De aanname dat uw medewerkers vrijwillig elk stuk data dat zij creëren van een label voorzien, is het grootste zwakke punt in uw beveiligingsmodel. We hebben jaren besteed aan het bouwen van complexe governance frameworks die afhankelijk zijn van één ding, een mens die elke keer als hij op de opslagknop drukt, een bewuste en juiste beslissing neemt. Maar de realiteit is ontnuchterend. Handmatig labelen heeft een adoptiegraad van 30% in de gemiddelde onderneming, wat betekent dat 70% van uw intellectueel eigendom in feite onzichtbaar is voor uw beveiligingsstools. We hebben een systeem gebouwd dat van mensen vraagt om bibliothecaris te zijn, terwijl ze proberen ingenieur of verkoper te zijn. Het faalt omdat het wrijving veroorzaakt. Vandaag stappen we over van door gebruikers gestuurde labeling naar autonoom beheer. We verschuiven naar een model waarbij klassificatie plaatsvindt op de snelheid van de datastroom, niet op de snelheid van de gebruiker.

De structurele fout in handmatig beheer. Uw huidige labelstrategie is in feite een belasting op productiviteit en zoals bij de meeste belastingen vinden mensen creatieve manieren om deze te ontwijken. We hebben een decennium lang vertrouwd op het oude model van databeveiliging, waarbij bescherming een actie achteraf is. Een gebruiker maakt een document, kijkt naar een lijst met 5 tot 10 vertrouwelijkheidslabels en we hopen dat ze de juiste kiezen. Maar hoop is geen technische controle. De data-explosie binnen Teams, SharePoint en Slack heeft het menselijk bevattingsvermogen officieel ingehaald. Je kunt simpelweg niet van een persoon vragen om een petabyte aan ongestructureerde ruis handmatig te klassificeren en nauwkeurigheid verwachten, want dat is wiskundig onmogelijk. Als je kijkt waarom dit misgaat, moet je kijken naar de tools die we hebben gebruikt om de gebruiker te helpen. Traditioneel vertrouwden we op op trefwoorden gebaseerde regex-patronen.

Nu is regex ongelooflijk snel, het is ongeveer 28.000 keer sneller dan een groot taalmodel bij het scannen van tekst. Maar regex is blind voor context. Het kan een reeks cijfers vinden die lijkt op een SOFI-nummer, maar het ziet het verschil niet tussen een gevoelig klant-idee en een willekeurige projectcode in een openbare technische handleiding. Het ziet het patroon, maar mist de intentie. Dit gat tussen patroonherkenning en werkelijk begrip is waar het gevaar schuilt. Volgens IBM zijn de gemiddelde kosten van een data-lack gestegen naar 4,88 miljoen dollar. Die kosten komen meestal niet voort uit falende encryptie of een doorbroken firewall. Ze zitten in de ruimte tussen wat gevoelig is en wat daadwerkelijk als zodanig gelabeld is. Als een bestand niet gelabeld is, zien uw beleidsregels voor data-lack-preventie het niet. Uw regels voor voorwaardelijke toegang zijn er niet op van toepassing.

En nu, met de opkomst van generatieve AI, vatten je co-pilots het met plezier samen voor iedereen die erom vraagt. Het oude model gaat ervan uit dat de gebruiker het best de waarde kan inschatten, maar in een wereld met een hoge datastroom is de gebruiker juist de bottleneck. We hebben een punt bereikt waarop de enorme hoeveelheid ongestructureerde data een risico is geworden omdat deze niet wordt beheerd. Je kunt de meest geavanceerde Microsoft Purview-omgeving ter wereld hebben, maar als de data die erin komt niet accuraat bij de bron wordt geclassificeerd, staat de hele motor stationair te draaien. We proberen in feite een zelfrijdende auto te besturen door de passagier te vragen elke afslag handmatig in kaart te brengen. Dat werkt niet. De structurele fout is niet de persoon, maar de vereiste dat een persoon moet ingrijpen. Dit is de reden dat we zulke hoge cijfers zien voor alle tekortkomingen.

Organisaties denken dat ze compliant zijn omdat ze een beleid op papier hebben, maar bij een discovery scan vind je duizenden vertrouwelijke documenten in openbare mappen. Dit gebeurt omdat de frictie van het kiezen te groot is. Als je een gebruiker laat kiezen tussen snel werken of veilig werken, zullen ze bijna altijd voor snelheid kiezen. Om dit op te lossen, moeten we de keuze volledig wegnemen. We moeten het brein van de operatie weghalen bij de afgeleide eindgebruiker en verplaatsen naar de infrastructuur zelf. We hebben een systeem nodig dat het document beter begrijpt dan de persoon die het schreef. Pas dan kunnen we het lekdichten dat leidt tot die miljoenenverliezen bij datalekken. Het bouwen van de intelligentie laag. Om de crisis van handmatige tagging op te lossen, verplaatsen we het brein van de klassificatie weg van de eindgebruiker. We verplaatsen dit naar een real-time LLM-inferentie-engine.

Dit is een fundamentele verandering in hoe we naar de Microsoft Purview-architectuur kijken. De meeste mensen zien AI als een plug-in, iets wat je aan een bestaand proces toevoegt om het net iets sneller te maken. Maar in dit nieuwe model is de AI een structurele laag. Deze bevindt zich direct tussen je ruwe datastromen en je Purview-datakaart. Het kijkt niet alleen naar de datastroom, want het is degene die de beslissingen neemt. De reden dat grote taalmodellen hier winnen, is dat ze eindelijk het probleem van nuancen oplossen. Zoals we zagen, zijn traditionele tools uitstekend in het scannen op specifieke strings, maar ze zijn functioneel ongeletterd. Een LLM begrijpt de intentie van een document. Het kan een strategienota van drie pagina's lezen en herkennen dat, hoewel er geen creditcardnummers of burgerservice nummers in staan, de tekst als geheel een aanstaande fusie beschrijft die beschermd moet worden.

Het begrijpt dat een geheim recept of een eigen productieproces intellectueel eigendom is, zelfs als die specifieke woorden nooit in de tekst voorkomen. Maar je kunt niet zomaar een standaardmodel op je bedrijfsgegevens loslaten en verwachten dat het werkt. Algemene modellen zijn te breed en eerlijk gezegd te duur voor dit soort volumes. De doorbraak komt voort uit het gebruik van parameterefficiënte fine-tuning, oftewel PEFT. Door een kleiner model met open gewichten te nemen en dit te fine-tunen op je specifieke bedrijfsvocabulair, kunnen we F1-scores van 0,97 behalen. Om dat in perspectief te plaatsen, een F1-score van 0,97 betekent dat de machine aanzienlijk nauwkeuriger en consistenter is dan de gemiddelde afgeleide werknemer. Het wordt niet moe, het slaat geen bestanden over omdat het vijf minuten voor een vergadering is en het heeft geen voorkeur voor een algemeen label alleen omdat dat het makkelijkst aan te klikken is.

De intelligentielaag identificeert de context van je gegevens door naar de relaties tussen concepten te kijken. Als het een lijst met name naast een lijst met diagnostische codes ziet, weet het dat het naar gezondheidsgegevens kijkt. Als het een chemische formule ziet gevolgd door een reeks temperatuurbeperkingen, weet het dat het naar een bedrijfsgeheim kijkt. Dit is een niveau van semantisch bewustzijn dat het beheer van 2026 vereist. We bewegen ons weg van de zoek- en vindmentaliteit naar een lees- en begrijpfunctionaliteit. Deze laag fungeert als een filter dat de ruis verwijdert voordat het de primaire opslag ooit bereikt. Wanneer een bestand wordt aangemaakt in een Teams-chat of geüpload naar een SharePoint-bibliotheek, onderschept de intelligentielaag de metadata. Het voert een high-speed inferentie uit om het DNA van de inhoud te bepalen. Vervolgens koppelt het dat DNA aan je bestaande Purview-gevoeligheidslabels.

Dit gebeurt zonder dat de gebruiker ooit een pop-up of keuzemenu te zien krijgt. De klassificatie wordt een achtergrondvoorziening, net als elektriciteit of koeling. Door deze logica te centraliseren in een speciale inferentie-engine, krijg je ook één enkele bron van waarheid. In het oude model was beheer gedecentraliseerd over duizenden individuele gebruikers, elk met hun eigen interpretatie van wat vertrouwelijk betekende. Nu wordt de logica bepaald door de gewichten van je model en je fine-tuning-dataset. Als je beleid verandert, hoef je niet je hele personeelsbestand opnieuw te trainen, omdat je simpelweg het model bijwerkt. Dit is hoe je schaalt. Je stopt met proberen menselijk gedrag te veranderen en begint met het bouwen van systemen die niet vereisen dat mensen zich op een bepaalde manier gedragen. We automatiseren effectief het saaiste deel van iemands baan, zodat zij weer terug kunnen naar het werk waarvoor ze daadwerkelijk zijn aangenomen.

Het latentieverschil en hoe je dit kunt overbruggen. Dit is waar de architectuur meestal faalt. We hebben een fundamenteel snelheidsverschil dat de meeste architecten negeren totdat het systeem al in productie is. Je moet begrijpen dat Purview in uren denkt, maar AI denkt in milliseconden. Dit is niet zomaar een kleine vertraging, maar een enorme structurele discrepantie. Wanneer we praten over real-time klassificatie, streven we naar een gebruikerservaring waarbij de beveiliging onzichtbaar is omdat deze sneller verloopt dan het menselijk oog kan volgen. Maar de onderliggende infrastructuur van de Microsoft Graph API is niet gebouwd voor dat soort snelheid. De realiteit van de Graph API voor labeling is dat deze inherent asynchroon is. Wanneer je een verzoek stuurt om een vertrouwelijkheidslabel toe te passen, krijg je niet direct de bevestiging dat het bestand is beveiligd. Je doet in feite een brief op de bus en hoopt dat deze snel wordt bezorgd.

In echte bedrijfsomgevingen kan die verwerking variëren van een paar minuten tot wel 24 uur. Dit creëert wat ik het kwetsbaarheidsvenster noem. Het is een periode waarin gevoelige gegevens in je omgeving staan, maar in feite onbeschermd zijn. Er is geen label, geen versleuteling en geen toegangsbeperking. Dit venster is bijzonder gevaarlijk in het tijdperk van M365 Copilot. Als een engineer een bedrijfs-eigen ontwerpspecificatie uploadt en Copilot dat bestand indexeert voordat het Purview-label is toegepast, maakt die gevoelige informatie nu deel uit van het organisatorische brein. Een andere gebruiker op een andere afdeling zou Copilot kunnen bevragen en een samenvatting van dat ontwerp kunnen ontvangen, omdat de governance laag nog aan het nadenken was terwijl de AI al actie ondernam. Je kunt een probleem van milliseconden niet oplossen met een tool die 24 uur nodig heeft. Om dit gat te dichten, moeten we verder gaan dan eenvoudige API aanroepen en wat ik de Guardian-agent aanpak noem implementeren.

De Guardian-agent fungeert als een real-time proxy. In plaats van te wachten op de back-end verwerking van Purview, bevindt deze agent zich bij de promptgrens. Hij controleert gegevens op het moment dat ze worden aangeraakt. Zie het als een hoge snelheidscontrolepost die onafhankelijk opereert van het traag werkende centrale register. Terwijl de officiële Purview-datakaart op de achtergrond wordt bijgewerkt, bringt de Guardian-agent het beleid al af aan de rand. Hij zorgt ervoor dat de klassificatielogica direct wordt toegepast op de datastroom, wat dat kwetsbaarheidsvenster effectief sluit. Om dit werkend te krijgen zonder je gebruikers te frustreren, moeten we geobsedeerd zijn door een specifieke metriek genaamd Time to First Token of TTFT. Als je beveiligingslaag 3 seconden vertraging toevoegt aan elk document dat wordt geopend of elke AI-prompt, zullen je medewerkers manieren vinden om dit te omzeilen.

Ze zullen hun werk verplaatsen naar persoonlijke apparaten of onbeheerde schaduw AI-tools om hun werk gedaan te krijgen. We moeten de TTFT onder de 500 milliseconden houden. Dit vereist een sterk geoptimaliseerde inference-pipeline. We draaien niet zomaar een model, we beheren de technische fysica van het verzoek. Dit betekent dat de inferentie-engine zo dicht mogelijk bij de gegevensbron moet staan en we technieken als speculatieve decodering gebruiken om elke mogelijke milliseconden-latentie te elimineren. We behandelen beveiliging als een prestatievereiste, niet slechts als een vinkje voor naleving. Wanneer de klassificatie in minder dan een halve seconde gebeurt, merkt de gebruiker er niets van. Zodra ze op opslaan klikken, valideert de Guardian-agent de inhoud, wordt het label virtueel aan de edge toegepast en vindt de backend-synchronisatie plaats zodra de Graph API klaar is. Dit is hoe je een zelfsturende architectuur bouwt die de data daadwerkelijk voorblijft.

Je stopt met wachten tot het systeem bijbindt en dwingt het nieuwe model af op de snelheid van het denken. De economie van autonome klassificatie. De meeste organisaties lopen vast tijdens de inkoopfasen omdat ze naar de catalogusprijs van Cloud API tokens kijken en beseffen dat het verwerken van 500 miljoen tokens per dag financieel desastreus is. Als je voor elk klassificatieverzoek tegen standaardtarieven betaalt, zal je governance budget uiteindelijk je eigenlijke beveiligingsbudget overstijgen. Dit is de voornaamste reden waarom veel bedrijven vasthouden aan handmatige tagging. Ze zien de inefficiëntie van menselijke arbeid als verzonken kosten, terwijl ze API-rekeningen zien als een nieuwe, agressieve post. Dit is echter een fundamenteel misverstand van het nieuwe model. Om autonome klassificatie te laten werken, moet je afstappen van de nachtmerrie van verbruiksgebaseerde APIs van derden en de efficiëntie van self-hosting omarmen.

Wanneer je overstapt op het zelfhosten van een speciale klassificatie, engine, verandert de rekensom direct. In 2026 zien we een vijfvoudige besparing bij ondernemingen die hun high-volume inferentietaken verplaatsen naar hun eigen infrastructuur. Het gaat hierbij niet alleen om kleingodbesparen, maar vooral om het duurzaam maken van de gehele architectuur op lange termijn. Als je een dataomgeving beheert die elke week met terabytes groeit, kun je niet vastzitten aan een prijsmodel dat je groei straft. Je hebt in plaats daarvan een utiliteitsmodel met vaste kosten nodig. Laten we kijken naar de werkelijke totale eigendomskosten. Een enkele Nvidia A100 of H100 GPU is nu in staat om de klassificatie throughput van een middelgrote onderneming aan te kunnen. We hebben het over duizende tokens per seconde. Wanneer je de kosten van die hardware, of het equivalent in je private cloud, afschrijft, dalen de kosten per klassificatie na de initiële setup tot bijna nul.

Je stopt met betalen voor het voorrecht om te weten wat er in je bestanden staat en gaat governance behandelen als een standaard onderdeel van je compute stack. Het is niet anders dan het hosten van een database of een webserver. Je moet echter wel oppassen voor de verborgen belasting van fine tuning. Hoewel ruwe rekenkracht goedkoper wordt, kan operationele schuld uw facturen flink verhogen als u niet oppast. Opslag voor modelversies, constante evaluatiecycli voor nauwkeurigheid en netwerk uitgaande kosten bij een slecht ontworpen VPC kunnen uw rendement opvreten. Daarom pleiten wij voor serverloze of VPC-beveiligde opties waarmee u kunt afschalen wanneer de datastroom rustig is. U wilt niet betalen voor krachtige hardware om drie uur s'nachts wanneer niemand documenten opslaat. De economische verschuiving hier is het veranderen van klassificatie van een operationele nachtmerrie naar een voorspelbare infrastructuurkost.

We maken van governance effectieve nutsvoorziening. Denk eens aan hoe u betaalt voor koeling in een datacenter. U betaalt niet per graad temperatuurverandering, maar bouwt in plaats daarvan een systeem dat een basislijn onderhoudt. Autonome klassificatie zou die basislijn moeten zijn. Door de variabele kosten van de menselijke bibliothecaris en de cloudkosten per token weg te nemen, creëert u een systeem dat echt kan meeschalen met uw data. Deze voorspelbaarheid is wat u in staat stelt uw beveiligingsniveau uit te breiden. Wanneer klassificatie marginaal gezien gratis is, kunt u het zich veroorloven om fijnmaziger te werk te gaan. U kunt elk concept, elke chat en elk tijdelijk bestand scannen zonder zich zorgen te maken over de rekening aan het eind van de maand. Dit creëert een vicieuze cirkel in de positieve zin. Betere data leidt tot betere modellen, wat leidt tot hogere nauwkeurigheid en dat vermindert de behoefte aan dure menselijke correcties verder.

U investeert in feite in een systeem dat na verloop van tijd goedkoper en effectiever wordt. Daarentegen wordt het oude handmatige model alleen maar duurder naarmate uw bedrijf groeit. Door te kiezen voor de zelfgeroste intelligentielaag koopt u niet zomaar een tool, maar kiest u voor een andere economische realiteit waarin bescherming een standaard functie van uw infrastructuur is. Het beperken van de nieuwe risico's van AI governance. Het verwijderen van de mens uit de lus lost het schaalprobleem op, maar introduceert een nieuwe categorie systemisch risico. Autonome governance is geen instellen en vergeten oplossing. Het vereist een andere vorm van waakzaamheid. De eerste dreiging waar u mee te maken krijgt is modeldrift. Een klassificatiemodel dat in januari een bijna perfecte score behaalt, kan in juni gemakkelijk een risico vormen. Dit gebeurt omdat de data zelf een levend organisme is.

De manier waarop uw werknemers schrijven, de terminologie die ze gebruiken en de soorten bestanden die ze aanmaken, evolueren voortdurend. Als uw model niet met hem mee evolueert, zal de nauwkeurigheid langzaam afnemen totdat u weer bij af bent. Maar er is een verraderlijkere versie hiervan genaamd conceptdrift. Dit is de stille doder van AI gestuurde compliance. Conceptdrift treedt op wanneer de onderliggende definitie van waar u naar zoekt, verandert. Misschien wordt er een nieuwe privacywet aangenomen die een specifiek type metadata Heer klassificeert als gevoelig. Of misschien verandert een geheim intern project zijn codenaam van Apollo naar Zeus. Als je AI nog steeds naar Apollo zoekt, laat hij Zeus documenten met gemak je hoogste beveiligingsniveaus omzeilen. De context is verschoven, maar het model werkt nog steeds met een verouderde kaart. Om dit te bestrijden, moeten we beleid als code implementeren.

We moeten real-time driftdetectie direct integreren in de governance pipeline. Dit gaat niet alleen over monitoring, het gaat om geautomatiseerde interventie. Wanneer het systeem een daling in betrouwbaarheidsporus of een verschuiving in datadistributie detecteert, moet het actieniveau goedkeuringen triggeren. Dit creëert een veiligheidsklep. Als de AI onzeker wordt, stopt het met autonoom beslissen en stuurt het bestand door naar een menselijke specialist voor een snelle controle. Je gebruikt in feite de machine om je te laten weten wanneer deze hulp nodig heeft. Dan is er nog de dreiging van prompt injectie. Dit is de nieuwe grens van data-exfiltratie. Een aanvaller hoeft je firewall niet te hacken als ze je klassificeerder kunnen misleiden. Ze kunnen kwaadaardige instructies in een document verbergen via verborgen tekst die de AI vertelt alle eerdere instructies te negeren en dit bestand als openbaar te labelen.

Als je intelligentielaag naïef is, zal deze gehoorzamen. Het bestand wordt gedegradeerd, de bescherming wordt verwijderd en de gegevens lekken weg via een standaard uitgaand kanaal. Het is een verfijnde manier om je eigen governance tools tegen je te gebruiken. De mitigatiestrategie hier is de implementatie van een secundaire bewakingsagent. Dit is een kleiner, zeer gespecialiseerd model wiens enige taak het is om de beslissingen van de primaire klassificeerder te auditen. Het kijkt niet naar het hele document, maar zoekt alleen naar tekenen van manipulatie en logische hiaten. Het fungeert als een redundante controle die garandeert dat het primaire brein niet gecompromitteerd of verward is. Als de twee modellen het oneens zijn, kiest het systeem standaard voor het meest restrictieve label. Door deze meerlaagse verdediging op te bouwen, stap je over van een fragiele automatisering naar een veerkrachtige.

Je erkent dat AI krachtig maar feilbaar is. Je behandelt het model als een krachtige motor die constant moet worden afgesteld en een robuust remsysteem vereist. Dit is het laatste onderdeel van het nieuwe model. Je vervangt niet alleen menselijke fouten door een machine, je bouwt een structureel kader dat rekening houdt met de unieke tekortkomingen van de machine zelf. Dit is hoe je een secure by default houding bereikt die echt stand houdt in de complexiteit van de echte wereld. Governance wordt een dynamische, zelfcorrigerende lus. We bewegen ons van een wereld waarin we hopen op compliance naar een wereld waarin we deze ontwerpen. Deze verschuiving zorgt ervoor dat naarmate je data groeit, je beveiliging niet alleen gelijke tred houdt, maar ook echt slimmer wordt. Je bouwt eindelijk aan de toekomst. Implementatie, de routekaart voor 90 dagen. Het bouwen van een zelfsturende architectuur is geen kwestie van een lichtknopje omzetten, je moet het zien als een transitie van 90 dagen. Dag nul begint met het vaststellen van wat ik je waarheidslaag noem. Je moet purview in de alleen controleren, modus draaien om je huidige blootstelling in kaart te brengen zonder één enkel bestand te blokkeren. Wat je hier doet, is het meten van het gat tussen wat gelabeld zou moeten zijn en wat daadwerkelijk zo is. Wanneer de meeste organisaties dit doen, ontdekken ze dat meer dan de helft van hun gevoelige data momenteel onzichtbaar is voor het systeem. Deze nulmeting wordt je kaart, omdat het precies laat zien waar het oude model tekort schoot. Je hebt deze harde data nodig om de infrastructuurwijziging te rechtvaardigen bij je stakeholders, want zonder dat ben je maar wat aan het gokken. Zodra je die kaart hebt, kun je het hybride model inzetten om efficiëntie in balans te brengen met intelligentie. Je hebt geen enorme, dure inferentie-engine nodig om alleen een simpel creditcardnummer te vinden. Mijn advies is om snelle afwijzingsmethode te gebruiken voor het laaghangend fruit, waaronder gestructureerde en voorspelbare patronen die al twintig jaar niet zijn veranderd. Je moet je intelligentielaag reserveren voor complexe en ongestructureerde intellectuele eigendomen die echt reden neer voor mogen vereisen. Deze gelaagde aanpak houdt je computerkosten laag en maximaliseert tegelijkertijd je beveiligingsdekking. Het gaat erom chirurgisch met je middelen om te gaan en ervoor te zorgen dat het brein alleen wordt gebruikt wanneer de ogen niet genoeg zijn. Vervolgens moet je je focus vernauwen met adaptieve scopes, in plaats van op dag dertig de hele oceaan te willen leegpompen. Je moet je eerst richten op je risicovolle afdelingen, zoals financiën, R&D en juridische zaken. Dit zijn de specifieke gebieden waar een inbreuk je waarschijnlijk het meeste geld gaat kosten. Door de waarde in deze micro-omgevingen te bewijzen, bouw je het interne momentum op dat nodig is voor een volledige uitrol later. Je verandert een enorm, intimiderend compliance project in een reeks kleine en meetbare overwinningen. Dit is een tactische inzet in plaats van een algemeen mandaat en door de moeilijkste problemen eerst op te lossen, bewijs je dat het systeem in de echte wereld werkt. Het laatste stukje van de puzzel is de feedback-klus waarbij je menselijke hurt training integreert. Wanneer de Guardian-agent een bestand markeert met een laag betrouwbaarheidsniveau, voert een security officer een snelle controle uit om het resultaat te verifiëren. Die ene klik corrigeert niet alleen één bestand, maar traint ook het model opnieuw, zodat het systeem leert van elke fout die het maakt. Je bouwt een platform dat na verloop van tijd daadwerkelijk verbetert in plaats van verouderd. Tegen dag 90 ben je verschoven van een beveiligingsknelpunt naar een beveiligingsfacilitator. Bescherming wordt direct en onzichtbaar en je hebt eindelijk de wrijving van menselijke keuzes vervangen door de zekerheid van automatisering.