Private AI en kritieke infrastructuur: houd het bewijs specifiek

7 april 2026 is de datum die NIST geeft voor haar conceptnota over een AI Risk Management Framework-profiel voor kritieke infrastructuur.[1] Het onderscheid is belangrijk: een conceptnota beschrijft werk richting richtlijnen. Het is geen bewijs dat een bepaald product een beoordeling heeft doorstaan. Voor private AI-kopers is de praktische reactie om de voorgestelde implementatie specifiek genoeg te maken om te onderzoeken.

Onze positie is dat het sterkste pilotrecord een echte taak volgt binnen zijn operationele grens. Het document moet benoemen wat het systeem mag doen, wat het niet mag doen, en wie het overneemt wanneer de output niet vertrouwd kan worden. Een label zoals “on-premises” kan die antwoorden niet op zichzelf geven.

Scheiding van bron en interpretatie

NIST beschrijft het AI RMF als vrijwillig en noemt de oorspronkelijke release van het framework in januari 2023. De huidige overzichtsbeschrijving vermeldt ook revisiewerk en het initiatief voor het profiel voor kritieke infrastructuur.[1] Dit zijn nuttige feiten om met hun data te bewaren. Ze mogen niet worden herschreven als een nieuwe wettelijke verplichting of als garantie dat een bestaande checklist compleet is.

Een interne briefing kan dit onderscheid zichtbaar houden met twee korte paragrafen. De eerste rapporteert wat de bron daadwerkelijk zegt en linkt ernaar. De tweede stelt wat de organisatie voorstelt te doen als reactie. Dat maakt latere updates beheersbaar: een gewijzigde bron vereist geen giswerk over welke delen van de briefing feiten waren en welke lokale beslissingen.

Dit artikel stelt een manier voor om technisch bewijs samen te stellen. Het bepaalt niet welke sectorspecifieke verplichtingen op een organisatie van toepassing zijn of of een implementatie daaraan voldoet.

Teken de daadwerkelijke operationele grens

Een assistent voor onderhoudsdocumenten en een systeem dat apparatuurinstellingen wijzigt zijn verschillende voorstellen. Beschrijf de eerste toegestane taak in gewone bewoordingen voordat modellen worden besproken. Geef de input, de persoon die het resultaat gebruikt, en de actie die die persoon mag uitvoeren. Neem het gevolg van een onjuist antwoord in dezelfde beschrijving op.

Traceer vervolgens het datapad. Een voorgestelde AI Server-implementatie hoort in een diagram met zijn clients, identiteitsystemen en opslag. Modeldownloads, diagnostiek en optionele provider-routes verdienen eigen vermeldingen. De vraag is waar elke activiteit draait en wie deze bedient, niet of alles onder één geruststellend productlabel past.

Voor een document-only pilot kan het team gegenereerde tekst verbieden om direct een operationele actie te triggeren. Leg die beperking vast als een daadwerkelijke integratiebeslissing. Alleen een zin toevoegen aan een trainingsslide stelt niet vast wat de software mag aanroepen.

Het enterprise platform overzicht biedt een startpunt voor het bespreken van topologie. Een aankooprecord moet nog steeds de configuratie bevatten die voor de specifieke locatie is gekozen.

Behoud de identiteit van wat getest is

Hugging Face documenteert modelkaarten als een plaats voor modelinformatie, inclusief beoogd gebruik, beperkingen en evaluatie.[2] Sla de kaart van de kandidaat op met de revisiereferentie die tijdens de beoordeling is gebruikt. Noteer de runtime- en implementatie-instellingen erbij. Een latere beoordelaar hoeft niet te raden welk modelfile achter een oud resultaat zat.

Houd testinvoer onder de eigen toegangscontrole van de organisatie. Het beoordelingsrecord kan verwijzen naar een goedgekeurde testset zonder vertrouwelijke brondocumenten te kopiëren in een inkooppresentatie. Geef aan wie de invoer mag ophalen en hoe de test herhaald kan worden.

Leg ook de omliggende workflow vast. Een antwoord gegenereerd uit een andere documentverzameling is een andere test, zelfs als het modelfile niet veranderde. Dat geldt ook voor een antwoord beoordeeld volgens een versoepelde acceptatieregel. Alleen versiebeheer van het model maakt die wijzigingen onzichtbaar.

Test de fout en de overdracht

Kies voorbeelden die de grenzen van de taak blootleggen. Voor een documentassistent, neem een vraag zonder antwoord in de toegestane documenten, twee passages die conflicteren, en een gescande pagina waarvan de leesvolgorde ongemakkelijk is. Spreek vooraf af hoe de beoordelaar elke reactie zal beoordelen. Dit zijn voorgestelde testgevallen, geen gecertificeerde beoordelingssuite.

Prestatiebewijsmateriaal heeft ook zijn voorwaarden nodig. MLCommons beschrijft inferentiebenchmarks met gedefinieerde workloads, kwaliteitsdoelen en meetscenario's.[3] Een resultaat verzameld onder die voorwaarden is nuttig in de juiste context. Het is geen waargenomen serviceniveau voor een niet-geteste installatie.

Meet voor de pilot de daadwerkelijke beoordelingsworkflow en documenteer wat er gebeurt als de dienst stopt. Wie ontvangt de foutmelding? Kan de gebruiker terugkeren naar het oorspronkelijke document? Welk record blijft behouden bij een geannuleerde aanvraag? Doorloop die paden terwijl het systeem nog klein genoeg is voor het team om te begrijpen.

Herstel verdient een benoemde eigenaar. Houd de eerder bekende configuratie beschikbaar onder het wijzigingsproces van de organisatie, en definieer wie kan goedkeuren om hierop terug te keren. Een voorgestelde fallback die niemand kan uitvoeren is een onafgewerkt onderdeel van het ontwerp.

Maak de volgende beslissing beperkt

De beoordeling moet eindigen met een afgebakende beslissing: ga door met deze taak onder deze voorwaarden, herhaal deze tests na een wijziging, of stop totdat een benoemde tekortkoming is opgelost. Voorkom dat een succesvolle documentpilot wordt omgezet in een goedkeuring van niet-gerelateerde operationele toepassingen.

Het kostenrecord moet dezelfde grens gebruiken. Ons artikel over kosten per geaccepteerde taak legt uit waarom beoordeling en afgewezen output in die berekening horen. Technische en financiële beoordelaars kunnen dan dezelfde eenheid van werk bespreken.

Gebruik de AI Server informatie om de implementatievragen te identificeren, en breng vervolgens de voorgestelde taak en acceptatierecord in de evaluatie. Bewijsmateriaal wordt nuttig wanneer een ander persoon de test kan herhalen en de beslissing kan begrijpen.

Referenties

NIST. AI Risicobeheer Framework. Geraadpleegd op 12-09-2026.
Hugging Face. Modelkaarten. Geraadpleegd op 12-09-2026.
MLCommons. MLPerf Inference: Datacenter. Geraadpleegd op 12-09-2026.