AI-agenten worden steeds zelfstandiger. Ze beantwoorden niet langer alleen vragen, maar kunnen informatie ophalen, software aansturen, bestanden verwerken en complete workflows uitvoeren. Achter die ogenschijnlijk eenvoudige opdrachten schuilt echter een technisch vraagstuk dat almaar belangrijker wordt: hoe krijgt een AI-agent op een veilige en schaalbare manier toegang tot de tools die hij nodig heeft?
In een nieuwe uitleg zet IBM vijf architecturale patronen naast elkaar. Ze lopen uiteen van een eenvoudige rechtstreekse API-koppeling tot uitgebreidere constructies met authenticatie, tokens, MCP en beveiligde kluizen. De rode draad is duidelijk: hoe autonomer AI-agenten worden, hoe belangrijker het beheer van hun digitale sleutels en toegangsrechten wordt.
1. De rechtstreekse API als eenvoudig vertrekpunt
De meest voor de hand liggende aanpak is een directe verbinding met een API. De AI-agent krijgt toegang tot een externe dienst en kan via vooraf bepaalde functies informatie opvragen of acties uitvoeren.
Dat werkt uitstekend voor relatief eenvoudige toepassingen. Een agent kan bijvoorbeeld een weerservice raadplegen, gegevens uit een bedrijfsapplicatie ophalen of via een API een taak laten uitvoeren.
De eenvoud heeft echter een keerzijde. Zodra één agent tientallen tools gebruikt of verschillende agenten dezelfde diensten moeten kunnen aanspreken, groeit het aantal afzonderlijke integraties snel. Authenticatie, toegangsrechten en onderhoud worden dan een steeds groter onderdeel van de architectuur.
2. Functies vormen een gecontroleerde tussenlaag
Een volgende stap bestaat erin de agent niet rechtstreeks met iedere externe toepassing te laten communiceren. Ontwikkelaars kunnen functies of zogenaamde tool wrappers bouwen die als gecontroleerde tussenlaag fungeren.
De agent hoeft dan bijvoorbeeld niet te weten hoe een complexe CRM-API precies werkt. Hij krijgt alleen een functie aangeboden zoals zoek klant, maak afspraak of controleer bestelling. Achter die eenvoudige opdracht zit de technische logica verborgen.
Dat maakt AI-systemen overzichtelijker. Tegelijk kunnen organisaties veel nauwkeuriger bepalen welke handelingen een agent wel en niet mag uitvoeren.
3. Authenticatie wordt cruciaal zodra agenten echte acties uitvoeren
Zolang een agent alleen openbare informatie raadpleegt, blijft beveiliging relatief eenvoudig. Dat verandert zodra hij namens een gebruiker of organisatie moet handelen.
Denk aan een agent die e-mails verwerkt, agenda-afspraken maakt, bedrijfsdocumenten opent of informatie uit interne systemen raadpleegt. De achterliggende dienst moet dan niet alleen weten wat de agent probeert te doen, maar ook namens wie hij handelt en welke rechten daarbij horen.
Daar komen authenticatie en tokens in beeld. In plaats van permanente gebruikersnamen en wachtwoorden rechtstreeks aan een agent toe te vertrouwen, kunnen tijdelijke en specifiek afgebakende toegangstokens worden gebruikt.
Zo kan een agent bijvoorbeeld toestemming krijgen om afspraken te lezen zonder ze te verwijderen. Het principe van minimale toegangsrechten wordt daarmee een fundamenteel onderdeel van agentic AI.
4. MCP wil de wirwar van losse integraties standaardiseren
Een van de interessantste ontwikkelingen is het Model Context Protocol, beter bekend als MCP. Het protocol probeert een gemeenschappelijke manier te creëren waarop AI-systemen tools, databronnen en andere diensten kunnen ontdekken en gebruiken.
Het probleem lijkt enigszins op de begindagen van randapparatuur voor computers. Wanneer iedere combinatie van agent en tool een volledig eigen integratie nodig heeft, ontstaat al snel een onoverzichtelijk landschap van koppelingen.
Met MCP kan een server beschrijven welke mogelijkheden beschikbaar zijn. Een compatibele AI-client kan die vervolgens op een meer gestandaardiseerde manier ontdekken en aanspreken.
Voor ontwikkelaars betekent dat potentieel minder maatwerk. Voor organisaties kan het betekenen dat dezelfde interne tools beschikbaar worden voor meerdere AI-agenten en modellen zonder iedere koppeling volledig opnieuw te bouwen.
5. Vaults beschermen de sleutels van autonome software
De meest gevoelige laag bevindt zich uiteindelijk bij de credentials zelf. API-sleutels, tokens en andere geheimen rechtstreeks in prompts, configuratiebestanden of agentcode bewaren, vormt een aanzienlijk beveiligingsrisico.
Daarom komen zogenaamde vaults of beveiligde geheime kluizen in beeld. Zo'n kluis bewaart credentials buiten de agent en kan gecontroleerd toegang verlenen wanneer dat nodig is. Dat maakt het mogelijk om sleutels centraal te beheren, regelmatig te vervangen en onmiddellijk in te trekken wanneer er iets misgaat.
Voor kleine experimenten lijkt zo'n architectuur misschien zwaar. Maar zodra tientallen of honderden agents zelfstandig bedrijfsprocessen uitvoeren, verandert credentialbeheer van een technisch detail in een fundamenteel veiligheidsvraagstuk.
De architectuur groeit mee met de autonomie
De vijf benaderingen laten vooral zien dat er geen universele verbinding bestaat die voor iedere AI-agent ideaal is. Een eenvoudige chatbot die één openbare API gebruikt, heeft heel andere eisen dan een bedrijfsagent die zelfstandig door CRM-, financiële en communicatiesystemen beweegt.
Naarmate de autonomie stijgt, verschuift de aandacht daarom van puur functionele integratie naar identiteit, autorisatie, beveiliging en governance.
Een ontwikkelaar vraagt zich dan niet meer alleen af of een agent een tool kan gebruiken. Minstens even belangrijk wordt de vraag onder welke identiteit dat gebeurt, welke gegevens toegankelijk zijn, welke acties zijn toegestaan en hoe die toegang achteraf kan worden ingetrokken.
Van slimme chatbot naar digitale werknemer
Daarmee raakt de technische discussie aan een veel bredere ontwikkeling. AI-agenten evolueren van geïsoleerde taalmodellen naar software die daadwerkelijk kan deelnemen aan digitale bedrijfsprocessen.
De echte kracht zit daardoor steeds minder uitsluitend in het onderliggende AI-model. Een bijzonder intelligent model zonder toegang tot relevante systemen blijft beperkt. Een goed ontworpen agent kan daarentegen informatie verzamelen, beslissingen voorbereiden en acties uitvoeren over verschillende toepassingen heen. Juist die verbinding met de buitenwereld maakt agentic AI krachtig en tegelijk riskanter.
API's, functies, authenticatietokens, MCP en beveiligde vaults zijn daarom meer dan technische bouwstenen. Samen vormen ze steeds nadrukkelijker de infrastructuur waarmee organisaties bepalen wat hun digitale agenten werkelijk mogen doen.
En precies daar zou wel eens een van de belangrijkste architectuurvraagstukken van het agententijdperk kunnen liggen.
