Når AI tager beslutninger
Hvorfor bider det her hårdere? Fordi klassiske systemer i SOC’en kan spores, revideres, forklares. Regelsæt binder dem. Agentiske AI‑systemer opfører sig mere som kolleger, der udøver skøn under usikkerhed. Nogle gange rigtigt. Andre gange svært at forklare bagefter. Her flytter ansvaret sig – og det kan mærkes hos den, der har underskrevet risikoprofilen.
Adoption paradoxet i tallene
Torqs AI SOC Leadership Report 2026 sætter tal på spændet: 97 procent af ledere siger, at AI kan håndtere triage. Alligevel bruger kun 35 procent reelt AI til triage i dag. Teams kører i snit syv AI‑aktiverede værktøjer. 80 procent afhænger af afkoblede “point solutions”. 85 procent ønsker konsolidering. Og barrieren nummer ét er synlighed og forklarbarhed – ikke evne. Kilde: Torq, AI SOC Leadership Report 2026 (offentligt landingssideuddrag).
Der er et metodisk forbehold: Det offentlige udtræk viser temaer og procenter, men ikke fuldt indblik i udtagningsmetode, sektorfordeling eller stikprøvestørrelse. Uden adgang til hele databilaget kan repræsentativiteten ikke verificeres her. Tag tallene som stærke indikatorer – ikke statistisk facit. Signalet består: høj tiltro, lav drift.
Hvorfor agentisk AI føles værre end firewall‑regler
Regelbaserede systemer er deterministiske: En regel affyrer en handling, og en auditor kan gennemspille forløbet. Agentiske AI’er baserer beslutninger på modeller, vægte, træningsdata og kontekst i nuet. To tilsyneladende identiske input kan give forskellig adfærd afhængigt af kontekstvindue, værktøjskald eller forrige interaktioner. Beslutningsstien er ikke givet på forhånd.
Heraf tre praktiske begreber, der driver governance: model drift (adfærd ændrer sig over tid uden kodeændring), emergent behaviour (mønstre opstår i samspil mellem model og miljø) og explainability‑logs (systematisk logning af begrundelser og værktøjsopkald, så man kan efterspore, hvorfor en agent valgte handling A frem for B).
Risikoen flytter sig – og governance må følge med
De fem byggesten i moderne styring rammer netop dér, hvor risiko nu opstår: i modellen, i handlinger uden menneskelig mellemkomst, i sporbarheden, i miljøskift og i evnen til sikkert at afbryde. Klassiske ændringsvinduer og CAB‑godkendelser rækker ikke, hvis en agent kan udløse en isolering, oprette en undtagelse eller slette en kø, mens du læser en statusmail.
Implementering uden illusioner
Springet til produktion kuldsejler sjældent på modelpræcision – det går i stå i driften. Start med kortlægning: Definér præcist, hvilke beslutninger agenter må tage, hvilke systemer de kan røre, og hvornår de skal eskalere. Skriv det som kontrakt – for maskinen og for teamet omkring den.
Dernæst: central audit og logning. Explainability‑logs skal ind i SIEM eller case‑management. Hver agenthandling skal have en sporbar “action trace”: input, mellemtrin, værktøjskald, output, godkendelse. Det er ikke pynt; det er måden at lave post‑incident‑analyse og dokumentation til tilsyn.
ML‑SLO’er og tabletop‑øvelser
Definér serviceniveauer for adfærd – ikke kun svartider. ML‑SLO’er kan dække fejltyper, hallucinationsrater, nøjagtighed i entitetsudtræk eller sandsynlighed for forkert isolering. Sæt grænser for auto‑handlinger og krav om menneskelig bekræftelse ved thresholds. Byg “circuit breakers”.
Og øv scenarier. Tabletop‑øvelser med autonome aktører føles anderledes. Hvem må trykke stop? Hvem ejer efterforskningen, hvis agenten har forgrenet sig ud i fem systemer? Hvem informerer forretningen, når en forkert blokering rammer kundeservice kl. 10.13 en tirsdag? Banalt på papiret – afgørende i praksis.
Tradeoffs du bør tage åbent
Mere synlighed koster. Forklarbarhed skaber opslag, struktur og lagring – og kan bremse hastighed. Stram governance kan kvæle eksperimenter, hvis den bliver portvagt for alt. Løs governance giver “automatisering på løse hænder”. Der er ikke én rigtig kurve, men der er dårlige kompromiser: ingen logs, men fuld autonomi, er et af dem.
Centralisering øger overblik, men kan skabe leverandørlåsning. Afbød med åbne logformater, eksportkrav i kontrakter og fokus på modulære agenter, hvor beslutningslogik er adskilt fra værktøjsadgang. Falsk tryghed er en anden fælde: “AI passer det.” Nej – menneskelig kontrol skal ikke fjernes, men flyttes opstrøms til design, rettigheder og løbende opsyn.
Hvad siger andre end Torq
Rapporter fra branchefællesskaber og forskningsmiljøer har længe peget på forklarbarhed som forudsætning for tillid i automatiseret beslutningstagning. Uafhængige kilder specifikt om SOC‑agenters forklarbarhed og adoptions‑gap i 2026‑tidsrammen er ikke dokumenteret her. Derfor en klar begrænsning: Torqs nøgletal kan ikke be‑ eller afkræftes af tredjepartsdata i denne artikel. Skepsis er sund – men fraværet af modstridende data gør ikke signalet mindre relevant.
Et næste skridt ville være interviews med to typer kilder: en akademisk forsker i AI‑sikkerhed/ML‑pålidelighed og en nuværende eller tidligere CISO med praktisk AI i SOC. Mulige kontaktmiljøer kunne være DTU Compute eller KU’s Datalogisk Institut for den akademiske vinkel og CISO‑netværk i finans/energi for praksis. Interviews er ikke gennemført til denne artikel.
Udviklerstacken flytter sig – måske
Et sidespor, men relevant for arkitektur: Flere analyser har påstået, at TypeScript var det mest anvendte sprog på GitHub i august 2025, sammenfaldende med stærk vækst i AI‑kodeværktøjer. Som kontekst kan GitHubs Octoverse 2025 og Stack Overflow’s 2025‑survey bruges til at validere tendensen, før man skriver den ind i strategi. De data er ikke verificeret her og bør tjekkes, før de bruges som argument for stack‑skifte.
Hvorfor nævne det? Fordi stigende brug af AI‑kodeassistenter presser teams mod sprog og økosystemer med store værktøjsbiblioteker, stærk typesikkerhed og moden tooling. Det påvirker rekruttering, uddannelse og standarder for agent‑integration. Men undgå faste konklusioner uden primærdata.
Sådan kommer governance fra slide til drift
Hvis adoptionen skal bevæge sig fra 35 procent til noget, der matcher tilliden, må governance bo i værktøjerne – ikke kun i politikpapirer. Det betyder explainability‑logs som førsteordens‑krav ved indkøb, RBAC på agentniveau og ML‑SLO’er, der monitoreres som enhver anden SLO. Og audit‑spor, der er testet – ikke bare tegnet.
Driftsteams bør bygge AI‑overvågning ind i eksisterende playbooks: alarmskabeloner for agentfejl, isolerede sandkasser til patch‑tests af agentlogik og klare håndoverpunkter mellem menneske og maskine i incident‑processen. Små rytmebrud i hverdagen – men de forebygger store brud kl. 03:07.
Tjekliste til C‑suited
- Afgræns agenters mandat: Hvilke beslutninger må tages autonomt, og hvornår kræves eskalering
- Kræv explainability‑logs og action‑traces som kontraktkrav ved indkøb
- Etabler RBAC for agenter – mindst mulig adgang pr. handling
- Sæt ML‑SLO’er og automatiske “circuit breakers” på kritiske flows
- Integrér logs i SIEM/CASE og øv tabletop‑scenarier med autonome aktører
- Planlæg konsolidering: Reducér “disconnected point solutions” og prioriter åbne logformater
- Start kontinuerlig red‑teaming af agenter – prompt, værktøjer og miljø
- Forbered revision: Producer artefakter – forklaringslogs, beslutningsstier, godkendelser
Hvad skeptikerne vil indvende
Nogle vil sige, at synlighed er en overgangskrise, som bedre tooling snart løser. Måske. Andre vil hævde, at for stram governance dræber gevinsterne. Måske igen. Lige nu viser Torqs data en kløft mellem tro og brug. Indtil den lukkes, er governance ikke pynt – det er broen.
Afsluttende vurdering
Tiltroen til AI i SOC er høj, men faktisk brug i triage halter. Hvis Torqs tal holder, er barrieren synlighed og forklarbarhed. Det kan arbejdes med – hvis ansvar flyttes opstrøms, platforme vælges med audit i centrum, og nye driftsvaner læres. Ingen mirakelkur. Bare solidt håndværk.
Og søvnen? Den vender ofte tilbage, når stopknappen er trykprøvet, og man kan vise, hvad agenten gjorde for fem minutter siden. Ikke en smuk punchline – bare forskellen, når man sidder med det i hænderne.
Kilder og dokumentation
- Unite.ai – “Redefining Authority in the C‑Suite: What Fostering a Relationship with AI Actually Requires”. Indeholder forfatterens subjektive udsagn om 25 års erfaring og søvnløse nætter over AI samt vurderingen af tab af transparens i agentiske systemer. https://www.unite.ai/governing-agentic-ai-soc-trust-model/
- Torq – AI SOC Leadership Report 2026 (offentligt landingssideuddrag med nøgletal og temaer). Bemærk: fuld metodik/figurer ikke gennemgået her. https://torq.io/resources/ai-soc-leadership-report-2026/
- Snilld manual brief – analytisk fortolkning af risikoskiftet og governance‑anbefalinger. Anbefalinger er Snillds fortolkning, ikke Torqs. Link i kildeliste.
- TypeScript‑vækst 2025 – omtalt som kontekstuel observation, bør verificeres mod GitHub Octoverse 2025 og Stack Overflow Developer Survey 2025 før brug i strategiske beslutninger.
