Wie krijgt de sleutels van je cloudomgeving: je IT-team of een AI-agent?
Tools die inzicht geven in je cloudomgeving, waarna jij actie onderneemt? Dááraan ben je inmiddels gewend. Maar deze werkwijze kantelt in hoog tempo: steeds vaker analyseren AI-agents problemen om vervolgens optimalisaties voor te stellen én wijzigingen door te voeren. Microsoft spreekt inmiddels van agentic cloud operations: cloudbeheer dat van inzicht naar actie beweegt.
Aantrekkelijk, want dit scheelt veel handmatig werk en je reactietijden gaan omlaag. Tegelijkertijd komt hiermee een nieuwe vraag rondom AI-governance op tafel: ‘Hoeveel bevoegdheid geef je een AI-agent?’
100% AI-agent… óf human in the loop?
Stel, je AI-agent ziet dat een certificaat vernieuwd moet worden en voert die handeling zelfstandig uit. Dat voelt best comfortabel, want deze handeling is voorspelbaar en brengt weinig risico’s met zich mee.
Maar wanneer een AI-agent zónder jouw tussenkomst firewall-regels aanpast of je productieomgeving schaalt, liggen de kaarten anders. Dat zijn grootsere acties waar veel implicaties aan verbonden zijn. Daarom laat je die misschien liever niet volledig over aan een agent.
Bij elke handeling wil je één cruciale vraag stellen: ‘Vertrouw ik deze taak toe aan een agent of houd ik de human in the loop?’
Het antwoord vind je niet in dát wat technisch mogelijk is.
Leg vast wat een agent mag én log wat hij doet
Vooropgesteld: je kan een AI-agent prima autonomie geven. Zolang je maar op elk moment weet wie wat wanneer heeft gedaan.
Dat begint met kaders die passen binnen het beleid van je organisatie, opgesteld met alle stakeholders die hier iets over te zeggen hebben. Vervolgens zorg je dat je AI-agents wéten wat ze mogen. Je legt vast op welke momenten agents zelf actie mogen ondernemen en wanneer een beheerder iets moet goedkeuren. Ook bepaal je hoe het escalatiepad naar de mens loopt: welke collega moet iets weten? En op welk moment?
Het is belangrijk om álles te loggen. Zowel de uitgevoerde wijzigingen als de besluiten daarachter. Waarom heeft een agent wel of niet geëscaleerd? Onder welk mandaat handelt de agent? Zonder dit spoor kun je nooit uitleggen wat er precies gebeurd is en wie verantwoordelijk is geweest voor een handeling. Als er iets verkeerd gaat, kun je het probleem dus niet traceren.
Maar waar dan wel? In je beleid, de regelgeving waar je aan gebonden bent en de afspraken die je met klanten gemaakt hebt.
Hoe beheers je de kosten van een AI-agent?
Bij traditionele cloudkosten kun je redelijk goed meten wat een applicatie, gebruiker of omgeving kost. FinOps voor AI is andere koek. Er komen allerlei kostenposten bij. Denk aan tokens, modelkeuze, API-aanroepen, verwerkingstijd, data, orchestration en monitoring.
Daarom is het verstandig om het kostenaspect al bij de ontwikkeling van je AI-oplossing in het oog te houden. Laat de agent loggen wat hij doet en zet daar data op, zodat je ziet hoeveel tokens er omgaan. Reken dat af tegen de actuele prijs en je hebt inzicht. Deze informatie verwerk je vervolgens in je FinOps-dashboards.
Dán komen de echte beslissingen op tafel. Belast je de kosten door aan je klant? Geef je iedereen een vast aantal tokens per maand? Dit soort keuzes wil je bewust maken, vóórdat de rekening binnenkomt.
Kun je de kostenbesparing aantonen?
Hoeveel heeft een AI-agent je opgeleverd en wáár zit precies de besparing? Die vraag wil je aan het eind van de maand kunnen beantwoorden. Dat lukt alleen als je vooraf scherp hebt welke pijn je oplost. Kijk daarom goed naar je businesscase voordat je bepaalt wat je een agent laat doen.
Wil jij weten hoe je de kaders het best kunt inrichten voor jouw organisatie? Of hoe je grip houdt op je AI-kosten? Neem gerust contact met ons op om jouw mogelijkheden te bespreken.