Gemini classificeert gevoelige bestanden in Google Drive

Google Workspace kan bestanden in Drive voortaan met Gemini automatisch laten classificeren. Beheerders schrijven instructies voor een gekozen label; Gemini beoordeelt bestanden binnen de ingestelde doelgroep en past het label toe. De functie is als open beta beschikbaar voor organisaties met Google AI Pro for Education.

Voor onderwijsinstellingen raakt dit rechtstreeks aan gegevensbescherming. Lesmateriaal, toetsdocumenten, leerling- en studentgegevens en onderzoeksbestanden staan vaak naast elkaar in Drive. Automatische labels kunnen helpen om beveiligings- en bewaarbeleid schaalbaar toe te passen, maar een AI-label is geen bewijs dat een bestand correct is beoordeeld.

Wat er nieuw is

Google maakte de open beta op 28 augustus 2026 bekend via het officiële Workspace Updates-blog. Voorheen moest een beheerder trainingsbestanden handmatig labelen om het classificatiemodel te leren welke gegevens bij een niveau horen. In de nieuwe route krijgt Gemini geschreven beheerinstructies.

De beheerder kiest het label, beschrijft hoe Gemini moet classificeren en bepaalt op welke bestanden de beoordeling wordt toegepast. Bestandeigenaren en -bewerkers met de juiste labelrechten kunnen een automatisch label vervolgens accepteren of aanpassen. Auditlogs registreren zowel het toepassen van het label als de acceptatie of wijziging door een gebruiker.

De labels kunnen worden gebruikt voor fijnmazige regels voor dataverliespreventie, bewaartermijnen en controles achteraf. Google benadrukt ook dat classificatie kan voorkomen dat agentische workflows zelfstandig bij gevoelige informatie komen. De uitrol naar de open beta verloopt geleidelijk en moet volgens Google uiterlijk 30 september zijn afgerond.

De kansen

Een instelling kan met consistente labels beter onderscheid maken tussen bijvoorbeeld openbaar lesmateriaal, intern beleid, vertrouwelijk toetsmateriaal en bestanden met persoonsgegevens. Bestaande regels kunnen daarna gerichter bepalen wie een bestand mag delen, hoe lang het wordt bewaard en welke acties worden geblokkeerd.

Dat kan handwerk bij grote Drive-omgevingen verminderen. Het dashboard met toegepaste labels en de auditlogs geven privacy-, security- en functioneel beheerteams bovendien een concretere basis om fouten, uitzonderingen en risicovolle delenacties te onderzoeken.

Voor docenten en onderzoekers kan een zichtbaar label ook een nuttige waarschuwing zijn vóór zij materiaal met een AI-assistent, externe samenwerkingspartner of studentgroep delen. De pedagogische winst is indirect: minder onzekerheid over gegevens kan veilige samenwerking ondersteunen, maar de functie maakt lessen of feedback zelf niet beter.

Menselijke controle blijft nodig

Classificatie is afhankelijk van de kwaliteit en eenduidigheid van de instructies. Context kan lastig zijn: een bestand met fictieve leerlinggegevens lijkt op een echt leerlingdossier, terwijl een onschuldig document door een naam of identificatienummer juist te streng kan worden gelabeld. Fout-negatieven kunnen gevoelige informatie onvoldoende beschermen; fout-positieven kunnen docenten en studenten onnodig hinderen.

De mogelijkheid voor bevoegde gebruikers om een label te wijzigen is daarom belangrijk, maar vraagt duidelijke verantwoordelijkheid. Als iedereen correcties mag doen zonder motivatie of controle, verliest het labelbeleid waarde. Als bijna niemand kan corrigeren, kunnen fouten onderwijs- en onderzoeksprocessen blokkeren.

Begin met een beperkte, representatieve set bestanden en vergelijk de Gemini-labels met een menselijke beoordeling. Meet niet alleen hoeveel bestanden een label krijgen, maar ook welk soort fouten optreedt en bij welke documenttypen of talen.

Privacy, toetsing en toegang

Automatische classificatie verwerkt de inhoud van bestanden om een label te kiezen. Een onderwijsinstelling moet daarom vooraf vaststellen welke gegevens en organisatie-eenheden binnen de proef vallen, welke contractuele en privacyvoorwaarden gelden en of gevoelige categorieën extra beperkingen nodig hebben.

Toetsmateriaal verdient een afzonderlijke aanpak. Een correct label kan helpen om delen en agenttoegang te beperken, maar vervangt geen sluitend proces voor auteurschap, versiebeheer, vrijgave en archivering van toetsen. Gebruik ook geen automatische classificatie als enige grond voor een ingrijpende beslissing over een medewerker of student.

De open beta is alleen genoemd voor Google AI Pro for Education, niet voor alle Education-edities. Dat kan binnen of tussen instellingen ongelijke toegang opleveren. Teams moeten daarom een werkbare handmatige route behouden voor onderdelen die de licentie niet hebben of niet aan de proef deelnemen.

Wat teams nu kunnen afspreken

• Maak eerst een korte, ondubbelzinnige labelset met voorbeelden en tegenvoorbeelden.
• Start met niet-kritieke bestanden en een kleine organisatie-eenheid.
• Laat privacy, informatiebeveiliging, functioneel beheer en onderwijspraktijk samen de instructies beoordelen.
• Vergelijk een steekproef van automatische labels met menselijke classificatie en registreer fout-negatieven en fout-positieven.
• Beperk wie labels mag aanpassen en leg vast wanneer een correctie moet worden gemotiveerd of nagekeken.
• Koppel blokkerende DLP- of bewaaregels pas na een gecontroleerde proef aan Gemini-labels.
• Controleer afzonderlijk de behandeling van leerlinggegevens, zorginformatie, toetsmateriaal en vertrouwelijke onderzoeksdata.
• Houd een handmatig proces beschikbaar voor gebruikers en bestanden buiten Google AI Pro for Education.

De kern

Gemini kan in Google Drive op basis van beheerinstructies automatisch classificatielabels toepassen. Voor onderwijsinstellingen biedt dat een concrete kans om bescherming, bewaarbeleid en controle op grote bestandsverzamelingen beter schaalbaar te maken.

De functie bevindt zich in open beta en blijft afhankelijk van instructiekwaliteit, licenties en menselijke correctie. Begin daarom klein, meet classificatiefouten en verbind pas daarna ingrijpende beveiligings- of bewaaregels aan de uitkomst.