Als ondernemer of marketeer voelt zoeken nog steeds alsof iemand een vraag stelt en Google antwoord geeft. Alleen, je ziet al een tijdje dat het schuift. Suggesties komen eerder, antwoorden staan bovenaan, en steeds vaker lijkt Google al te weten waar je naartoe wilt. Wat nu op tafel ligt, is de volgende stap: intentie begrijpen zonder dat er eerst een zoekopdracht komt. Niet in de cloud, maar op het toestel zelf, met kleine AI modellen die verrassend goed meekomen.
Wat er echt verandert: van zoekvraag naar gedragsintentie
In een research paper die Google presenteerde op EMNLP 2025 beschrijven onderzoekers hoe intentie uit gedrag gehaald kan worden. Niet uit woorden, maar uit wat iemand doet: tikken, klikken, scrollen, schermwissels, en hoe een sessie zich stap voor stap ontwikkelt.
Dat is belangrijk, omdat de zoekvraag in zo’n scenario niet meer het startpunt is. Het is hooguit één signaal tussen andere signalen. Als Google straks eerder snapt dat iemand prijzen vergelijkt, een afspraak wil plannen of een product probeert terug te sturen, dan hoeft die persoon dat niet eerst netjes te formuleren. Het systeem kan al meedenken voordat er een query verschijnt.
Je merkt meteen waarom dit groter is dan een technisch experiment. Als Google richting assistenten en agents wil, die suggesties doen of acties klaarzetten, dan is “bedoeling herkennen” de basis. Zonder dat begrip krijg je irritante aanbevelingen. Met dat begrip krijg je een systeem dat echt helpt.
Waarom Google dit naar het toestel wil brengen
Grote modellen kunnen dit soort intentie al afleiden, maar meestal draaien ze in de cloud. Dat levert drie praktische problemen op, en die zijn voor Google net zo relevant als voor jou.
Ten eerste is er vertraging. Gedrag analyseren terwijl iemand bezig is, vraagt snelheid. Ten tweede zijn de kosten hoog. Als je bij elke sessie zware rekenkracht nodig hebt, loopt dat op. Ten derde is er privacy. Klikgedrag en scherminhoud kunnen gevoelig zijn, zeker als het gaat om gezondheid, financiën of privéberichten.
Daarom is de stap logisch: kleinere modellen die op het device draaien, zodat data het toestel niet hoeft te verlaten. Alleen, kleine modellen hebben een zwakte die iedereen herkent die ermee werkt. Geef ze een lange, rommelige geschiedenis en vraag om één goede conclusie, dan gaat het mis. Ze missen details of ze vullen dingen in die niet in de data staan.
De kern van het paper: intentie begrijpen door het op te knippen
Het paper heet “Small Models, Big Results: Achieving Superior Intent Extraction through Decomposition”. De truc is geen exotische nieuwe architectuur. Het is een simpele ontwerpkeuze: maak het probleem kleiner door het in twee stappen te knippen.
In stap één vat een klein multimodaal model elke scherminteractie apart samen. Het noteert wat er op het scherm te zien was, wat de gebruiker deed, en het mag daar een voorlopige gok bij zetten over het waarom.
In stap twee komt een tweede klein model in beeld. Dat model krijgt niet het hele rauwe gedrag en ook niet die gokjes. Het ziet alleen de feitelijke onderdelen van die samenvattingen. Op basis daarvan schrijft het één korte zin die de overkoepelende bedoeling van de sessie beschrijft.
Hier zit een volwassen les in die ik ook in marketingteams vaak zie. Als je één persoon vraagt om een chaotische week aan klantcontacten samen te vatten in één conclusie, dan krijg je of een te algemeen verhaal of een interpretatie die net naast de werkelijkheid zit. Eerst structureren, dan concluderen werkt bijna altijd beter. Google past dat principe nu toe op intentieherkenning.
Waarom dit beter werkt voor kleine modellen
Kleine modellen kunnen best goed waarnemen, labelen en korte stukjes tekst maken. Waar ze vaak op stuklopen is lang redeneren over veel stappen tegelijk, zeker als er ruis in zit. Door elke interactie eerst netjes te samenvatten, maak je de input korter, consistenter en beter te verwerken.
Nog belangrijker is dat Google de speculatie uit het eindresultaat haalt. Die eerste stap mag een voorlopig idee toevoegen, maar in de tweede stap wordt dat bewust genegeerd. Daardoor daalt de kans op hallucinaties, dus dat het systeem betekenis verzint die niet in het gedrag terug te vinden is.
Dat is een detail dat je niet moet onderschatten. Als intentieherkenning de motor wordt onder suggesties en antwoorden, dan is “verzonnen zekerheid” schadelijk. Niet alleen voor gebruikersvertrouwen, maar ook voor beslissingen die mensen nemen op basis van die hulp.
Hoe ze meten: niet alleen of het klopt, maar ook hoe het misgaat
Een interessant punt in het onderzoek is de manier van evalueren. In plaats van te kijken of een intentiesamenvatting ongeveer lijkt op een referentietekst, gebruiken ze een methode die Bi Fact heet. Daarbij wordt intentie gezien als een set van kleine feiten, en dan meet je welke feiten ontbreken en welke feiten onterecht zijn toegevoegd.
De hoofdscore die ze noemen is een F1 score, een combinatie van precisie en volledigheid. Daarmee laten ze zien dat kleine modellen, met deze tweestapsaanpak, het beter doen dan andere small model benaderingen.
Een opvallend resultaat is dat Gemini 1.5 Flash, een model in de 8B klasse, op mobiele gedragsdata mee kan komen met Gemini 1.5 Pro. Niet omdat het ineens slimmer is geworden, maar omdat de taak zo is vormgegeven dat het model minder kansen krijgt om te ontsporen.
Bi Fact helpt ook om te begrijpen waar systemen falen. Mis je vooral belangrijke details, of voeg je juist dingen toe die niet in de sessie zaten. Dat soort inzicht is nuttig, omdat het je laat zien welk type fout je moet verminderen, zeker als je dit ooit in producten wilt stoppen.
Nog een realistisch punt: rommelige labels zijn de norm en daar houdt dit beter stand
In de echte wereld zijn labels zelden netjes. Als je gedrag van gebruikers verzamelt en daar intenties aan koppelt, zit er ruis in. Mensen doen meerdere dingen tegelijk, sessies zijn onderbroken, en annotaties zijn soms discutabel.
Het paper laat zien dat die rommeligheid end to end systemen, die alles in één keer willen leren, harder raakt. De stap voor stap aanpak blijft stabieler wanneer de trainingsdata niet perfect is.
Dat is precies waarom ik hier waarde in zie. Dit onderzoek voelt niet als een labspelletje met schone data. Het is gericht op hoe mensen zich echt gedragen op mobiel, met alle onhandige tussenstappen die daarbij horen.
Wat dit betekent voor SEO en groei in Nederland: de journey wordt belangrijker dan de laatste zoekopdracht
Als intentie eerder wordt afgeleid dan de query, dan verschuift de focus van alleen “welke woorden typen mensen” naar “welke route volgen mensen totdat ze een beslissing nemen”. Keywords blijven relevant, maar het zijn niet meer de enige haakjes waaraan begrip hangt.
Voor jou betekent dit dat de logica van je klantreis zwaarder gaat meewegen. Niet als theoretisch model in een presentatie, maar als echte ervaring op schermniveau. Kunnen mensen snel vinden wat ze zoeken. Wordt er op elke stap bevestigd dat ze op de juiste plek zijn. Zijn keuzes en vervolgstappen helder. En klopt de informatie op mobiel, waar veel sessies beginnen en eindigen.
Ook content krijgt een andere rol. Niet alleen een pagina die scoort op een term, maar een pagina die helpt om een taak af te ronden. Denk aan duidelijkheid rond verzenden en retourneren, concrete productvergelijkingen, en heldere uitleg bij services. Als gedragssignalen belangrijker worden, dan worden frustraties en omwegen ook zichtbaarder.
Ik zou dit niet lezen als “SEO is voorbij”. Ik lees het als een terugkeer naar de basis, maar dan met betere meetinstrumenten aan de kant van Google. Als jouw site voelt als een logisch pad, dan help je zowel je klant als het systeem dat probeert te begrijpen wat die klant wil.
Wat je nu al kunt doen zonder in paniek te raken
Je hoeft geen on device modellen te bouwen om hier voordeel uit te halen. Het praktische werk zit in het verminderen van twijfel en ruis in je journeys.
Begin met je belangrijkste scenario’s. Een nieuwe klant die een product wil vergelijken. Iemand die een offerte wil aanvragen. Een bestaande klant die een bestelling wil terugvinden. Loop die paden op mobiel door, en wees eerlijk over waar je zelf gaat zoeken, terugklikt of afhaakt. Dat soort kleine frictie is precies het gedrag waar intentiesystemen later conclusies uit trekken.
Zorg daarnaast dat je pagina’s taakgericht zijn. Niet langer alleen informatief, maar ook afrondbaar. Als iemand na twee minuten scrollen nog steeds niet weet wat de volgende stap is, dan is dat zowel een conversieprobleem als een intentieprobleem.
Tot slot is het verstandig om je analytics en event tracking op orde te hebben, niet om mensen te volgen, maar om te begrijpen waar het misgaat. Als je niet ziet waar de route breekt, kun je ook niet verbeteren.
Tot slot: dit is een signaal, geen eindstation
Google werkt zichtbaar toe naar een fase waarin het eerder begrijpt wat iemand wil, soms nog voordat die persoon het zelf netjes in woorden heeft gegoten. Dit paper laat zien hoe ze dat technisch mogelijk maken met kleine multimodale modellen op het toestel, via een simpele maar slimme opsplitsing van het probleem.
Voor ondernemers en marketeers is de les helder. Richt je niet alleen op de laatste zoekterm, maar op de hele ervaring die daaraan voorafgaat. Wie de klantreis helder maakt, maakt intentie herkenbaar. En dat wordt in deze volgende fase een voordeel dat je niet met een trucje kunt kopen, maar wel met aandacht kunt verdienen.
Wie het zelf wil nalezen kan zoeken naar de Google Research publicatie met dezelfde titel als het paper: “Small models, big results: Achieving superior intent extraction through decomposition”.