Bay, een bedrijf uit Tel Aviv, komt uit stealth met $50 miljoen aan financiering. De investering bestaat uit een $37 miljoen Series A, geleid door Battery Ventures, plus een eerder niet bekendgemaakte $13 miljoen seed-ronde met YL Ventures en Striker Venture Partners. Het doel is duidelijk: enterprise AI-agenten controle bieden zodat bedrijven agentic AI kunnen inzetten zonder dat elke agent ongewenst ‘zijn eigen gang’ gaat.
Agentgedrag wordt in de praktijk immers vaak pas tijdens runtime bepaald. Dat betekent dat een AI-agent handelt namens een gebruiker en binnen de permissies die die gebruiker heeft. In plaats van te focussen op één specifieke dreiging, wil Bay controle leveren op het niveau van acties die een agent voorstelt en uitvoert—gedurende de hele sessie.
Waarom controle bij AI-agenten zo lastig is
Bedrijven willen de economische voordelen van AI-agenten wel benutten, maar weten niet altijd wat een individuele agent in concrete situaties gaat doen. Bij agentic AI gaat het om dynamisch gedrag: de agent kiest acties op basis van wat er op dat moment gebeurt, welke tools beschikbaar zijn en welke instructies in de prompt zitten.
Daardoor ontstaat een spanningsveld. Enerzijds moeten agenten snel en autonoom kunnen werken. Anderzijds willen organisaties grip houden op risico’s, bijvoorbeeld door misbruik via prompt injection of door ‘purpose drift’: gedrag dat gaandeweg afwijkt van de bedoeling.
Bay: één control plane voor agenten in je omgeving
Bay positioneert zichzelf als een platform waarmee organisaties AI-agenten kunnen installeren en inzetten met vertrouwen dat ze niet ontsporen. De kern is een single control plane die agenten ontdekt, begrijpt en beheert—ongeacht waar ze draaien.
Bij installatie bouwt Bay automatisch een inventory op van wat er aanwezig is. Dat gaat verder dan alleen AI-agenten: het systeem brengt ook coding assistants, MCP servers, skills, extensies en local models in kaart. Vervolgens wordt ook de manier waarop die onderdelen met elkaar verbinden gemapt, inclusief combinaties van tools die mogelijk risicovol zijn.
Op sessieniveau wil Bay elke agentlog volgen van de eerste prompt tot de uiteindelijke actie. Dat maakt het makkelijker om te begrijpen welke stappen tot het resultaat leiden en waar de controle moet ingrijpen.
Enforcer bepaalt per actie: toestaan, doorverwijzen of weigeren
Het belangrijkste onderdeel is de Enforcer-component. Deze evalueert elke voorgestelde actie binnen de context van de volledige sessie. Op basis daarvan beslist Enforcer—volgens Bay—in milliseconden of een actie wordt toegestaan, moet worden voorgelegd aan de gebruiker, moet worden omgeleid op basis van beleid, of simpelweg wordt geweigerd.
Door beslissingen te nemen op het moment dat het echt relevant is (dus vlak voor uitvoering), wil Bay voorkomen dat het team alleen achteraf ziet dat er iets misging. Het platform draait daarbij niet als een losse plug-in per tool, maar als een centrale laag die de sessie als geheel beoordeelt.
Policy op basis van organisatiehistorie
De regels die Enforcer gebruikt, komen niet uit één statische set. Bay beschrijft dat de policy automatisch wordt opgebouwd en onderhouden door een embedded AI-systeem dat Lighthouse heet. Lighthouse baseert het beleid op de eigen activiteitshistorie van de organisatie.
Het praktische idee hierachter: beleid sluit beter aan op hoe teams nu al werken, waardoor controle niet alleen theoretisch is, maar zich kan vormen naar het eigen patroon van gebruik.
Bescherming tegen risico’s, of de oorzaak nu menselijk of ‘organisch’ is
Bay stelt dat het bescherming biedt tegen gevaarlijke agentactiviteiten ongeacht de oorsprong. Daarbij worden twee scenario’s expliciet genoemd: prompt injection die door mensen wordt gestuurd, en purpose drift die “organisch” ontstaat doordat een agent afwijkt van het beoogde doel.
Die brede insteek past bij het realiteitsgevoel dat veel organisaties hebben. Niet elke escalatie begint met kwaadwillende intentie; soms is het een misalignment tussen intentie, context en wat een agent op dat moment besluit te doen.
Deployen in minuten en snel bewijs van waarde
Bay zegt dat de productaanpak is gebaseerd op drie uitgangspunten die het team al vastlegde voordat ze begonnen met bouwen.
- Effortless deployment: Bay bouwt volgens het bedrijf een flexibele, agentless architectuur die inzetbaar is over een hele fleet in minder dan vijf minuten.
- Immediate time to value: Bay maakt het—met een gepatenteerde aanpak mogelijk om retrospectief 30 dagen aan historische logs te analyseren. Zo kan een klant zien wat Bay zou hebben opgeleverd als het platform in die periode actief was geweest.
- Operationalization: het product moet aansluiten op dagelijkse processen, met duidelijke eigenaarschapslijnen en AI-gedreven policy creation.
Volgens Bay kunnen klanten daarmee een proof of value in minder dan 14 dagen afronden. Dat is relevant voor organisaties die niet alleen willen experimenteren met een pilot, maar vooral snel willen aantonen dat extra governance ook echt waarde toevoegt.
Financiering: doorontwikkelen en opschalen richting VS en Europa
De $50 miljoen financiering wordt ingezet om het product verder te ontwikkelen en om het engineeringteam uit te breiden. Daarnaast gaat Bay investeren in go-to-market plannen in de Verenigde Staten en Europa.
Op langere termijn wil Bay de “core control layer” worden voor ondernemingen die AI-agenten op schaal inzetten. Het zwaartepunt verschuift namelijk: agenten gaan steeds meer richting langer lopende, autonomere taken. Bay wil juist dan zorgen dat organisaties kunnen blijven vertrouwen op het systeem en veilig kunnen uitbreiden.
Wat betekent dit voor organisaties die AI-agenten willen inzetten?
Als je AI-agenten gebruikt in productie, is het niet genoeg om alleen te kijken naar modelkwaliteit of naar beveiliging van één afzonderlijke tool. De grootste uitdaging zit vaak in hoe agenten handelen—en hoe dat gedrag doorwerkt naar acties in je omgeving.
Bay’s aanpak (inventaris + sessievolging + realtime actiehandhaving) sluit aan bij dat beeld. Het is een manier om controle praktisch te maken: niet alleen documentatie, maar een mechanisme dat per actie beslist. Daarmee kan een organisatie beter omgaan met zowel intentiegedreven risico’s als met drift die pas tijdens het werk zichtbaar wordt.
Ben je benieuwd hoe bredere beveiligingspraktijken rond AI-agenten en governance hierop aansluiten? Lees dan ook eens Agent in browser: zo breek je je AI-regels open of Software transparency: SBOM, AI BOMs en VEX uitgelegd voor context over waar risico’s vaak ontstaan en hoe je ze kunt terugdringen.
Conclusie
Met $50 miljoen wil Bay het speelveld van enterprise AI-agenten controle verder vormgeven. De combinatie van een single control plane, een automatische inventaris van agentcomponenten, sessievolging en Enforcer-beslissingen per voorgestelde actie moet organisaties helpen om agentic AI veilig in te zetten.
Voor IT- en securityteams is de kernboodschap: toezicht moet niet achteraf, maar tijdens de uitvoering plaatsvinden—en het beleid moet aansluiten op hoe de organisatie werkelijk werkt. Bay positioneert zich precies op dat snijvlak.
Bron: https://www.securityweek.com/bay-raises-50-million-to-control-what-enterprise-ai-agents-can-do/
