TL;DR
- Wat: Google bracht Gemini Embedding 2 uit — het eerste AI-model dat tekst, beeld, video én audio tegelijk kan omzetten naar doorzoekbare vectoren.
- Waarom relevant: Embeddings zijn de technologie achter slimme zoekfuncties, productaanbevelingen en AI-chatbots — zaken die steeds vaker in bedrijfssoftware zitten.
- Wat je ermee kunt: Bekijk of jouw zoekfunctie, klantenservice of productcatalogus baat zou hebben bij zoeken op betekenis in plaats van exacte zoektermen.
Ik stuitte deze week op een tweet van Google AI waarin ze Gemini Embedding 2 aankondigden — hun eerste model dat tekst, beeld, video en audio in één keer kan verwerken. Maar wat me vooral opviel, was de vraag die ze er zelf aan vastknoopten: "Maar wat ís een embedding eigenlijk?" Dat vond ik een mooi startpunt, want het is precies de vraag die ik verwacht van ondernemers die AI willen begrijpen zonder informaticus te hoeven worden.
Embeddings uitgelegd — zonder wiskundeformules
Stel je voor dat je een gigantische bibliotheek hebt. Niet gesorteerd op alfabet of categorie, maar op betekenis. Boeken over hondenverzorging staan naast boeken over kattenvoeding — niet omdat de titels op elkaar lijken, maar omdat het onderwerp verwant is. Dat is in de kern wat embeddings doen.
Een embedding is een manier om informatie — een stuk tekst, een afbeelding, een geluidsfragment — om te zetten in een reeks cijfers (een zogenoemde vector). Die cijfers beschrijven de betekenis van die informatie. Twee stukken tekst die over hetzelfde gaan, krijgen vergelijkbare cijferreeksen. Twee stukken tekst die niets met elkaar te maken hebben, krijgen heel andere reeksen.
Dit klinkt abstract, maar de gevolgen zijn heel concreet. Een traditionele zoekfunctie op je website zoekt naar het exacte woord dat iemand intypt. Zoekt een klant op "regenjas", dan vindt de zoekfunctie alleen producten met het woord "regenjas" in de titel. Met embeddings begrijpt het systeem dat "waterdichte jas" en "outdoorjack" óók relevante resultaten zijn. Het zoekt op betekenis, niet op letters.
Wat is Gemini Embedding 2 precies?
Google bracht op 10 maart 2026 Gemini Embedding 2 uit in publieke preview. Wat dit model bijzonder maakt ten opzichte van eerdere embedding-modellen, is dat het natively multimodal is. Dat wil zeggen: het kan niet alleen tekst verwerken, maar ook afbeeldingen (tot zes per keer), video (tot 120 seconden), audio en zelfs PDF-documenten — en al die informatie in dezelfde "betekenisruimte" plaatsen.
Concreet betekent dat: je kunt een foto uploaden en het systeem vindt automatisch bijpassende teksten, video's of andere afbeeldingen. Niet omdat er een label op staat, maar omdat het model de inhoud begrijpt.
Wat zeggen de eerste gebruikers?
Volgens Google's eigen blog heeft mediabedrijf Paramount Skydance het model getest voor het doorzoeken van video-archieven. Ze behaalden een zogenoemd recall-percentage van 85,3% bij het zoeken van video's op basis van tekstomschrijvingen. Dat betekent dat het systeem in ruim 85 van de 100 gevallen de juiste video wist te vinden op basis van een beschrijving alleen — zonder tags of handmatige labels.
Ook in de juridische sector wordt het model getest voor het doorzoeken van grote hoeveelheden documenten. En een wellness-app meldde een verbetering van 20% in de relevantie van zoekresultaten na de overstap.
Ik vind het eerlijk gezegd indrukwekkend dat één model nu tekst, beeld, video én geluid in dezelfde zoekruimte kan plaatsen. Dat was tot voor kort iets dat alleen met meerdere losse modellen kon, en dan nog met veel geknoop eromheen.
Wat betekent dit voor een Nederlands bedrijf?
Nu denk je misschien: leuk voor Google en voor grote mediabedrijven, maar wat heb ík eraan? Dat is precies de vraag die ik mezelf ook stelde. Een paar scenario's waar ik iets in zie:
Slimmere zoekfuncties
Heb je een webshop met honderden of duizenden producten? Dan weet je dat klanten lang niet altijd zoeken met de exacte productnaam. Ze typen "cadeau voor opa" of "iets voor buiten". Een zoekfunctie op basis van embeddings begrijpt die intentie en toont relevante producten — ook als die woorden nergens in je productbeschrijving staan.
Meerdere Nederlandse AI-dienstverleners, zoals Wux en Didev, schrijven al over deze toepassingen voor het MKB. Het is geen toekomstmuziek meer; de technologie is beschikbaar.
Interne kennisbanken doorzoekbaar maken
Stel dat je als ondernemer een map vol handleidingen, instructievideo's en beleidsdocumenten hebt. Met een multimodal embedding-model zou je één zoekveld kunnen maken dat door al die bestanden tegelijk zoekt — op inhoud, niet op bestandsnaam. Een medewerker typt "hoe stel ik de machine opnieuw in" en krijgt zowel de relevante PDF als het instructiefilmpje.
Klantenservice en chatbots
Veel chatbots werken al met een vorm van embeddings onder de motorkap. Ze zetten de vraag van een klant om naar een vector, zoeken de meest relevante stukken uit je kennisbank, en formuleren daar een antwoord mee. Dit heet Retrieval-Augmented Generation (RAG) — een term die je steeds vaker tegenkomt. Met multimodale embeddings wordt dit krachtiger, omdat het systeem ook afbeeldingen en video's kan meenemen in het antwoord.
Hoe zit het met kosten en complexiteit?
Dat is de vraag die ik nog niet helemaal beantwoord zie. Google biedt Gemini Embedding 2 aan via hun Gemini API en Vertex AI-platform, en er zijn integraties met populaire tools als LangChain, Weaviate en ChromaDB. Maar de precieze prijsstructuur is op dit moment nog niet helder gecommuniceerd in de publieke documentatie die ik heb kunnen vinden.
Wat ik wel weet: je hebt naast het embedding-model zelf ook een vectordatabase nodig — een plek om al die cijferreeksen op te slaan en snel te doorzoeken. Dat is een extra component in je IT-landschap. Voor een klein bedrijf is dit niet iets dat je zomaar op een vrijdagmiddag opzet. Maar het is ook niet meer het exclusieve terrein van techreuzen. Er zijn steeds meer kant-en-klare oplossingen die de drempel verlagen.
Een belangrijk technisch detail: het model ondersteunt Matryoshka Representation Learning. Dat betekent dat je de omvang van je vectoren kunt verkleinen (van 3.072 naar 1.536 of 768 dimensies) om opslagkosten te besparen, met een beperkt verlies aan nauwkeurigheid. Vergelijk het met het kiezen tussen een hoge en lagere resolutie foto — soms is "goed genoeg" precies wat je nodig hebt.
Niet de enige speler
Ik wil hierbij wel aantekenen dat Google niet de enige is die embedding-modellen aanbiedt. OpenAI, Cohere, Voyage AI en diverse open-source-alternatieven zijn er ook. De keuze hangt af van je specifieke toepassing, budget en waar je data mag staan. Voor Nederlandse bedrijven die met gevoelige klantdata werken, is dat laatste punt — dataverwerking en privacy — iets om serieus mee te nemen.
Een stille bouwsteen die steeds zichtbaarder wordt
Wat mij opvalt aan embeddings is dat het een technologie is die al járen meegaat, maar pas nu echt zichtbaar wordt voor een breder publiek. De meeste ondernemers gebruiken het al zonder het te weten — als je Google zoekt, als Netflix je iets aanbeveelt, als je CRM-systeem automatisch vergelijkbare klanten groepeert.
Dat Google nu een model uitbrengt dat tekst, beeld, video en audio samenvoegt, is wat mij betreft vooral een signaal dat de bouwstenen van AI steeds toegankelijker worden. Niet elk bedrijf hoeft er morgen mee aan de slag. Maar als je nu een zoekfunctie laat bouwen, een chatbot implementeert, of nadenkt over hoe je interne kennis beter vindbaar maakt — dan is het goed om te weten dat deze laag bestaat. Het is de onzichtbare fundering waarop steeds meer slimme toepassingen gebouwd worden.