De hele identity industrie draait op dit moment één kant op. Op Identiverse dit jaar vatte Ping-oprichter Andre Durand het samen als “actions, not access”: weg van statische toegang, richting realtime beslissingen over wat een actor op dit moment mag doen. Het perimeter is verschoven van de login naar de actie. Autorisatie voor AI agents heet de grote paradigmaverschuiving, van simpele RBAC regels naar contextuele, intent-gedreven, begrensde autorisatie.
Klinkt allemaal terecht. En toch bleef er bij het volgen van die discussie op afstand één ongemakkelijke vraag knagen. Als we runtime authorization voor AI agents gaan bouwen, op basis van rijke context en fijnmazige beslissingen, kan iemand me dan eerst vertellen wat één enkele entitlement in het huidige landschap eigenlijk verleent?
Meestal niet. En dat is het echte probleem.
De industrie draait op twee snelheden
Er zijn twee snelheden aan het werk, tegelijk. Op de ene bouwen we guardrails voor AI: intent proberen te begrijpen, toegang voor agents scopen, misbruik voorkomen. Op de andere zijn we er na vijftien jaar nog steeds niet in geslaagd om de basis op orde te krijgen. Zoals een heldere, leesbare beschrijving van wat een recht nu eigenlijk toekent.
Die twee verhouden zich slecht tot elkaar. Je bouwt geen intelligent, contextueel toegangsbeheer bovenop een laag die je zelf niet kunt uitleggen. De bovenbouw erft de verwarring van de onderbouw. En versnelt die alleen maar.
Het beeld dat uit de verslagen terugkomt, kent elke IAM practitioner. Geen tekort aan tools. Uitputtende toolboxen, dashboards, fraaie interfaces. Maar iemand met een volwassen CI/CD straat heeft geen fancy UI nodig, en al helemaal geen ClickOps. Die heeft hulp nodig bij de inhoud: welk recht doet wat, voor wie, en waarom. Precies wat de meeste tools niet leveren.
Wat verleent een entitlement eigenlijk?
Neem de meest basale vraag in access governance. Een manager krijgt een recht ter beoordeling: PROD-FIN-REPORT-READ, of AAD-SG-Finance-Admins. Voor de architect is dat een logische naam. Voor degene die de beslissing moet nemen is het abracadabra.
Geen randgeval. Het is de norm. In vrijwel elk IAM programma dat ik begeleid ontbreekt een menselijk leesbare beschrijving naast de technische naam van een recht. Niemand die in één zin kan zeggen wat iemand met die entitlement kan. En als niemand dat kan, dan is elke laag die je erbovenop legt, hoe slim ook, een gok. Ik werkte dat eerder uit voor recertificering, waar access reviews verworden tot afvinken juist omdat de rechten niet te duiden zijn. Hetzelfde gat torpedeert straks je AI autorisatie.
De onhandige waarheid over RBAC
En dan RBAC. Role-based access control is al twintig jaar hét antwoord op toegangsbeheer, en het staat op vrijwel elke architectuurplaat. Stel op een IAM congres de eerlijke vraag — wie heeft RBAC écht laten werken, end to end, zonder rollenexplosie en zonder honderden exceptions — en het wordt stil, toch (eerlijk…).
Niet omdat het concept niet deugt. De praktijk is gewoon weerbarstig. Rollen groeien, overlappen, verouderen. Er komen uitzonderingen bij die nooit meer weggaan. Uiteindelijk heb je bijna net zoveel rollen als medewerkers, en niemand die het geheel nog overziet. Het model belooft eenvoud en levert een nieuwe soort complexiteit.
Dat is geen reden om RBAC weg te gooien. Wel om eerlijk te zijn over wat het wel en niet oplost, voordat je er een AI laag op zet die diezelfde rollen als waarheid behandelt.
Waarom AI dit niet vanzelf oplost
De verleiding is nu om te zeggen: AI lost dit op. Laat een model de rollen opschonen, de anomalieën vinden, de toegang aanbevelen. En AI kán daarbij helpen. Echt. Maar niet zoals het meestal wordt verkocht.
AI is goed in patroonherkenning bovenop data die klopt. Voer het onduidelijke entitlements, verouderde rollen en ongedocumenteerde uitzonderingen, en je krijgt geen inzicht. Je krijgt zelfverzekerd gepresenteerde verwarring (in je huisstijl in een mooie powerpoint), sneller dan voorheen. Het is het verhaal van de grote PowerPoint: het lijkt een goed idee tot je het probeert te implementeren.
Wat AI tooling in IAM echt moet bieden is geen extra dashboard, maar diepe context, uitlegbaarheid, en aanbevelingen die op jouw organisatie zijn toegesneden. Zonder die is een AI-aanbeveling niet te vertrouwen, en dus onbruikbaar in een audit. Ook daarom loopt AI governance zonder IAM uiteindelijk stuk: de AI is nooit beter dan de identity laag eronder.
Runtime authorization vraagt méér van je fundament, niet minder
Hier zit de wrange paradox. De verschuiving naar runtime authorization — realtime, contextuele beslissingen, met opkomende standaarden als AuthZEN als een soort SSO voor autorisatie — maakt de eis aan je fundament niet lichter. Juist zwaarder.
Een statische rol kun je nog met de hand goedpraten, ook als je hem niet helemaal snapt. Maar een systeem dat honderd keer per seconde beslist of déze actor, namens déze gebruiker, in déze context, déze actie op déze bestemming mag doen, moet exact weten wat er op het spel staat. Die precisie is onmogelijk als de onderliggende rechten semantisch mistig zijn. Contextuele autorisatie zonder heldere semantiek is geen vooruitgang. Het is dezelfde onduidelijkheid, nu in realtime.
En dubbel voor niet-menselijke identiteiten. Een AI agent die zelfstandig handelt heeft een identiteit met rechten die iemand moet kunnen duiden en begrenzen. Wie de identiteit van zijn AI agents nog niet beheert, kan die agents ook niet zinvol autoriseren. Hoe modern die autorisatielaag ook is.
Wat dan wel: het saaie fundament eerst
Het onaantrekkelijke antwoord: maak eerst het fundament af dat we collectief hebben laten liggen. Menselijk leesbare beschrijvingen naast elke entitlement, geschreven door de business owner en niet door IT. Duidelijk eigenaarschap per recht en per rol. Een eerlijke inventaris van wat je RBAC model wel en niet dekt. Geen sexy werk. Het levert ook geen mooie demoplaat op. Maar het is de voorwaarde voor alles wat erboven komt.
Doe je dat, dan wordt AI ineens wél een echte versneller. Niet als vervanger van een fundament dat er niet is, maar als hulp bovenop een fundament dat klopt: context leveren, uitzonderingen signaleren, beslissingen onderbouwen. Dan verschuift de rol van de IAM professional ook, richting wat op Identiverse “context engineering” heette: identity data bruikbaar maken over al je tools en processen heen, zodat mens én machine een betekenisvolle beslissing kunnen nemen. En dat dit meestal op governance stukloopt en niet op techniek maakt het geen technisch probleem maar een sturingsprobleem. Precies het soort werk waar je iemand voor inhuurt die de basis niet overslaat.
Tot slot
De industrie heeft gelijk dat de toekomst bij runtime authorization en contextuele toegang ligt. Maar de snelheid waarmee we die bovenbouw bouwen verhult dat de onderbouw nog niet af is. Je levert geen intelligent toegangsbeheer voor AI agents als je niet eens kunt uitleggen wat één recht verleent.
De eerlijke volgorde is niet spannend. Wel de enige die werkt: eerst het fundament, dan de AI. Draai je die om, dan bouw je vooral de snelste route naar een auditbevinding die niemand meer kan uitleggen.
Veelgestelde vragen
Waarom is toegangsbeheer voor AI-agents zo lastig?
Omdat een AI-agent een niet-menselijke identiteit is met rechten die iemand moet kunnen duiden, begrenzen en verantwoorden. Dat lukt alleen als de onderliggende entitlements en rollen helder zijn. In de praktijk zijn die vaak cryptisch en ongedocumenteerd, waardoor je een agent niet zinvol kunt autoriseren, hoe modern je autorisatielaag ook is.
Werkt RBAC eigenlijk wel?
Als concept wel, in de praktijk zelden zonder problemen. RBAC leidt vaak tot rollenexplosie, overlappende rollen en een groeiende stapel uitzonderingen, tot niemand het geheel nog overziet. Dat is geen reden om het af te schaffen, maar wel om eerlijk te zijn over wat het oplost voordat je er een AI- of runtime-laag op bouwt.
Wat is runtime authorization?
Runtime authorization is het realtime, contextueel beslissen of een actor een specifieke actie mag uitvoeren, op het moment zelf, op basis van continue signalen zoals identiteit, apparaat, gedrag en context. Het is de verschuiving van statische toegang (“mag deze gebruiker in dit systeem?”) naar dynamische actie-autorisatie (“mag deze actor nu déze actie doen?”).
Lost AI het access-governance-probleem op?
Deels, maar niet zoals vaak wordt gesuggereerd. AI is goed in patroonherkenning bovenop data die klopt: outliers vinden, SoD-conflicten signaleren, opschoning voorstellen. Wat AI niet doet, is een gebrekkig fundament repareren. Voer je het onduidelijke rechten en verouderde rollen, dan krijg je snellere, zelfverzekerd gepresenteerde verwarring in plaats van inzicht.
Waar begin je als je fundament nog niet klopt?
Bij het saaie werk: menselijk leesbare beschrijvingen naast elke entitlement, geschreven door de business owner; duidelijk eigenaarschap per recht en rol; en een eerlijke inventaris van wat je RBAC-model wel en niet dekt. Pas als dat staat, wordt AI een betrouwbare versneller in plaats van een risico.
