Wat is een agentic SOC? AI-agenten in Security Ops

Wat is een agentic SOC?

In november 2025 maakte AI-ontwikkelaar Anthropic bekend wat het de eerste gemelde door AI aangestuurde cyberspionagecampagne noemde. Anthropic stelde met grote zekerheid vast dat een door de Chinese staat gesteunde groep zijn tool Claude Code had gemanipuleerd om 80 tot 90% van de operatie tegen ongeveer 30 doelwitten uit te voeren. Op het hoogtepunt deed de AI duizenden verzoeken, vaak meerdere per seconde, een tempo dat menselijke hackers volgens Anthropic niet konden evenaren. Anthropic adviseerde beveiligingsteams om te experimenteren met AI voor verdediging op gebieden als automatisering van het security operations center (SOC), dreigingsdetectie en incidentrespons.

Dat advies wijst rechtstreeks naar de agentic SOC. Een agentic SOC is een security operations center waarin AI-agenten binnen vastgestelde kaders werkzaamheden rond meldingen en incidenten in meerdere stappen plannen en uitvoeren, terwijl menselijke analisten toezicht houden op beslissingen en afwegingen maken. De agenten doen het verbindende werk dat u nu handmatig doet: hostgeschiedenis ophalen, identiteitslogs koppelen aan endpointtelemetrie, hypothesen toetsen en bewijsmateriaal samenbrengen tot een conclusie, nog voordat een mens de zaak opent.

Het woord ‘agentic’ heeft hier een specifieke betekenis. Op de blog van ISACA gebruikt Richard Beck van QA het open-sourceplatform OpenClaw als voorbeeld. De agenten daarvan roepen AI-modellen aan, splitsen complexe taken op, dragen onderdelen over aan subagenten, maken verbinding met interne en externe tools en kunnen ’s nachts zonder toezicht werken. Twee technologieën die u al gebruikt, laten zien wat agenten toevoegen aan het operationele model van het SOC:

• Generatieve AI-copilots wachten op uw prompt en laten de beslissingsbevoegdheid bij u: Een agent start en voltooit zelfstandig werkzaamheden binnen vastgestelde kaders.
• Playbooks voor security orchestration, automation and response (SOAR) voeren stappen uit die u vooraf hebt vastgelegd: Agenten analyseren meldingen waarop geen playbook is voorbereid, passen zich aan de context aan en escaleren bij onzekerheid.

Copilots versnellen het werk van de analist en playbooks versnellen de respons. Agenten nemen het onderzoek daartussen voor hun rekening: ze plannen hun eigen stappen, passen zich aan de context aan en leveren conclusies die een mens kan controleren.

Gartner verwacht dat 40% van de bedrijfsapplicaties eind 2026 taakspecifieke AI-agenten zal bevatten, tegenover minder dan 5% in 2025. Beveiligingstools volgen dezelfde trend. Agenten bereiken dus uw SOC, of u zich daarop voorbereidt of niet. Deze gids laat zien hoe een agentic SOC werkt, waar het waarde oplevert, waar het misgaat en welk toezicht agenten verantwoordelijk houdt.

De rol van de agentic SOC in cybersecurity

Tijdens de SANS Cloud Security Exchange Summit 2026 verwoordden Wesley Kuzma van Microsoft en Chris Cochran van SANS de verschuiving scherp. Decennialang gingen beveiligingskaders ervan uit dat ‘mensen beslissingen nemen en machines die uitvoeren’. Agentic systemen keren dat model om. In een agentic SOC werken uw analisten niet langer eindeloze Tier-1-wachtrijen af. Ze worden toezichthouders en coördinatoren: ze controleren de conclusies van agenten, passen bedrijfscontext toe, jagen op dreigingen en houden toezicht op de agenten zelf.

De agentic SOC is een operationeel model. De pagina van SentinelOne over Autonomous SOC beschrijft waar dat model naartoe leidt: detectie, onderzoek door agenten en respons op één platform, terwijl analisten verantwoordelijk blijven voor beslissingen met grote gevolgen. Dit artikel over de agentic SOC-strategie betoogt dat onderzoekscapaciteit de beperkende factor voor het SOC is geworden.

Kernonderdelen van een agentic SOC

Het AgentSOC-framework, voorgesteld in een onderzoeksartikel uit 2026, verdeelt een agentic SOC in drie lagen die samen een gesloten cyclus vormen: waarneming, redenering door agenten en actie en playbooks. Reacties met grote gevolgen gaan ter goedkeuring naar analisten. De volgende delen bouwen op dit model voort en laten zien wat agenten waarnemen, hoe ze redeneren en wie de controle houdt.

Data- en redeneerlagen

De basislagen bepalen wat agenten kunnen zien en hoe ze die informatie omzetten in actie. Elke laag levert gestructureerde output aan de laag erboven:

• Waarnemingslaag: Normaliseert meldingen en logs uit beveiligingstools, cloudbeveiliging en besturingssystemen. Verrijkt ze vervolgens met context over assets en identiteiten om gestructureerde incidentobjecten te vormen.
• Laag voor redenering door agenten: Gebruikt een groot taalmodel (LLM) om hypothesen over aanvallen op te stellen, toetst die aan de topologie en toegangsrechten van uw omgeving en rangschikt mogelijke reacties op risico.
• Laag voor actie en playbooks: Stelt responsplaybooks op, legt acties met grote impact ter goedkeuring voor aan een analist en voert acties met minder risico automatisch uit.

Samen vormen deze lagen de operationele cyclus die ruwe telemetrie omzet in inzichtelijk beveiligingswerk: gestructureerde input, gevalideerde hypothesen en responsstappen met bijbehorend bewijsmateriaal.

Orkestratie- en controlelagen

Je houdt de operationele controle over een systeem met meerdere agents door vast te leggen hoe agents samenwerken, welke context ze bewaren en wanneer een beslissing aan een persoon wordt voorgelegd:

1. Gespecialiseerde agents hebben afgebakende rollen: Afzonderlijke agents verwerken endpointtelemetrie, identiteitsanalyse, en correlatie van cloudlogs, terwijl een overkoepelende orchestrator het werk coördineert.
2. Gedeelde context en geheugen: Agents wisselen gestructureerde bevindingen uit via geheugenlagen of kennisgrafen, zodat de onderzoeksstatus bij overdracht behouden blijft.
3. Menselijke controle: Verplichte goedkeuringsmomenten houden analisten aan het roer bij ingrijpende beslissingen, zoals bij LanG, een onderzoeksplatform uit 2026 waarvan de SOC-pipeline pauzeert voor twee verplichte goedkeuringen door een analist.
4. Interoperabiliteitspatronen: Deze bepalen hoe agents verbinding maken met tools en context delen wanneer ze werk overdragen.

Dankzij die gedeelde status zijn beveiligingsworkflows met meerdere agents controleerbaar. Behandel AI-agents in het SOC als operators onder toezicht: hoe deze componenten samenwerken, bepaalt of ze vertrouwen verdienen.

Hoe een agentic SOC werkt

Agentic AI volgt in beveiligingsoperaties een beslissingscyclus van de ontvangst van een waarschuwing tot de respons. Triage-agents verwerken elke waarschuwing, filteren vals-positieven, voegen context toe en bepalen dynamisch de prioriteit. Niets blijft in een wachtrij staan tot een analist in de nachtdienst het oppakt.

Onderzoeksagents met toegang tot tools voeren vervolgens parallel onderzoek in meerdere stappen uit: context bij waarschuwingen ophalen, de geschiedenis van hosts en gebruikers opvragen, artefacten uitvoeren in een geïsoleerde omgeving en dreigingsinformatie correleren. Forrester-analist Allie Mellen schetst hoe zo'n keten kan werken. Een phishingtriage-agent bevestigt een echte dreiging, agents voor endpointtriage en -onderzoek controleren of de aanval is geslaagd en bevoegdheden zijn verhoogd, en een endpointresponsagent geeft de analist de context om te beslissen.

Responsagents gaan vervolgens van het aanbevelen van acties over tot het uitvoeren van goedgekeurde acties binnen het beleid en onder toezicht. Bij onzekerheid of een beleidsuitzondering schakelen ze een mens in. Bij beveiligingsoperaties met menselijke tussenkomst beoordelen en accorderen analisten ingrijpende beslissingen van een agent, zodat de autonomie aan het beleid gebonden blijft.

Menselijk toezicht hoort in de architectuur thuis. Een conceptimplementatiegids van de Cloud Security Alliance (CSA) adviseert onmiddellijke menselijke beoordeling bij waarschuwingen over accounts met uitgebreide bevoegdheden en kritieke infrastructuur, correlatiepatronen die nieuw zijn voor de omgeving, oordelen met hoge zekerheid over kwaadaardige activiteit en betrouwbaarheidsscores onder een vastgestelde drempel. In dat model onderzoekt de agent de zaak en doet aanbevelingen, terwijl analisten het bewijsmateriaal beoordelen en elke actie met externe gevolgen autoriseren.

Agentic AI bewijst zijn waarde in beveiligingsoperaties wanneer elke fase bewijsmateriaal oplevert dat de volgende fase in de cyclus kan hergebruiken.

Belangrijkste voordelen van een agentic SOC

De voordelen van een agentic SOC vallen in twee groepen: betere dekking en consistentie bij de verwerking van waarschuwingen, en resultaten voor analisten en de organisatie die zichtbaar worden in rapportages.

Betere dekking en consistentie

Agentic dekking begint bij de waarschuwingen die je huidige workflows laten liggen, want in een agentic SOC wordt elke waarschuwing onderzocht. Traditionele SOAR dekt alleen de categorieën waarschuwingen waarvoor je playbooks hebt geschreven. Agents beoordelen ook waarschuwingen zonder playbook. Juist daar blijven inbraken vaak onopgemerkt.

Ook op machinesnelheid blijft de aanpak consistent: agents verzamelen om twee uur 's middags en om twee uur 's nachts even zorgvuldig bewijsmateriaal, zonder door vermoeidheid stappen over te slaan tijdens de nachtdienst.

Resultaten voor analisten en de organisatie

Betere dekking en consistentie leveren direct resultaten op die het management volgt: tijdwinst voor analisten, junior medewerkers die boven hun ervaringsniveau presteren en meetbare veranderingen in de kosten van datalekken.

• Tijdwinst voor analisten: Wanneer agents context toevoegen en gegevens correleren, besteden je ervaren medewerkers hun tijd aan belangrijke beslissingen en het opsporen van dreigingen.
• Junior medewerkers presteren boven hun ervaringsniveau: Met AI-gegenereerde context en onderbouwde aanbevelingen nemen Tier-1-medewerkers beslissingen waarvoor eerder jarenlange ervaring in patroonherkenning nodig was. Dat is een concreet voordeel in een markt waarin de Cybersecurity Workforce Study 2025 van ISC2 een groeiende behoefte aan cybersecurityvaardigheden vaststelt.
• Kosten van datalekken: IBM’s Cost of a Data Breach Report 2026 concludeerde dat organisaties die beveiligings-AI en automatisering op grote schaal inzetten, gemiddeld USD 1.93 miljoen per datalek bespaarden vergeleken met organisaties die geen van beide gebruiken.

De rode draad is tijd: agents verkorten de tijd tussen melding en oordeel, zodat de organisatie die uren kan besteden aan beoordeling, het opsporen van dreigingen en beslissingen waarbij meer op het spel staat.

Risico's in een agentische SOC

Autonomie van agents brengt eigen risicocategorieën met zich mee: risico's rond betrouwbaarheid en verklaarbaarheid spelen binnen het onderzoeksproces, terwijl risico's rond de beveiliging van agents en het personeel daarbuiten spelen.

Risico's rond betrouwbaarheid en verklaarbaarheid

Het betrouwbaarheidsrisico neemt toe wanneer de fout van de ene agent input wordt voor een andere. Tijdens de SANS Cloud Security Exchange Summit 2026 liet Graphistry-CEO Leo Meyerovich zien hoe snel fouten per taak zich opstapelen. Als AI bij elke stap van een onderzoek met 10 taken 70% nauwkeurig is, blijft 97% van de gevallen onvolledig. Daarom moet de nauwkeurigheid per taak hoog zijn voordat vertrouwen in het volledige proces gerechtvaardigd is.

Agents die hun redenering niet kunnen tonen, brengen nalevingsrisico's met zich mee en maken ongewenst gedrag moeilijk te corrigeren. Het NIST AI Risk Management Framework (AI RMF) benadrukt governance, verantwoording en transparantie gedurende de hele levenscyclus van AI-systemen. Een onverklaard oordeel ondermijnt alle drie.

Problemen met de data-infrastructuur en datakwaliteit houden programma's voor agentische AI tegen: agents die onvolledige of niet-genormaliseerde telemetrie analyseren, geven zelfverzekerd verkeerde antwoorden.

Risico's rond de beveiliging van agents en het personeel

Agents bieden nuttige autonomie, maar die autonomie geeft aanvallers en operationele fouten ook nieuwe mogelijkheden om schade aan te richten. Dat begint bij de agents zelf:

1. Aanvallen gericht op agents: De OWASP Top 10 voor agentische applicaties 2026, een door vakgenoten beoordeelde lijst van het Open Worldwide Application Security Project (OWASP), rangschikt de ernstigste beveiligingsrisico's in autonome en agentische AI-systemen. De lijst bevat dreigingen die pas ontstaan wanneer AI acties kan uitvoeren, zoals Agent Goal Hijack (ASI01), Tool Misuse (ASI02) en Identity & Privilege Abuse (ASI03). De beveiliging van agentische AI vereist dat de agents zelf worden beschermd tegen manipulatie door aanvallers.
2. Operationele en governancerisico's: CISA, de NSA en hun partnerdiensten binnen Five Eyes waarschuwen in gezamenlijke richtlijnen uit 2026 dat agentische systemen kunnen leiden tot ‘een grotere aanvalsoppervlakte, sluipende uitbreiding van bevoegdheden, afwijkend gedrag en onduidelijke gebeurtenisregistraties’. Gartner waarschuwt afzonderlijk dat uniform beheer van AI-agents tot mislukking leidt en raadt aan de controles af te stemmen op het autonomieniveau van elke agent.
3. Verlies van vaardigheden: Als agents al het werk op Tier-1- en Tier-2-niveau overnemen, ontwikkelen beginnende analisten nooit de intuïtie die ervaren analisten kenmerkt.

De beveiliging van agentische AI vereist ook dat u het gedrag van agents even grondig bewaakt als dat van gebruikers, workloads en endpoints. Een gecompromitteerde agent beschikt immers over alle rechten die u eraan hebt toegekend. Voor elk van deze risico's kunt u een controle invoeren voordat een agent toegang krijgt tot productieomgevingen.

Veelgemaakte fouten bij de invoering van een agentische SOC

Mislukte implementaties volgen herkenbare patronen: de onderstaande governancefouten komen voort uit onbegrensde autonomie, terwijl fouten in data en dreigingsmodellering hun oorsprong vinden in een zwakke basis voor agents.

Governancefouten

De kostbaarste governancefout is implementeren zonder grenzen voor escalatie. Daardoor kunnen agents handelen in onduidelijke situaties of onomkeerbare beslissingen nemen zonder audittrail om achteraf te reconstrueren wat er is gebeurd. Bepaal vóór de eerste dag vertrouwenszones en escalatiedrempels. Een tweede fout is autonomie zonder onderscheid maximaliseren: zet agents in voor omvangrijk, herhaalbaar werk en laat beslissingen die inzicht vereisen aan mensen over.

Fouten in data en dreigingsmodellering

Bouwen op gebrekkige telemetrie versterkt elke andere fout: agents die met data van slechte kwaliteit werken, versterken hallucinaties en fouten. Zorg dus eerst voor normalisatie. Wie dreigingsmodellering overslaat, brengt agents in productie niet in kaart. Het MAESTRO-framework (Multi-Agent Environment, Security, Threat, Risk, and Outcome) van CSA vult die leemte door dreigingen voor agentische AI over zeven lagen in kaart te brengen, van basismodellen tot het bredere ecosysteem van agents. Wie menselijk toezicht als optioneel beschouwt, negeert de overeenstemming tussen de belangrijkste frameworks. Het NIST AI RMF schrijft voor dat processen voor menselijk toezicht worden vastgelegd, beoordeeld en gedocumenteerd. De richtlijnen Careful Adoption of Agentic AI Services laten beslissingen over wanneer menselijke goedkeuring nodig is over aan systeemontwerpers en operators. OWASP's gids Agentic AI Threats and Mitigations beveelt menselijk toezicht aan bij acties van agents met grote gevolgen. Voor onomkeerbare acties, zoals een productieserver offline halen, blijft menselijke goedkeuring nodig. Tot slot stokt de invoering als u analisten niet begeleidt bij de verandering: agents moeten worden ingewerkt en analisten hebben nieuwe vaardigheden nodig om toezicht te houden.

Best practices voor een agentische SOC

Een gefaseerde uitrol met controlemomenten gaat hand in hand met governance op basis van bewijs: de eerste bepaalt wat agents mogen doen, de tweede toont aan dat hun beslissingen vertrouwen verdienen.

Controles voor uitrol en goedkeuring

Een gedisciplineerde uitrol bepaalt of agents het vertrouwen van analisten winnen: begin klein, vereis goedkeuring voor acties met gevolgen en koppel elke meldingscategorie aan een autonomieniveau dat de agent heeft verdiend.

• Rol gefaseerd uit: Volg de de stapsgewijze aanpak van de Five Eyes-diensten. Begin met duidelijk afgebakende, niet-gevoelige toepassingen met een laag risico en valideer de controles in elke fase voordat u uitbreidt.
• Vereis goedkeuring voor ingrijpende acties: Vereis menselijke goedkeuring op vaste beslismomenten voor alles wat onomkeerbaar of gereguleerd is, of grote gevolgen heeft voor klanten.
• Stem de autonomie af per waarschuwingsklasse: Een standaardmelding over phishing en een afwijking bij een account met verhoogde rechten vragen om verschillende niveaus van menselijke betrokkenheid, binnen een consistent auditformat.

Een gefaseerde uitrol, menselijke goedkeuring en autonomie per klasse houden vroege implementaties beheersbaar: als een agent een verkeerde inschatting maakt, blijft de impact beperkt en is duidelijk hoe u kunt bijsturen.

Onderbouwd bestuur en meten van resultaten

Metingen en dreigingsmodellering houden het bestuur op termijn scherp en leveren het bewijs dat auditors, bestuurders en uw eigen analisten zullen opvragen.

• Vereis onderbouwde conclusies: Elk oordeel van een agent moet bewijs en bronverwijzingen bevatten. Niet-uitlegbare conclusies zijn onacceptabel in een SOC.
• Maak dreigingsmodellen voor de agenten: Toets uw agentarchitectuur aan MAESTRO en voer vóór productie red-teaming uit met behulp van de onderzoeksnotitie van CSA over de richtlijnen van NIST voor red-teaming van AI-agenten en de red-teamingacties in NIST’s Generative AI Profile (NIST AI 600-1).
• Stel eerst beleidskaders vast: Stel vóór de implementatie beleid op voor toegang door agenten, voorwaarden voor autonomie en voortdurende monitoring volgens de NIST AI RMF GOVERN-functie.
• Meet resultaten, geen activiteit: Verleg de maatstaf voor succes van het aantal meldingen naar gemiddelde detectietijd (MTTD) en gemiddelde responstijd (MTTR), en beoordeel beslissingen van agenten voortdurend, zoals u een nieuwe medewerker zou begeleiden.

Als u AI-agenten toevoegt aan het SOC, maken deze werkwijzen menselijke betrokkenheid bij beveiligingsactiviteiten vanaf dag één tot een ontwerpprincipe. Ze veronderstellen ook een platform dat is gebouwd voor agentgestuurde activiteiten onder toezicht, en SentinelOne heeft zijn architectuur precies rond die eis ontworpen.

Bouw een agentgestuurd SOC met SentinelOne

Het Singularity™ Platform brengt telemetrie van endpoints, identiteiten, de cloud en AI-beveiligingstools samen in één console met een gedeelde datalaag en een Behavioral AI-engine. Agenten analyseren telemetrie die is genormaliseerd volgens het Open Cybersecurity Schema Framework (OCSF). Daarmee wordt voldaan aan de vereiste voor datakwaliteit waarop agentgestuurde projecten doorgaans vastlopen.

Purple AI™ is de agentgestuurde AI-beveiligingsanalist van SentinelOne. De functie Agentic Investigation verwerkt een melding van ontvangst tot oordeel zonder handmatig onderzoek: ze verzamelt bewijs uit de hele technologieomgeving, combineert dreigingsgegevens, stelt in realtime aanvalstijdlijnen op en levert uitlegbare oordelen onder toezicht van analisten. Ondertussen legt ze de context van meldingen, samenvattingen en vervolgstappen vast in Investigation Notebooks, zodat elk oordeel vergezeld gaat van een bewijsspoor. In het rapport van IDC uit april 2025 Business Value of SentinelOne’s Purple AI staat dat klanten met Purple AI dreigingen 63% sneller identificeerden en 55% sneller verholpen.

Singularity Hyperautomation is de no-code tool van SentinelOne voor responsworkflows in Singularity-omgevingen, met ingebouwde stappen voor menselijke goedkeuring bij ingrijpende beslissingen. Hyperautomation wordt meegeleverd met Singularity AI SIEM en is beschikbaar als uitbreiding voor andere SentinelOne-producten. Purple AI levert het onderzoeksoordeel en Hyperautomation voert de respons uit binnen vooraf goedgekeurd beleid. Beide werken met de meldingen en context die uw team al gebruikt.

Latio, een onafhankelijk onderzoeks- en adviesbureau gespecialiseerd in beveiligingsactiviteiten, benoemde SentinelOne tot SOC Platform Leader in zijn Security Operations Market Report van 2026.

Als u een SOC beheert dat wordt overspoeld door meldingen, of verantwoordelijk bent voor het gesprek met het bestuur over AI in beveiligingsactiviteiten, vraag dan een SentinelOne-demo aan om te zien hoe agentgestuurd onderzoek onder toezicht werkt met uw eigen meldingsvolume.

De toonaangevende AI SIEM in de sector

Richt je in realtime op bedreigingen en stroomlijn de dagelijkse werkzaamheden met 's werelds meest geavanceerde AI SIEM van SentinelOne.

Conclusie

In een agentische SOC handelen AI-agenten meldingen af, van triage tot respons, terwijl mensen toezicht houden. Agenten redeneren verder dan draaiboeken, maar opeenstapelende fouten en ondoorzichtige oordelen vereisen escalatiegrenzen, audittrails en een gefaseerde uitrol.

Teams die autonomie onder toezicht combineren met een sterke databasis verkorten de onderzoeks- en hersteltijd aantoonbaar. Hun analisten krijgen weer tijd voor werk dat alleen mensen kunnen doen: oordelen, dreigingen opsporen en de beslissingen nemen die er het meest toe doen.