Wat is er gebeurd
Google DeepMind heeft een nieuw AI-planningsprototype aangekondigd met de Britse overheid, Google Cloud, Faculty en lokale planningsautoriteiten in Barnet, Dorset en Camden. De tool is bedoeld voor vergunningaanvragen van huiseigenaren, waarbij medewerkers nu uren kwijt zijn aan het vergelijken van lokaal beleid, historische dossiers, pdf’s en inspraakbrieven voordat zij een beoordeling kunnen opstellen.
De ambitie is concreet: de verwerkingstijd voor deze aanvragen halveren, met vroege tests die moeten leiden tot een landelijke uitrol voor gemeenten vanaf 2027. Het prototype brengt dossierdata samen, markeert ontbrekende informatie, vindt relevant nationaal en lokaal beleid met exacte bronverwijzingen, vat reacties samen en maakt een eerste opzet voor een planningsrapport.
Het belangrijkste detail is niet dat Gemini wordt gebruikt. Het belangrijkste is dat de medewerker de controle houdt. Planningsmedewerkers beoordelen de output regel voor regel, passen de redenering aan en blijven verantwoordelijk voor het uiteindelijke besluit. Volgens Google legt het prototype elke stap vast, waardoor een audit trail ontstaat voor verantwoording.
Waarom dit ertoe doet
Dit is een nuttig signaal voor enterprise AI omdat het meer lijkt op operationele AI dan op chatbot-AI. Het werk gebeurt niet in een losse assistent die vragen beantwoordt. Het is een agentic workflow rond documenten, beleid, reacties, citaties, conceptteksten en menselijke goedkeuring, ingebed in een echt publiek proces.
Dat verschil is belangrijk. Veel organisaties hebben inmiddels generieke AI-tools geprobeerd en lopen tegen dezelfde grens aan: een nuttig antwoord is nog geen betrouwbaar proces. Productiewaarde ontstaat wanneer een systeem de juiste context kan vinden, kan laten zien waar het antwoord vandaan komt, een actie kan voorbereiden, die bij een mens kan neerleggen en voldoende logging achterlaat voor controle.
Het planningsvoorbeeld laat ook zien dat de grootste AI-kansen vaak in saaie documentoperaties zitten. Aanvragen, vergunningen, claims, contracten, tickets, dossiers en interne verzoeken bevatten veel herhaald lezen, controleren en schrijven. Daar is meestal geen magie voor nodig. Wel gestructureerde context, gecontroleerde redeneerstappen, integratie met bestaande systemen en een duidelijke overdracht aan de mensen die verantwoordelijkheid dragen.
Laava-perspectief
Voor Laava is dit precies de categorie waarin managed runtime en Agents as a Service logisch worden. De klant koopt geen model in de hoop dat medewerkers zelf workflows bedenken. De klant heeft een beheerde omgeving nodig waarin documentbegrip, retrieval, citaties, drafting, goedkeuringen en systeemacties betrouwbaar draaien.
In gereguleerd of datagevoelig werk wordt runtime-ontwerp onderdeel van het product. Waar wordt data verwerkt? Welk model deed welke stap? Welke bron is gebruikt? Wat stelde de agent voor, wat paste de mens aan en wat gebeurde daarna? Die vragen kun je niet goed beantwoorden met losse persoonlijke AI-accounts. Daarvoor zijn logging, rechten, monitoring en herhaalbare deployment nodig.
Hier heeft sovereign runtime ook een nuchtere rol. De waarde zit niet in een box op zichzelf. De waarde zit in operationele AI op voorwaarden van de klant: model-agnostisch, controleerbaar, voorspelbaar in kosten en dicht genoeg bij de documenten en workflows die ertoe doen. Voor sommige organisaties betekent dat cloud. Voor andere betekent het een managed runtime in de eigen omgeving. In beide gevallen komt de businesswaarde uit de agents en integraties erbovenop.
Wat je kunt doen
Wie dit soort AI wil toepassen, kan beter beginnen met één documentzware workflow dan met een breed transformatieprogramma. Kies een proces waarin mensen telkens dezelfde bronnen lezen, vergelijken, samenvatten of herschrijven, en bepaal welk bewijs de agent moet tonen voordat een mens de output kan vertrouwen.
De implementatievraag is niet alleen welk model je gebruikt. De echte vraag is hoe je de runtime om het model heen bouwt: bronbeheer, rechten, citaties, audit logs, kostencontrole, menselijke review en integratie met de systemen waarin het werk wordt afgerond. Daar verschuift AI van demo naar productie.