Wie autonome AI-agents inzet in bedrijfs- of hoog-trust workflows, kan niet langer volstaan met de aanname dat een enkel systeem 'gewoon zijn werk doet'. Uit recente studies en governancekaders van 2025 en 2026 komt een duidelijke lijn naar voren: scheiding van taken bij agentische AI is geen elegante ontwerpoptie meer, maar een voorwaarde voor veiligheid en verantwoording. Het kernpunt is dat geen enkel agentisch pad alle effectieve bevoegdheden — data-toegang, analyse, goedkeuring en uitvoering — in één hand mag laten vallen.
Drie bronnen vormen samen die lijn: een academisch autonomie-kader, een engineeringgids voor agentworkflows en een verkennende nota van de Franse toezichthouder CNIL met de Conseil de l'IA et du numérique (CIANum). Ze benaderen hetzelfde vraagstuk vanuit governance, architectuur en dataprotectie.
Autonomie is een ontwerpbeslissing, niet een eigenschap
Het kader A Governance Framework for Agentic AI Autonomy Levels introduceert een onderscheid dat direct raakt aan scheiding van taken: Allowed Autonomy Levels (AAL) tegenover Autonomous Capability Levels (ACL). Wat een agent technisch kán (ACL) is iets anders dan wat een organisatie hem per workflow zelfstandig laat doen (AAL). Autonomie wordt daarmee een expliciete, te documenteren keuze: welke taken mag een agent zelfstandig uitvoeren, welke vallen onder menselijke oversight, en hoe verschilt dat van de technische mogelijkheden van het systeem?
Deze splitsing sluit aan bij het klassieke principe van separation of duties. Een agent mag technisch veel, maar krijgt per workflow een begrensd autonomieniveau dat bepaalt of hij alleen voorbereidt, ook mag analyseren, of pas na menselijke of beleidsmatige goedkeuring mag uitvoeren. Zo wordt de mate van toegestane autonomie een governanceobject dat losstaat van de ruwe capaciteit van het model.
Architectuur: single-responsibility agents en gescheiden lagen
Waar het autonomie-kader het waarom levert, geeft A Practical Guide for Designing, Developing and Operating Agentic AI Workflows het hoe. De gids beschrijft negen best practices voor productie-agentworkflows, waaronder single-tool en single-responsibility agents, een schone scheiding tussen workflowlogica en toolservers, en extern beheer van prompts en policy's.
De onderliggende gedachte is consistent met de governancelaag: door taken en technische lagen strikt te scheiden, voorkom je dat één agent zowel data-toegang, analyse, goedkeuring als uitvoering in eigen hand houdt. Elke agent doet één ding; de logica die stappen aan elkaar rijgt, staat los van de tools die de stappen uitvoeren; en beleid wordt niet in de agent zelf verstopt maar extern geëvalueerd. Dat operationaliseert scheiding van taken op architectuurniveau en beperkt hoe ver een fout of misbruik zich door een keten kan verspreiden.
De dataprotectie-invalshoek: CNIL en CIANum
De verkennende nota van CNIL en CIANum, aangekondigd in IA agentique et données personnelles, benoemt vier centrale risicodomeinen van agentische AI: persistente geheugenlagen, foutcascade, onduidelijke controller/processor-rollen en complexe multi-serviceketens. De voorgestelde mitigaties komen neer op scheiding: partitionering van agentgeheugen per proces, sandboxing, een risk-tiered classificatie van acties met verplichte menselijke goedkeuring voor hoog-risico stappen, en traceerbare reconstructie van hele workflows.
De analyse French CNIL Publishes Note on Agentic AI and Data Protection van Inside Privacy verduidelijkt dat de nota geen nieuwe verplichtingen schept, maar wel een richting geeft: traceerbaarheid van complete beslisworkflows — welke persoonsgegevens, welke agents, welke externe diensten en in welke chronologie — plus technische maatregelen als per-agent en per-proces geheugenpartitionering, sandboxing en een voor de gebruiker toegankelijke kill switch. Vertaald naar de praktijk: welke agent mag welke data zien, wie mag acties autoriseren, en hoe wordt vastgelegd welke autonome stap door wie of wat is uitgevoerd?
Drie lagen die samen scheiding van taken vormen
De bronnen wijzen samen op drie samenhangende elementen. Ten eerste een formeel autonomie- en rolmodel waarin per agent en taak is vastgelegd wat zelfstandig mag en wat onder oversight valt. Ten tweede een architectuur met single-responsibility agents, afzonderlijke identiteiten en policy-engines die beslisvoorbereiding scheiden van beslisvrijgave. Ten derde een governance- en logginglaag die kan aantonen welke agent of mens welke stap heeft gezet, met welke data en onder welke autorisatie.
Waar een verificatieconsole past
Binnen deze structuur is er ruimte voor een verificatielaag die de taakverdeling zichtbaar maakt zonder zelf de norm te bepalen. IamVera.ai is zo'n verificatielaag voor professionals die met vertrouwelijke of hoog-trust informatie werken — geen chatbot en geen eigen taalmodel. Vera kan een taak door geselecteerde onafhankelijke AI-modellen routeren en daarbij verificatiestappen, correcties, meningsverschillen en bronnen zichtbaar maken voor inspectie. Dat ondersteunt controle en geeft meer zicht op wie wat voorbereidde en wie het vrijgaf, maar garandeert geen correctheid, elimineert geen hallucinaties en is geen bewijs dat elke autonome actie volledig reconstrueerbaar is.
Voor workflows met gevoelige documenten is de architectuur relevant die aansluit bij het cloisonnement dat CNIL en CIANum voorstellen. De Semantic Privacy Shield kan gevoelige waarden vóór AI-verwerking op EU-infrastructuur vervangen door synthetische, sessiegebonden equivalenten; de workflow is ontworpen om alleen geanonimiseerde inhoud naar de geselecteerde modellen te sturen, en is fail-closed: mislukt de privacycontrole, dan wordt er niets doorgestuurd. Documenten kunnen binnen de beschermde workflow worden bekeken en bewerkt via Vera Office, dat op Collabora Online draait — geen Microsoft Office-plug-in en geen autonome bewerking buiten de gebruiker om.
Het professionele eindoordeel blijft in alle gevallen bij de gebruiker. De studies en de CNIL/CIANum-nota maken vooral duidelijk dat scheiding van taken bij autonome AI anno 2026 een expliciete, verifieerbare ontwerpvariabele is geworden — en dat het zichtbaar maken van die verdeling minstens zo belangrijk is als het opstellen ervan.