Gemini data-classificatie in Google Drive: labels automatisch toepassen

Gemini past in Google Drive automatisch classificatielabels toe op bestanden, op basis van instructies die jij als beheerder opstelt. Dat gebeurt zonder dat je eerst een set trainingsbestanden hoeft te labelen. De functie is sinds 28 augustus 2026 beschikbaar in open beta, met een uitrol die volgens Google rond 30 september 2026 gereed moet zijn. In dit artikel lees je wat het doet, hoe je het instelt en waar het je DLP, retentie en audit echt sterker maakt.

Wat Gemini data-classificatie doet

Classificatielabels zijn de etiketten waarmee je aangeeft hoe gevoelig een bestand is, bijvoorbeeld openbaar, intern, vertrouwelijk of strikt vertrouwelijk. Zo'n label is de basis voor veel andere beveiligingsmaatregelen. Een DLP-regel kan inspringen op een label, een retentieregel kan een bewaartermijn koppelen aan een label, en een audit kan laten zien welke bestanden met welk label bestaan.

Het probleem is altijd handmatig labelen geweest. Beheerder stelt labels in, gebruikers moeten ze vervolgens consequent toepassen. In de praktijk gebeurt dat onvolledig. Bestanden zonder label glippen door elke regel die op een label leunt, en juist die bestanden bevatten vaak de gevoelige inhoud die je wilde beschermen.

Met Gemini data-classificatie in Drive verandert dat. Gemini kijkt naar de inhoud van een bestand en past het passende classificatielabel toe. Dat gebeurt automatisch, op schaal, en op basis van de instructies die jij hebt opgesteld. Je bepaalt dus zelf welke inhoud welk label verdient, en Gemini voert die logica uit over je Drive.

Hoe het werkt: instructies in plaats van trainingsbestanden

Traditionele classificatie op basis van machine learning vraagt om een leerproces. Je levert een set voorbeeldbestanden aan die al gelabeld zijn, het model leert daarvan, en pas daarna kan het nieuwe bestanden classificeren. Dat is arbeidsintensief en het model wordt nooit beter dan de voorbeelden die je aanlevert.

Gemini data-classificatie werkt anders. Je schrijft instructies in gewone taal: wat maakt een bestand vertrouwelijk, welke kenmerken horen bij een intern document, wanneer is iets openbaar. Gemini gebruikt die instructies om bestanden te beoordelen. Je hebt dus geen handmatig gelabelde trainingsset nodig.

Dat heeft twee voordelen. Ten eerste is de drempel laag: je kunt morgen beginnen met een paar heldere instructies. Ten tweede is het aanpasbaar: verandert je definitie van vertrouwelijk, dan pas je de instructie aan en niet een heel model. Je houdt de regie over de logica, terwijl de uitvoering op schaal gebeurt.

Waarom dit DLP, retentie en audit schaalbaar maakt

Classificatie is zelden een doel op zich. Het is de motor onder andere maatregelen. Als labels betrouwbaar en volledig worden toegepast, wordt alles wat daarop voortbouwt sterker.

Voor DLP betekent het dat je regels kunt richten op inhoud die daadwerkelijk als vertrouwelijk is geclassificeerd. Je hoeft niet meer te hopen dat gebruikers zelf hebben gelabeld. Een DLP-regel die zegt dat strikt vertrouwelijke bestanden niet extern gedeeld mogen worden, krijgt nu ook vat op bestanden die eerder ongeclassificeerd bleven.

Voor retentie betekent het dat bewaartermijnen kunnen meebewegen met de gevoeligheid. Een vertrouwelijk dossier met een langere bewaarplicht krijgt automatisch het juiste label, en dus de juiste termijn. Dat scheelt handmatig werk en verkleint het risico dat iets te vroeg of te laat verdwijnt.

Voor audit betekent het dat je een betrouwbaar beeld krijgt van waar gevoelige informatie staat. Je kunt rapporteren hoeveel vertrouwelijke bestanden er zijn, waar ze leven en wie toegang heeft. Zonder automatische classificatie is zo'n overzicht altijd een momentopname vol gaten.

Samen met Gemini in de admin console en het Alert Center vormt dit een laag die je beveiliging niet alleen strenger maakt, maar ook overzichtelijker.

Zo stel je het werk in

De basis begint bij je labels. Zorg dat je classificatielabels goed zijn ingericht voordat je automatisering aanzet. Een rommelige labelset automatiseer je alleen maar sneller verkeerd.

Schrijf daarna heldere instructies. Beschrijf per label in gewone taal welke kenmerken bepalen dat een bestand dat label krijgt. Wees concreet. Een instructie als "dit is vertrouwelijk" helpt niet, een instructie die beschrijft welke soorten gegevens en documenten vertrouwelijk zijn wel.

Test vervolgens op een beperkte set. Zet de functie aan voor een kleine groep of een specifieke map en controleer of de toegepaste labels kloppen. Juist in deze fase wil je fouten zien voordat ze op je hele Drive staan.

Monitor daarna de uitkomsten. Kijk welke labels worden toegepast en of er patronen zijn die je instructies niet goed dekken. Stel je instructies bij waar nodig. Classificatie is geen eenmalige instelling, maar iets dat je aanscherpt naarmate je ziet wat Gemini doet.

Voor wie is het beschikbaar en wat is de status

Gemini data-classificatie in Drive is sinds 28 augustus 2026 beschikbaar in open beta. Het gaat om een geleidelijke uitrol die rond 30 september 2026 gereed moet zijn, niet om een algemene beschikbaarheid. De functie is beschikbaar voor Enterprise Plus, Google AI Pro for Education en Frontline Plus.

Omdat het om een open beta gaat, is het verstandig om de uitrol gefaseerd te doen en de resultaten goed te volgen. Een beta betekent doorgaans dat de werking nog kan veranderen voordat de functie algemeen beschikbaar wordt.

Bij het inrichten houd je als beheerder de regie. Je kiest zelf welk label wordt toegepast, schrijft de instructies voor Gemini en bepaalt op welke groep bestanden de functie wordt toegepast. Bestandseigenaren en bewerkers met de juiste labelrechten kunnen een automatisch toegepast label vervolgens beoordelen, accepteren of aanpassen. De auditlogboeken leggen vast wanneer bestanden een label krijgen, inclusief het moment waarop een gebruiker een door Gemini toegepast label accepteerde of wijzigde. Die combinatie van menselijke controle en logging maakt de functie beter te verantwoorden dan een volledig geautomatiseerde black box.

Aandachtspunten voor beheerders

Automatische classificatie is krachtig, maar vraagt om zorgvuldigheid. Een paar aandachtspunten.

Ten eerste: begin niet met alles tegelijk. Zet de functie eerst aan op een afgebakende scope. Zo houd je de impact behapbaar en kun je bijsturen zonder dat je hele organisatie ermee te maken krijgt.

Ten tweede: houd rekening met onnauwkeurigheid. Geen enkel model classificeert foutloos, zeker niet in een beta. Bouw een controle in, bijvoorbeeld een periodieke steekproef, zodat je weet hoe betrouwbaar de labels zijn in jouw praktijk.

Ten derde: denk na over de gevolgen van een label. Zodra een label automatisch wordt toegepast, kunnen daar regels op aangrijpen, zoals een deelbeperking of een bewaartermijn. Zorg dat die regels klaar zijn voor de extra bestanden die er nu onder vallen.

Ten vierde: communiceer met gebruikers. Als bestanden ineens een label krijgen dat het delen beperkt, moet duidelijk zijn waarom. Leg uit dat dit de bescherming van gevoelige informatie dient en hoe iemand een foutief label laat corrigeren.

Een concreet scenario: het vertrouwelijke contract

Stel dat een organisatie veel contracten in Drive heeft staan en dat de retentie- en deelregels afhangen van het label. Zonder automatische classificatie blijven veel contracten ongeclassificeerd, simpelweg omdat gebruikers er niet aan denken. Daardoor grijpen de regels niet die juist voor die bestanden bedoeld waren.

Met Gemini data-classificatie beoordeelt Gemini de bestanden aan de hand van jouw instructies en past het passende label toe. Een contract met klantgegevens krijgt het label vertrouwelijk, waarna de bijbehorende deelbeperking en bewaartermijn vanzelf gelden. De eigenaar of bewerker kan het label beoordelen, accepteren of aanpassen, en de auditlogboeken leggen vast wat er is gebeurd.

Het effect is dat de regels eindelijk vat krijgen op de bestanden die eerder buiten beeld bleven. Dat is precies de winst: niet een nieuw label, maar de bestaande beveiliging die eindelijk werkt op de plekken waar het ertoe doet.

Instructies schrijven die werken

De kwaliteit van de classificatie hangt sterk af van de instructies. Vage beschrijvingen leiden tot wisselende resultaten. Concreet betekent hier: benoem de soorten gegevens en documenten die bij een label horen, geef waar mogelijk voorbeelden en maak duidelijk wat een bestand juist niet is.

Het loont om de instructies in de loop van de tijd aan te scherpen. Bekijk welke labels worden toegepast en waar het misgaat, en pas de instructies aan op basis van wat je ziet. Zie het als een iteratief proces: eerst een werkbare basis, daarna verfijnen op basis van de praktijk.

Samenwerking met bestaande labels en DLP

Automatische classificatie is geen vervanging van je bestaande labels en DLP-regels, maar een versterking. De labels die je al hebt, blijven de basis. Gemini zorgt ervoor dat die labels ook terechtkomen op bestanden die anders ongeclassificeerd bleven. De DLP-regels die op die labels leunen, krijgen daardoor meer bereik.

Dat betekent ook iets voor de volgorde. Zorg eerst dat je labels en DLP-regels kloppen, en zet daarna de automatische classificatie aan. Anders automatiseer je een regelset die nog niet af is, en dat maakt fouten alleen maar sneller en grootschaliger.

Wat je meet en wanneer je bijstuurt

Tot slot is het verstandig om te meten wat de functie oplevert. Hoeveel bestanden krijgen een label, welke labels komen veel voor, en waar wijken de uitkomsten af van wat je verwachtte? Die cijfers vertellen je of je instructies goed staan.

Een periodieke steekproef helpt om de kwaliteit in de gaten te houden. Omdat het om een open beta gaat, is voorzichtigheid extra gepast: de werking kan veranderen voordat de functie algemeen beschikbaar wordt. Bouw daarom een gewoonte in van kijken, meten en bijstellen, in plaats van eenmalig aanzetten en vergeten.