-patching onder geen enkele omstandigheid toestaat.
3. Beleidsoverschrijding is waar het vertrouwen volledig instort. Slechts 11% van de systeembeheerders zou AI bestaand patchbeleid laten overschrijven, en 40% zou het nooit toestaan, wat een diepere weerstand weerspiegelt tegen AI die buiten vastgestelde regels opereert.
4. De verantwoordingsvraag blijft open. Meer dan de helft van de respondenten maakt zich zorgen over het verliezen van zicht of controle op AI-gedreven acties, en de enquête merkt op dat wanneer AI fouten maakt bij bestand- of identiteitsbeheer, de verantwoordelijkheid voor de schade onduidelijk is.
5. De oplossing is gereguleerde toegang, niet blind vertrouwen of algemene verboden. Het afdwingen van toegangscontroles per verzoek en het bijhouden van een uniforme audittrail voor elke menselijke en AI-actie geeft organisaties het verantwoordingsbewijs dat volgens deze enquête ontbreekt, ook al lossen access governance en IT-operatieautomatisering verschillende delen van het probleem op.

De kloof tussen de voorspellingen van 2024 en de realiteit van 2026

In 2024, toen leveranciers generatieve AI aanprezen als de volgende sprong in IT-operaties, voorspelden systeembeheerders aanzienlijke automatiseringswinst tegen 2026: AI die routinematig patchbeheer uitvoert, kwetsbaarheden op werkelijke risico’s rangschikt, systemen 24/7 monitort en incident response versnelt. De vervolg-enquête van Action1 mat hoeveel daarvan daadwerkelijk is gerealiseerd, en de resultaten beschrijven een markt die AI ongelijk en voorzichtig heeft omarmd, in plaats van de grootschalige automatisering die velen verwachtten.

Minder dan één op de vijf systeembeheerders meldt vandaag AI te gebruiken voor patchbeheer of het prioriteren van kwetsbaarheden. Dat is een opvallend laag adoptiepercentage voor twee taken die vaak als zeer geschikt voor AI-automatisering worden genoemd—beide zijn repetitief, data-intensief en lijken goed te passen bij patroonherkenning en prioriteringsmodellen. Even opvallend: 23% van de respondenten zegt AI nog nooit professioneel te hebben gebruikt, wat betekent dat bijna een kwart van de systeembeheerders AI-tools helemaal niet in hun workflow heeft geïntegreerd, twee jaar na de voorspellingen.

AI faalt deze tests niet. Systeembeheerders kiezen er simpelweg voor om AI niet de touwtjes in handen te geven, wat meer zegt over vertrouwen en governance dan over capaciteit. Dat sluit aan bij wat Kiteworks breder ziet bij AI data governance: adoptie blijft achter omdat organisaties de controles missen om AI-acties zichtbaar, omkeerbaar en toewijsbaar te maken, niet omdat de modellen het werk niet aankunnen.

Waarom systeembeheerders AI niet zonder toezicht patches laten uitrollen

Het duidelijkste signaal in de Action1-data is hoe systeembeheerders antwoordden op een directe vraag: zou je AI patches laten uitrollen over productiesystemen zonder menselijk toezicht? Drieënvijftig procent zei nee—ze eisen menselijk toezicht bij elke AI-gestarte patch-inzet. Slechts 14% zou AI ongecontroleerd laten patchen. Dat is een grote kloof tussen de tolerantie voor AI als assistent en de tolerantie voor AI als autonome operator, en dat geldt zelfs voor beheerders die AI-tools regelmatig in andere delen van hun werk gebruiken.

Patch-inzet is een nuttige testcase omdat de risico’s concreet en direct zijn. Een slechte patch in productie kan diensten platleggen, afhankelijkheden breken of nieuwe kwetsbaarheden openen—uitkomsten die binnen enkele uren zichtbaar zijn, niet abstracte risico’s die in een compliance-rapport verdwijnen. Systeembeheerders die dat risico dagelijks beheren, weten dat een patchbesluit vaak oordeelsvorming vereist die een geautomatiseerd systeem niet kan maken: is dit het juiste onderhoudsvenster, heeft dit systeem een ongedocumenteerde afhankelijkheid, is er een zakelijke reden om uit te stellen. Respondenten wijzen AI-assistentie bij het identificeren en voorbereiden van patches niet af; ze wijzen het idee af dat AI de uiteindelijke beslissing neemt en uitvoert zonder menselijke controle.

De weerstand wordt nog sterker wanneer de vraag verschuift van “gecontroleerde inzet” naar “beleidsoverschrijding”. Slechts 11% van de systeembeheerders zou AI bestaand patchbeleid laten overschrijven, en 40% zou het onder geen enkele omstandigheid toestaan. Dat is een veel hardere grens dan bij de toezichtsvraag, en het zegt iets belangrijks: systeembeheerders voelen zich comfortabeler met AI die binnen de door henzelf gedefinieerde kaders opereert dan met AI die mag bepalen dat de regels niet gelden. Regels die stilletjes door een geautomatiseerd systeem kunnen worden overschreven, zijn geen echte regels. Het zijn suggesties.

IT-operatieteams begrijpen dat onderscheid blijkbaar beter dan de marketingmaterialen die ze zijn verkocht.

Het verantwoordingsvacuüm wanneer AI op gevoelige systemen werkt

Meer dan de helft van de ondervraagde systeembeheerders geeft aan zich zorgen te maken over het verlies van controle of zicht op AI-gedreven acties. Die zorg is de verbindende factor tussen de patchvragen en een breder probleem dat Action1’s rapport aan het licht brengt: wanneer AI bij bestand- of identiteitsbeheer een fout maakt, blijft de vraag wie verantwoordelijk is voor de schade onbeantwoord.

Diezelfde verantwoordingskloof duikt op bij elke functie waar AI-systemen structurele toegang krijgen tot productiedata, inloggegevens of infrastructuur, niet alleen bij IT-operaties. Als een AI-agent met rechten voor bestandsbeheer het verkeerde document verwijdert, verplaatst of blootstelt, moet de post-mortem antwoord geven op een basisvraag: waar had de agent toegang toe, waarom, en wie heeft dat goedgekeurd? Als een AI-systeem met identiteitsbeheerrechten een account verkeerd aanmaakt of wijzigt, gelden dezelfde vragen. Zonder een registratie van wat de AI mocht aanraken en wat die daadwerkelijk deed, is “de AI maakte een fout” geen antwoord waar iemand iets mee kan.

Dat is een doodlopende weg.

Dit is precies de vertrouwens- en verantwoordingskloof die centraal staat in het Shadow AI en AI-governance werk van Kiteworks. Wanneer AI-systemen opereren met brede, slecht afgebakende toegang en zonder consistente audittrail, verliezen organisaties het vermogen om te reconstrueren wat er na een incident is gebeurd, waardoor zowel oorzakenanalyses als verantwoordelijkheid vrijwel onmogelijk worden. Systeembeheerders beschrijven dit probleem vanuit de operationele kant; security- en compliance-teams beschrijven hetzelfde probleem vanuit het data-access perspectief. Het is dezelfde kloof.

Shadow AI en het bredere governance-probleem

De bevindingen van Action1 passen in een groter patroon waar ondernemingen mee worstelen: AI-tools verspreiden zich sneller over afdelingen dan governance-kaders ze kunnen bijhouden. IT-operaties is een relatief zichtbaar en gecontroleerd domein—systeembeheerders zijn, bijna per definitie, meer afgestemd op productierisico dan de gemiddelde zakelijke gebruiker. Als deze groep, met dit niveau van infrastructuurbewustzijn, AI nog steeds geen ongecontroleerde bevoegdheid geeft, is dat een redelijke graadmeter voor hoeveel minder toezicht er is in afdelingen waar AI-tools informeel worden gebruikt, buiten het zicht van IT en zonder enige toegangscontrole.

Dat is de kern van het shadow AI-probleem: medewerkers en, steeds vaker, autonome agents die verbinding maken met systemen, bestanden en datastores met AI-tools die nooit door de organisatie zijn beoordeeld, afgebakend of gelogd. Een systeembeheerder die een goedgekeurde AI-tool niet zonder toezicht in productie laat, heeft ten minste een beleidsdiscussie over die tool. Veel AI-gebruik binnen de onderneming kent helemaal geen beleidsdiscussie. De data governance discipline die IT-operatieteams zichtbaar toepassen op patchbeheer, moet worden uitgebreid naar elk systeem waar AI gevoelige inhoud kan lezen, verplaatsen of bewerken—bestandsopslag, beveiligde e-mail, beheerde bestandsoverdracht pipelines en identiteitsystemen.

Hoe gereguleerde AI-toegang eruitziet in een Kiteworks Control Plane

De Action1-enquête identificeert het probleem duidelijk: systeembeheerders willen AI-assistentie zonder controle, zicht of de mogelijkheid tot verantwoordelijkheid op te geven als het misgaat. Dat oplossen vereist dezelfde governance-discipline die organisaties al toepassen op menselijke gebruikers, consequent toegepast op elke actor die gevoelige systemen aanraakt, menselijk of AI-gedreven.

Kiteworks pakt dit aan via een Kiteworks Control Plane die data-toegang, gebruik en uitwisseling reguleert voor elke identiteit die daarom vraagt—of dat nu een persoon is die inlogt of een AI-agent die een API-aanroep doet. Elk verzoek dat een AI-systeem doet om inhoud te lezen, op te halen of te bewerken, wordt op dezelfde manier geëvalueerd als een menselijk verzoek: tegen gedefinieerd RBAC en ABAC beleid, op het moment van het verzoek, niet als een eenmalige provisioningbeslissing die daarna wordt vergeten. Die evaluatie per verzoek maakt het verschil tussen “we vertrouwen deze AI-tool in het algemeen” en “we kunnen exact verifiëren wat deze AI-tool heeft benaderd, op deze datum, onder dit beleid, namens deze workflow.”

Twee functionaliteiten zijn direct relevant voor de vertrouwenskloof die deze enquête blootlegt. Kiteworks Compliant AI handhaaft governance op inhoudsniveau op het moment dat een AI-systeem data opvraagt, waarbij wordt gefilterd en afgebakend wat een AI-model of agent mag ophalen op basis van gedefinieerd beleid in plaats van het eigen oordeel van het model. De Secure MCP Server past diezelfde beleidsafdwinging toe op AI-agents die via het Model Context Protocol verbinden, zodat een agentverzoek onder dezelfde toegangscontroles valt en in dezelfde unified audit logs terechtkomt als een verzoek van een menselijke gebruiker, in plaats van een apart spoor speciaal voor AI. Beide functionaliteiten leveren het bewijs op dat systeembeheerders volgens het Action1-rapport missen: een verifieerbaar overzicht van wat een AI-systeem mocht doen en wat het daadwerkelijk heeft gedaan, door een mens te beoordelen, gekoppeld aan een specifiek beleid en een specifieke identiteit.

De grenzen van access governance: wat het oplost en wat niet

De Action1-enquête meet iets dat grenst aan, maar verschilt van, wat content-access governance daadwerkelijk oplost. Systeembeheerders werd gevraagd naar AI die patches uitrolt, kwetsbaarheden prioriteert en IT-operatietaken uitvoert—acties die zich afspelen in de patchbeheer- en configuratielaag van de infrastructuurstack, niet in de content- en credential-toeganglaag die een governanceplatform als Kiteworks beheerst.

Een data policy engine die RBAC en ABAC afdwingt op de verzoeken van een AI-agent, reguleert of die agent een bestand mag lezen, een record mag ophalen of op een credential mag handelen—en legt vast dat dit is gebeurd. Het bepaalt niet of een specifieke patch veilig is om naar een productieomgeving te implementeren, en het is geen vervanging voor de patchbeheer-, change control- en monitoringtools waar systeembeheerders naar vroegen. De twee problemen delen een gemeenschappelijke oorzaak—onduidelijke verantwoordelijkheid wanneer AI autonoom handelt—maar vereisen verschillende controles. Organisaties die de IT-operatievariant van deze vertrouwenskloof willen oplossen, hebben patchbeheerplatforms nodig met ingebouwde goedkeuringsworkflows en rollback-controls; organisaties die de content-, bestand- en identiteitsvariant willen oplossen, hebben gereguleerde toegang en audit logging nodig op elk systeem dat AI aanraakt. De meeste organisaties hebben beide nodig, en geen van beide vervangt de ander.

Access governance is ook slechts zo sterk als het beleid dat een organisatie configureert. RBAC- en ABAC-controles handhaven de regels die een securityteam definieert; ze bepalen niet zelfstandig wat een “veilige” scope van AI-toegang is voor een bepaalde rol of workflow. De verantwoordelijkheid die de Action1-respondenten wensen, hangt af van organisaties die het beleidswerk vooraf doen—bepalen wie en wat toegang mag hebben tot welke inhoud, onder welke voorwaarden—en dan vertrouwen op het platform om dat beleid consequent af te dwingen en te loggen.

Een governance-first pad naar AI-adoptie in IT-operaties

De systeembeheerders in deze enquête beschrijven een redelijk stel voorwaarden voor het uitbreiden van de AI-rol—zichtbaarheid, omkeerbaarheid en een duidelijke verantwoordingsketen—geen AI-adoptiefalen. Organisaties die dezelfde kloof willen dichten voor AI-toegang tot gevoelige inhoud en systemen, moeten uitgaan van die drie voorwaarden in plaats van een generiek toestaan- of verbieden-besluit.

Dat betekent dat elke AI-agent en elke AI-gekoppelde workflow als een identiteit wordt behandeld die onder hetzelfde toegangsbeleid, risicobeoordeling en auditvereisten valt als een menselijke gebruiker—geen speciale uitzondering omdat de aanvrager een model is in plaats van een persoon. Het betekent AI-acties loggen met voldoende detail om te kunnen beantwoorden “wat heeft het benaderd, wanneer en met welke autorisatie” zonder een forensisch reconstructieproject na een incident. En het betekent toegangscontroles en auditinfrastructuur bouwen die zo precies zijn dat vertrouwen overbodig wordt, omdat elke actie verifieerbaar is, ongeacht wie of wat deze uitvoert.

Organisaties die dit goed aanpakken, kunnen de AI-rol in zowel IT-operaties als contentworkflows bewust uitbreiden, onderbouwd door bewijs, in plaats van te blijven hangen tussen algemene verboden en ongecontroleerde autonomie—precies de spagaat waarin de meeste Action1-respondenten zichzelf momenteel zien.

Wil je meer weten over het reguleren van AI-agenttoegang tot gevoelige inhoud onder één unified Control Plane? Plan vandaag nog een aangepaste demo.

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 jouw data
• Blog Post
  Toezichthouders zijn klaar met vragen of je een AI-beleid hebt. Ze willen bewijs dat het werkt.