Okta: lessen in governance van AI-agents op grote schaal

Samenvatting

Okta koppelt governance voor AI-agents aan dbt-modellen, metadata en contextdocumenten om machine-antwoorden controleerbaar te maken.

AI-agents en dbt-governance: wat er gebeurt

Tijdens een sessie op dbt Summit 2026 beschreef Pooja Crahen van Okta hoe haar team AI-agents bestuurbare context geeft. Het team bestaat uit ongeveer dertien analytics engineers en werkt binnen een technologie-, data- en intelligenceorganisatie met Tableau voor rapportages en Snowflake als centraal warehouse.

Okta bouwde de eerste AI-experimenten met semantic views in de Snowflake-interface, rechtstreeks verbonden met Snowflake Cortex-agents. Die views stonden los van de dbt-modellen waarin Okta de bedrijfslogica beheert. Daardoor ontbrak een catalogus, een gedeeld systeem van record en controleerbare historie van wijzigingen.

De aanpak bestaat uit drie lagen in dbt. Model- en kolommetadata krijgen een agent-blok in YAML met toegestane toepassingen, situaties waarin gebruik niet wenselijk is en automatische filters. Markdown-documenten leggen bedrijfsfeiten en routeringsregels per domein vast. Het geheel gaat via normale pull requests naar productie.

Waarom governance van AI-agents belangrijk is

Een dashboard toont nog een getal of grafiek die iemand kan controleren. Een agent geeft een antwoord zonder die zichtbare tussenstap. Daardoor verschuift de vraag van alleen juiste berekeningen naar de herkomst, actualiteit en toepassingsgrenzen van de context die de agent gebruikt.

Okta vond drie problemen in de eerdere werkwijze: context raakte verdeeld over Snowflake en dbt, wijzigingen waren niet auditbaar omdat ze in klikgeschiedenis bleven staan, en instructies vormden één ongestructureerd blok. Teams konden bestaande definities daardoor niet goed vinden of hergebruiken en maakten bedrijfsbegrippen opnieuw.

De aanpak laat zien dat agentbeheer direct aansluit op modellering, documentatie en versiebeheer. Snowflake Cortex blijft de agentomgeving, terwijl dbt de plek wordt waar definities en gebruiksregels samenkomen. Tableau blijft daarnaast de rapportageomgeving.

Concrete takeaway voor AI-agents

Inventariseer welke semantic views je agents gebruiken en leg per model en kolom vast waarvoor de context wel en niet geldt. Scheid vaste bedrijfsfeiten van informatie die een agent moet opzoeken, documenteer filters in YAML en laat wijzigingen via pull requests lopen. Zo krijgt elk antwoord een controleerbare basis in plaats van alleen een overtuigende formulering.