Wat er gebeurde
Google publiceerde op 14 april een concreet praktijkvoorbeeld uit de publieke sector: het Britse Department for Transport gebruikt Gemini-modellen op Vertex AI om reacties op openbare consultaties te analyseren op een schaal die beleidsteams eerder maanden kostte. Het departement verwerkt ongeveer 55 consultaties per jaar en sommige daarvan leveren meer dan 100.000 vrije tekstreacties op. Volgens Google kan de nieuwe Consultation Analysis Tool thema's in enkele uren identificeren en categoriseren, waar dat eerder vaak maanden duurde.
Opvallend is dat dit geen losse samenvattingsdemo is. De gepubliceerde aanpak combineert modelredenering met een echte werkstroom. Google schrijft dat de geëvalueerde oplossing tot 90 procent nauwkeurigheid behaalde, gemeten op verschillende manieren, en het departement tot 4 miljoen pond per jaar kan besparen. Dezelfde organisatie gebruikt daarnaast een aparte AI Correspondence Drafter die via Vertex AI Search relevante beleidsinformatie uit beveiligde interne databronnen ophaalt en Gemini inzet om eerste conceptantwoorden op publieke vragen op te stellen.
Daarmee is dit meer dan de zoveelste generatieve AI-aankondiging. Het is een echte implementatie rond ongestructureerde tekst, retrieval, conceptvorming en menselijke controle, in een van de meest gevoelige omgevingen die er zijn: beleidswerk van de overheid.
Waarom dit ertoe doet
Hier zitten twee belangrijke signalen in. Ten eerste wordt enterprise AI volwassen op de plek waar dat logisch is: documentzware processen met deadlines, veel volume en duidelijke kosten- en tijdsdruk. Openbare consultaties zijn precies het soort proces waar taalmodellen kunnen helpen, omdat de grondstof tekst is, het werk repetitief maar niet dom is, en de output uitlegbaar moet blijven. Dit zit veel dichter op productiewaarde dan weer een nieuwe consumentenchatfunctie.
Ten tweede is de architectuur minstens zo belangrijk als het model. Het Department for Transport heeft geen losstaande chatbot neergezet en gehoopt dat mensen die zouden vertrouwen. Het heeft een systeem gebouwd met retrieval uit interne kennisbronnen, categorisatielogica, duidelijke procesgrenzen en beleidsmedewerkers in de lus. Dat patroon maakt het verschil tussen een bruikbaar AI-systeem en een dure pilot. In de praktijk hebben de meeste organisaties geen slimmer chatvenster nodig, maar een AI-laag die in een bestaand proces is ingebouwd.
Er zit ook een duidelijke Europese les in. Overheidsorganisaties in het VK en de EU staan onder druk om sneller te werken zonder auditability, eerlijkheid of datacontrole te verliezen. Deze case laat zien hoe adoptie eruitziet als je die randvoorwaarden niet als blokkade behandelt, maar als ontwerpeis. Het relevante punt is niet alleen dat Gemini werd gebruikt, maar dat menselijke beoordeling de eindverantwoordelijkheid hield en de ondersteunende data binnen een beheerde omgeving bleven.
Laava-perspectief
Bij Laava zien we dit als precies het soort werk waar enterprise AI sterk in is: rommelige input lezen, de juiste context ophalen, een volgende stap opstellen en daarna de controle bij de juiste mens of het juiste systeem leggen. Vervang consultatiereacties door facturen, leveranciersmails, vergunningsaanvragen, beleidsvragen of servicecases, en de vorm van het probleem blijft hetzelfde. De waarde komt niet uit chatten. De waarde komt uit het verkorten van doorlooptijd in een echte werkstroom.
De les voor Nederlandse organisaties is praktisch. Als je AI wilt die door security review, inkoop en dagelijks gebruik heen komt, begin dan met een smal proces met hoog volume, duidelijke deadlines en helder eigenaarschap. Combineer retrieval met drafting. Houd een menselijke goedkeuringsstap waar het risico daarom vraagt. Meet doorvoer, foutreductie en afhandeltijd. Dat is veel geloofwaardiger dan proberen om meteen één grote assistent voor de hele organisatie of gemeente te lanceren.
Daarom is integratie zo belangrijk. Een goed model kent op zichzelf je beleidsarchief, ERP-regels, CRM-geschiedenis of goedkeuringsketen niet. Het winnende systeem is het systeem dat de juiste context kan ophalen, gestructureerde output kan geven en netjes in het systeem van record past zonder nieuwe operationele risico's te creëren. Dat is een engineeringvraagstuk, geen oefening in promptschrijven.
Wat je nu kunt doen
Zoek in overheid, logistiek, retail of zakelijke dienstverlening naar jouw equivalent van een consultatieproces. Dat kan inkomende caseafhandeling zijn, contractreview, leverancierscorrespondentie, claimintake of interne beleidsvragen. De beste kandidaten hebben vier kenmerken: veel ongestructureerde tekst, repetitieve triage of samenvatting, een menselijk beslismoment en een achterstand of SLA die nu al pijn doet.
Bouw de eerste versie vervolgens in shadow mode. Haal context op uit goedgekeurde interne bronnen, laat het model een categorisatie of conceptantwoord opstellen en vergelijk dat met het huidige menselijke werk voordat je iets automatiseert. Log de beslissingen. Meet waar het model helpt en waar het afwijkt. Zodra de kwaliteit stabiel is, koppel je het aan de volgende stap in het proces, bijvoorbeeld het aanmaken van een CRM-case, het klaarzetten van een antwoord of het routeren van werk naar het juiste team.
Dat is de echte boodschap van deze case van het Department for Transport. Enterprise AI wordt bruikbaar waar procesdiscipline, retrieval en menselijke controle vanaf dag één zijn ingebouwd. Organisaties die AI behandelen als een vraagstuk van workflow-engineering, en niet als een magische feature, gaan sneller waarde zien en hebben minder herstelwerk achteraf.