Wat er gebeurde
Tijdens Google I/O 2026 introduceerde Google Gemini 3.5 Flash, een nieuw model dat nadrukkelijk is gepositioneerd rond coding, lage latency, toolgebruik en autonome AI-agents. TechCrunch schrijft dat Google het model neerzet als zijn sterkste optie tot nu toe voor coding en agentic taken, met beschikbaarheid via Antigravity, de Gemini API, Gemini Enterprise, de Gemini-app en AI Mode in Search.
De belangrijke verschuiving zit niet alleen in een benchmarkclaim. Google verplaatst het verhaal van chat naar agents die plannen, uitvoeren, pauzeren voor menselijke goedkeuring en daarna verdergaan in langere workflows. In de demonstraties verdeelden agents werk over onderdelen, werkten ze samen binnen Antigravity en werden enterprise-cases genoemd zoals banken, fintechs en datateams die langere workflows automatiseren.
Google positioneert Gemini 3.5 Flash bovendien samen met het aankomende 3.5 Pro als een taakverdeling: een sterker plannend model kan sneller uitvoerend werk delegeren aan Flash als sub-agent. Dat lijkt op de richting waarin serieuze enterprise-architecturen bewegen: geen enkel model dat losse antwoorden geeft, maar een gecontroleerd systeem van modellen, tools, rechten, logs en overdrachten.
Waarom dit relevant is
Voor bedrijven bevestigt dit nieuws dat de volgende fase van AI-concurrentie niet alleen om modelkwaliteit draait. De bottleneck verschuift naar operationele uitvoering. Als agents uren kunnen draaien, tools kunnen aanroepen, code kunnen schrijven, data kunnen inspecteren en om goedkeuring kunnen vragen, dan wordt de runtime eromheen net zo belangrijk als het model zelf.
Die runtime moet bepalen waar een agent bij mag, welk model per stap gebruikt wordt, wanneer een mens moet goedkeuren, hoe beslissingen worden gelogd en wat er gebeurt als een cloudmodel te duur, niet beschikbaar of niet toegestaan is voor bepaalde data. Zonder die laag wordt agent-first AI al snel losse automatisering zonder duidelijke verantwoordelijkheid.
Ook de kostenkant is concreet. Lage latency en goedkopere sub-agents zijn nuttig, maar enterprise-workflows worden niet voorspelbaar omdat één model sneller is. Voorspelbare kosten komen uit routing, limieten, caching, observability en een duidelijke scheiding tussen routinestappen en zware redeneerstappen. Dat is engineering, geen productknop.
Laava-perspectief
Dit is precies waar Laava het onderscheid maakt tussen een chatbot en een operationele agent. Een model kan redeneren, maar kent je proces niet vanzelf. Het heeft context nodig uit SharePoint, ERP, CRM, ticketsystemen en e-mail. Het heeft metadata, rechten, citaties en integratiepunten nodig voordat het nuttig werk kan doen in een echte operatie.
Bij Laava Agents is het model daarom maar één laag. De waarde zit in de managed agent runtime eromheen: modelrouting, RAG, tool execution, human-in-the-loop controles, logging, monitoring, rollback en integratie met bronsystemen. Gemini 3.5 Flash kan voor sommige stappen een sterke optie zijn, maar de architectuur moet model-agnostisch blijven zodat een klant Gemini, GPT, Claude, Mistral, Llama of Qwen kan inzetten waar dat het best past.
Dezelfde logica geldt voor Laava Sovereign Runtime. Het doel is niet om een server te verkopen. Het doel is om documentrijke en workflowrijke organisaties één beheerde AI-omgeving te geven waar agents dichter bij de data kunnen draaien, met auditability, voorspelbare kosten en controle over welke modellen waar worden gebruikt. Lokale of hybride deployment is een vorm binnen de agentoplossing, niet het product op zichzelf.
Wat je kunt doen
Als je organisatie agents test, begin dan niet bij de modelaankondiging. Begin bij één workflow waarvan het actiepad helder is: documenten lezen, een dossier classificeren, een antwoord voorbereiden, een systeem bijwerken en uitzonderingen escaleren. Leg daarna vast welke rechten, bewijsvoering en goedkeuringsmomenten nodig zijn voordat je opschaalt.
De praktische vraag is niet of Gemini 3.5 Flash beter is dan het model dat je vorige maand gebruikte. De vraag is of je AI-opzet modellen kan wisselen, werk kan routeren, kan bewijzen wat er is gebeurd en blijft draaien zodra de demo een dagelijks proces wordt. Daar begint productie-AI.