In maart 2026 leidde een intern incident bij Meta tot een Sev 1-melding, omdat gevoelige bedrijfs- en gebruikersdata werd blootgesteld aan medewerkers die daar niet voor geautoriseerd waren. Het begon met iets ogenschijnlijk kleins: een medewerker stelde een technische vraag op een intern forum.
Een engineer gebruikte een goedgekeurde AI-agent om te analyseren. Maar in plaats van de reactie af te schermen, publiceerde de agent het antwoord zonder voorafgaande goedkeuring. De aanvrager volgde de suggesties op, waardoor gedurende meer dan twee uur een grote hoeveelheid gevoelige data beschikbaar kwam voor niet-geautoriseerde collega’s.
Dit incident werd niet veroorzaakt door “shadow AI” (onbekende, niet-goedgekeurde tools), maar door een verwant en minstens zo lastig fenomeen: shady AI governance. Daarbij gaat het niet om het ontbreken van toestemming voor de tool, maar om het gebruik ervan op onverwachte of slecht-gouverneerde manieren.
Wat is shady AI governance precies?
Je kunt het verschil zo samenvatten:
- Shadow AI: medewerkers gebruiken AI die niet door de organisatie is goedgekeurd en die dus buiten het zicht van security valt.
- Shady AI: medewerkers gebruiken wél een goedgekeurde AI-tool, maar binnen de organisatie op een manier die niet is voorzien, niet is besproken of niet goed is vastgelegd.
Dat maakt shady AI governance extra lastig. Security ziet de tool immers al als “safe” omdat hij is goedgekeurd—maar de manier waarop medewerkers hem inzetten (en wat de tool vervolgens kan doen) is mogelijk niet afgedekt.
Waarom is dit risico groter dan bij shadow AI?
Met shadow AI is het vaak relatief simpel om in te grijpen: je kunt tools verbieden of blokkeren. Bij shady AI governance ligt dat anders. De “sluiter” die security gewend is te gebruiken—een tool die je niet toestaat—bestaat hier niet, omdat de AI al is uitgerold.
De kern van het probleem: goedkeuring van een tool is niet hetzelfde als goedkeuring van het gebruik. Als gebruikers, agents of workflows veranderen, verandert ook het risicoprofiel. Zelfs wanneer de software zelf niet is “nieuw” voor de organisatie, kan het gedrag in de praktijk afwijken van wat men had verwacht.
De gevolgen van shady AI governance
De impact van shady AI governance kan zich op meerdere fronten laten voelen:
- Securityrisico’s: meer kans op datalekken, compliance-incidenten en datadeling die niet hoort (bijvoorbeeld via ongewenste publicatie of exfiltratie).
- Kosten: groeiende uitgaven aan AI-gebruik, inclusief tokens voor taken die dupliceren of niet echt waarde toevoegen.
- Organisatie-weerstand: als security achteraf strengere beperkingen oplegt, ontstaat frictie—wat innovatie kan afremmen.
- Burnout bij security en IT: extra werk door audits en “achteraf repareren” in plaats van vooraf het aanvalsvlak te verkleinen.
In de praktijk gaat het dus niet alleen om één incident. Het raakt ook de manier waarop teams AI proberen te adopteren en welke ruimte ze krijgen om veilig door te bouwen.
Waarom shady AI nu zo opkomt
Er zijn drie duidelijke drijvers achter het ontstaan van shady AI governance.
1. Meer goedgekeurde AI-tools betekent een groter speelveld
Organisaties investeren steeds meer in AI. Dat klinkt positief, maar het maakt het beveiligingslandschap complexer: zoals je bij SaaS-sprawl ziet, groeit het aantal tools en functies dat gemonitord en beheerst moet worden.
Met beperkte resources wordt het moeilijk om precies te begrijpen hoe elke AI-mogelijkheid wordt gebruikt binnen elk systeem. Daardoor verschijnen onbedoelde combinaties en gebruikspatronen sneller in de praktijk.
2. Machtigingen zijn vaak breed, omdat het technisch makkelijker is
In veel omgevingen krijgen gebruikers toegang tot AI-functionaliteit binnen bestaande werktools. Daarbij geldt: de mogelijkheid groeit vaak sneller dan de securityorganisatie kan bijbenen.
Een AI-assistent die start als een samenvattingshulpmiddel kan later—door instellingen, integraties of productfeatures—meer kunnen: zoeken in interne kennis, koppelen aan bedrijfsapplicaties, workflows aanmaken of zelfs namens een medewerker acties uitvoeren.
Voor beveiliging betekent dit dat het “wat” medewerkers kunnen doen verandert, ook al blijft de tool zelf dezelfde. En juist daarom is shady AI governance geen theoretisch probleem.
3. Gebruikspatronen ontwikkelen sneller dan beleid
Medewerkers kunnen AI inzetten die is ingebed in goedgekeurde tools, maar die mogelijkheden maken het ook makkelijker om toepassingen of automatiseringen te bouwen en te deployen voordat security en IT ze volledig kennen.
Als organisaties dan één specifieke risicohandeling vergrendelen, kan er al snel een alternatief pad ontstaan om hetzelfde doel te bereiken. Zo ontstaat een kloof tussen wat beleid zegt dat mag en wat AI in de praktijk mogelijk maakt.
Waar traditionele governance tekortschiet
Veel governance-aanpak leunt op twee pijlers: een Acceptable Use Policy (AUP) en training. Dat helpt, maar het werkt minder goed zodra AI-toepassingen en -mogelijkheden continu veranderen.
Beleid kan niet alle use cases vooraf voorspellen
Een AUP kan richting geven, maar kan niet alle nieuwe combinaties van AI-capabilities en gebruikersinitiatieven dekken. Vandaag is een AI-agent bijvoorbeeld alleen bedoeld om documenten samen te vatten—morgen kan dezelfde agent ook interne bronnen doorzoeken of acties uitvoeren.
Training is niet ontworpen voor een continu veranderende set mogelijkheden
Eenmalige training houdt geen tempo met evoluerende AI-functionaliteit. Bovendien hebben niet-technische gebruikers niet altijd een mentaal model voor veilig en verantwoordelijk AI-gebruik, waardoor principes zoals least privilege of geheimenbeheer moeilijk toepasbaar voelen.
Beperken leidt soms tot omwegen
Als je één capability dichtzet, los je het onderliggende probleem niet altijd op. Gebruikers kunnen dan een alternatieve route vinden. Daardoor wordt governance minder zichtbaar en is het voor security lastiger om helder te volgen wat er precies gebeurt.
Het resultaat is een governance-model dat steeds achter de feiten aan loopt.
Wat werkt wél: governance-by-default
De kern van de oplossing is vrij praktisch: maak de makkelijkste en meest zichtbare route ook de route die is gereguleerd. Niet door te hopen dat iedereen regels begrijpt en naleeft, maar door beveiliging in te bouwen in de omgeving waarin mensen bouwen, uitvoeren en monitoren.
Concreet betekent governance-by-default dat je:
- toegang tot data en systemen goed controleert;
- rechten en permissies afstemt op wat medewerkers echt nodig hebben;
- zicht houdt op wat er wordt gebouwd en ingezet;
- grenzen definieert voor wat AI-gedreven applicaties en agents mogen doen.
Het idee is om de momenten “maken”, “runnen” en “monitoren” zo veel mogelijk in één gecontroleerde omgeving te laten plaatsvinden. Daardoor profiteert iedereen: medewerkers kunnen sneller bouwen binnen de kaders, terwijl IT en security niet alles hoeven terug te draaien of handmatig bij te sturen.
Dit sluit inhoudelijk aan op bredere lessen uit AI-modelbeveiliging, zoals het belang van gecontroleerde omgevingen en het voorkomen van ongewenste datatoegang. Zie bijvoorbeeld ook het artikel over AI modelbeveiliging met sandboxing, waar het principe van afscherming centraal staat.
Van blokkade naar strategische versneller
Security hoeft AI-adoptie niet te vertragen of tegen te houden. De doelstelling bij shady AI governance is juist om het voor medewerkers eenvoudig te maken om veilig te werken zonder dat governance een rem wordt.
Door medewerkers de mogelijkheid te geven om te bouwen in een omgeving waar security en IT de juiste toegang, permissies en toezicht kunnen regelen, verschuift het werk van security. In plaats van voortdurend “achteraf” bij te sturen, kan men proactief:
- het aanvalsvlak kleiner maken;
- toegangsbeheer versterken;
- en de adoptie van AI op schaal vertrouwen.
In termen van organisatie-impact is dat cruciaal: minder incidenten, minder audits in de achteruitkijkspiegel en meer ruimte om innovatie te ondersteunen.
Als je in jouw organisatie merkt dat AI-usage sneller groeit dan policies, dan is dit precies het moment om governance-by-default serieuzer te nemen. Je kunt daarnaast ook kijken naar hoe teams governance benaderen bij enterprise-tools en integraties—bijvoorbeeld via recente patch- en beveiligingsinformatie zoals CISA: direct patchen van misbruikte kwetsbaarheden om te zien hoe “snelle correctie” en “zichtbare beheersing” elkaar versterken. Ook al gaat dat artikel over kwetsbaarheden, de governance-les is vergelijkbaar: snelheid en controle helpen.
Praktische checklist voor shady AI governance
Wil je shady AI governance handen en voeten geven? Gebruik dan deze compacte vragenlijst:
- Is er zicht op wat er met goedgekeurde AI daadwerkelijk wordt gedaan (niet alleen op welke tool is toegestaan)?
- Kunnen permissies uitbreiden door integraties, functies of workflow-automatisering?
- Is monitoring geregeld tijdens bouwen én uitvoeren, zodat je niet pas achteraf ontdekt wat er is gebeurd?
- Zijn data-toegangen afgebakend per rol, team en use case?
- Kunnen gebruikers binnen een beveiligde omgeving bouwen in plaats van buiten kaders te zoeken?
Als je op meerdere punten “nee” antwoordt, is de kans groot dat je shady AI governance risico onderschat.
Conclusie
Shady AI governance is het governance-probleem dat ontstaat wanneer medewerkers niet-gouverneerd (maar wel geautoriseerd) gebruik maken van AI-tools op manieren die niemand vooraf heeft voorzien. Het gevolg kan zijn dat gevoelige informatie wordt blootgesteld, dat compliance onder druk komt te staan en dat securityteams in een cyclus van terugkijken en corrigeren belanden.
De meest robuuste aanpak is governance-by-default: maak de veiligste route ook de eenvoudigste route. Door permissies, data-toegang, zichtbaarheid en controle te integreren in de omgeving waar AI-toepassingen worden gebouwd, uitgevoerd en gemonitord, verlaag je het risico en versnelt de adoptie in plaats van dat je telkens moet bijsturen.
Bron: https://thehackernews.com/2026/08/why-shady-ai-is-securitys-next-big.html
