Van AI-experimenten tot autonome operaties
– Christophe Briguet, Senior Director Product Management – AI & Security Analytics, Stellar Cyber
San Jose, Californië – 28 april 2026
Er is begin 2026 iets veranderd. Niet geleidelijk, maar eerder alsof er een schakelaar werd omgezet.
Jarenlang hebben we het over AI gehad in de SOC De manier waarop we over zelfrijdende auto's spraken: altijd vijf jaar in de toekomst, altijd "nog een beetje meer data nodig". Toen kwam MCP (Model Context Protocol). Toen hielden agentische frameworks op demo's te zijn en werden het tools. En plotseling was de vraag niet meer "kan AI beveiligingsteams helpen?", maar "wat moeten we het als eerste laten doen?".
Ik weet dat, want ik heb er zelf een gebruikt.
De doorbraak in de agentia die niemand zag aankomen
Dit is wat er veranderd is: AI-agenten zijn niet langer chatbots met API-toegang, maar echte collega's die zich de dag van gisteren herinneren, weten hoe ze je tools moeten gebruiken en zelfstandig kunnen bellen.
MCP, oorspronkelijk ontwikkeld door Anthropic en nu onderdeel van de Linux Foundation, gaf ons iets wat we voorheen niet hadden: een universele manier voor AI-agenten om verbinding te maken met echte systemen. Niet via kwetsbare integraties of aangepaste code. Maar via een gestandaardiseerd protocol waarmee elke AI-agent kan communiceren met elke tool, elke API en elk platform. Zie het als USB voor AI: sluit een nieuwe functionaliteit aan en de agent gebruikt deze direct.
At Stellaire CyberWe hebben MCP-ondersteuning in ons platform geïntegreerd. Een AI-agent kan nu verbinding maken met een Stellar Cyber-instantie en direct toegang krijgen tot casemanagement: cases weergeven, volledige onderzoeksdetails ophalen met MITRE-mappings en observables, de status bijwerken en analisten toewijzen. Eén API-aanroep levert nu de resultaten op die voorheen acht klikken en drie tabbladen vereisten.
Maar MCP is slechts de connector. De echte doorbraak zit hem in wat erbovenop zit: agentische AI die context onthoudt, workflows met meerdere stappen plant en namens u handelt tussen sessies.
Wat ik heb geleerd tijdens een week lang het runnen van een AI-agent
- Ik heb twee e-mails naar klanten gestuurd over de mogelijkheden van een functie. Ik heb de context uit een e-mailconversatie van tien berichten gehaald, de kennisbank geraadpleegd en de technische details correct weergegeven.
- Ik heb een Jira-ticket aangemaakt. Ik had de verplichte velden twee keer verkeerd ingevuld, maar toen ik de API doorhad, lukte het de derde keer wel.
- Ik heb een vergadering met vier personen ingepland door ieders agenda te controleren. Ik vond de enige vrije plek op woensdagochtend.
- Ik heb een procesdocument op Confluence en het bijbehorende Figma-bord doorgenomen. Ik ontdekte vijf hiaten die niemand had opgemerkt.
- In één keer 30,000 cases opgehaald van onze Stellar Cyber MCP-server. Volledige MITRE-mapping, observables, alles erop en eraan.
- Ik heb een cronjob ingesteld om een Google Formulier in de gaten te houden voor nieuwe inzendingen, automatisch tickets aan te maken en mij een melding te sturen wanneer er iets binnenkomt. Geen code nodig. Het duurde ongeveer tien minuten.
De andere kant hiervan
En hier wordt het ongemakkelijk. Alles wat ik net beschreef? Tegenstanders kunnen dat ook.
Als een AI-agent verbinding kan maken met je ticketsysteem, je escalatietickets kan lezen, je kennisbank kan raadplegen en je detectiehiaten kan begrijpen? Dan heb je een gratis routekaart naar alles waar je slecht in bent in de verdediging. Dezelfde mogelijkheden van AI-agenten die verdedigers sneller maken, maken aanvallers ook systematischer.
MCP is een tweesnijdend zwaard. CrowdStrike Er is al onderzoek gepubliceerd over het beveiligen van AI-agentimplementaties tegen promptinjectie en privilege-escalatie. Het aanvalsoppervlak is niet theoretisch. Het zijn precies dezelfde integratiepunten die agents nuttig maken.
De verschuiving in het dreigingslandschap is als volgt: het snelheidsvoordeel dat SOC Het aantal gescripte aanvallen dat teams gebruikten, verdwijnt. Tegenstanders met agenttools kunnen nu:
- Breng uw omgeving sneller in kaart dan uw analisten waarschuwingen kunnen verwerken.
- Genereer content voor social engineering die contextueel relevant is voor uw organisatie.
- Automatiseer beslissingen over zijwaartse bewegingen op dezelfde manier als we beslissingen over triage automatiseren.
- Pas je tactieken in realtime aan op basis van wat werkt.
Veel mogelijkheden voor automatisering
1. Meldingen en casusselectie met machinesnelheid
Dit is de meest voor de hand liggende optie, en het is waar Stellar Cyber's Alert Auto-Triage al actief is. De agent voert Verdict Signal Checks uit voor elk kritiek geval: IP-reputatie, gedragsafwijkingen, entiteitsrelaties en apparaatkwetsbaarheden. Vervolgens geeft het een oordeel: True Positive, Benign, False Positive of Inconclusive.
Wat nieuw is, is de feedbackloop. Wanneer een analist een oordeel overruled, wordt die overruling een trainingssignaal. Niet in de vage zin van "we trainen het model ooit opnieuw", maar in de zin van "de volgende keer dat dit patroon zich voordoet, weegt het systeem jouw oordeel mee". Tesla FSD leert van menselijke tussenkomst. Dit doet dat ook.
De agentiële ontgrendeling: Een met MCP verbonden agent kan nu zaakdetails opvragen, correleren met externe dreigingsinformatie, historische beoordelingen van vergelijkbare patronen controleren en een triagebeslissing met volledige uitleg leveren, zonder dat een mens door vijf tabbladen hoeft te klikken.
2. Automatisering van intake en onboarding
Aanvragen komen binnen via een formulier. Traditioneel leest iemand de inzending, maakt een volgticket aan, controleert de vereisten en stuurt een bevestigingsmail. Vier systemen, drie contextwisselingen, één persoon die handmatig gegevens invoert.
Een agent controleert de bron van de binnenkomende melding volgens een vast schema. Wanneer er een nieuwe melding verschijnt, maakt de agent een ticket aan met een volledige, gestructureerde beschrijving, schrijft de verwijzing terug naar de bron en verstuurt een melding met een samenvatting. Geen handmatige handelingen nodig.
De agentische ontgrendeling: Dit patroon is van toepassing op elk intake-proces. Proefaanvragen. Compliance-vragen. Meldingen van kwetsbaarheden. Escalatieprocedures voor klanten. Elke workflow die bestaat uit "lezen van bron A, aanmaken in systeem B, melden via kanaal C" komt hiervoor in aanmerking.
3. Feedbacklus voor detectiekwaliteit
Dit is het aspect dat me het meest boeit. Beveiligingsleveranciers hebben enorme achterstanden met tickets over "deze detectie werkt niet goed". De beschrijvingen zijn vaak cryptisch. De context is verborgen in e-mailconversaties en supporttickets. De persoon die de tickets beoordeelt, moet diepgaande productkennis hebben om de vraag überhaupt te begrijpen.
Een AI-agent met toegang tot uw ticketsysteem, kennisbank en beveiligingsplatform kan een detectiefeedbackticket lezen, de daadwerkelijke waarschuwingsgegevens ophalen, deze vergelijken met de documentatie en een duidelijke samenvatting produceren: "Dit is een vals positief resultaat veroorzaakt door substring-matching in regel X. De melder heeft een oplossing aangedragen. Hier is de gecorrigeerde query."
De agent-ontgrendeling: verbind de agent (met toestemming) via MCP met de rapportageomgeving, en deze kan het gemelde probleem valideren aan de hand van live data. Geen gedoe meer met "kunt u een screenshot sturen?". Geen drie weken heen en weer mailen meer. De agent ziet wat de melder ziet.
4. De verbanden tussen de verschillende tools leggen.
De taak van een leider in beveiligingsoperaties is het leggen van verbanden tussen verschillende systemen. Een e-mailconversatie over een samenwerking met een partner, een ticket over een detectielek, een wikipagina over een proces, een designboard over workflows, prijsinformatie in een verkoopgesprek. Deze gegevens bevinden zich in verschillende tools zonder automatische correlatie.
Een AI-agent doorloopt al deze processen. Vraag hem "wat is de status van de rechtszaak van deze partner?" en hij haalt de e-mailconversatie op, controleert het trackingticket, leest het intakeformulier en synthetiseert één enkel antwoord. Geen tabwisselingen. Geen "laat me even kijken."
De agent-ontgrendeling: dit is waar MCP echt in uitblinkt. Elk systeem is een MCP-server. De agent maakt het niet uit of de data in e-mail, Jira of Stellar Cyber staat. Hij spreekt hetzelfde protocol met al deze systemen.
5. Proactieve monitoring zonder alarmmoeheid
De traditionele aanpak voor monitoring is ofwel "alles constant controleren" (duur, lawaaierig) ofwel "wachten tot iemand het opmerkt" (traag, riskant). AI-agenten bieden een derde mogelijkheid: geplande, intelligente controles met een menselijk beoordelingsvermogen over wat escalatie verdient.
Mijn agent controleert periodiek de communicatiekanalen, maar meldt niet alleen "je hebt 15 ongelezen berichten". Hij categoriseert op urgentie, identificeert actiepunten, filtert ruis eruit en waarschuwt me alleen wanneer er daadwerkelijk iets aandacht vereist. Hetzelfde patroon geldt voor beveiligingsmonitoring: controleer wachtrijen, signaleer afwijkingen in de detectiedekking, monitor schendingen van SLA's. En blijf stil wanneer alles normaal is.
De agentgestuurde ontgrendeling: geplande agentruns met modeloptimalisatie. Gebruik een lichter model voor routinematige controles en schakel over naar een krachtiger model wanneer de situatie een beoordeling vereist. Kostenbewuste automatisering.
6. Documentatie en kennisvastlegging
Beveiligingsteams genereren enorme hoeveelheden institutionele kennis die nooit wordt gedocumenteerd. De analist die weet dat de logboekvermeldingen van een specifieke firewallleverancier zich anders gedragen dan verwacht? Die kennis blijft in zijn of haar hoofd zitten tot het moment dat hij of zij vertrekt.
AI-agenten kunnen deze kennis in realtime vastleggen en structureren. Elke ticketbeoordeling, elke interactie, elke beslissing wordt een gestructureerde vermelding in een permanente kennisbank. De agent houdt dagelijks notities bij, vult zijn langetermijngeheugen aan met samengevatte inzichten en vergelijkt nieuwe informatie met wat hij al weet.
De agentgestuurde ontgrendeling: hoe meer de agent werkt, hoe meer hij weet. De agent die een reeks detectietickets heeft verwerkt, begrijpt nu leverancierspecifieke logafwijkingen, uitzonderlijke integratiegevallen en hiaten in de identiteitscorrelatie. De volgende keer dat er een gerelateerd ticket binnenkomt, begint hij vanuit die basis – niet vanaf nul.
Wat dit betekent voor beveiligingsteams
De beveiligingsindustrie heeft de afgelopen tien jaar gewerkt aan het ontwikkelen van detectiemethoden. De komende tien jaar draait het om beslissingen. Wie bepaalt wat echt is? Wie bepaalt wat eraan gedaan moet worden? En hoe snel kunnen die beslissingen genomen worden?
Agentische AI vervangt de analist niet. Het geeft de analist juist meer slagkracht. Dezelfde analist die voorheen handmatig 20 zaken per dag beoordeelde, kan nu 200 door een agent beoordeelde zaken bekijken en zijn expertise inzetten waar het er echt toe doet: de uitzonderlijke gevallen, de nieuwe aanvallen en de beslissingen die machines nog niet kunnen nemen.
De leveranciers die zich nog steeds verschuilen achter gesloten API's en eenmalige AI-samenvattingen zullen achterop raken. De platforms die zullen winnen, zijn degenen die hun API's openstellen via protocollen zoals MCP, feedbackloops bouwen die daadwerkelijk leren van menselijke beslissingen, en AI-automatisering behandelen als een product, met nauwkeurigheidsmetrieken, kostenbeheersing en governance-mechanismen.
We zijn dat aan het bouwen bij Stellar Cyber. De MCP-server is live. Alert Auto-Triage is in productie. En ik heb een AI-agent die zojuist dit blogbericht heeft opgesteld.
Nou ja, het grootste deel ervan.
