Google heeft een van die tools gepresenteerd die, zonder veel rumoer buiten de ontwikkelaarswereld, uiteindelijk een echte impact kunnen hebben op hoe documentverwerking wordt geautomatiseerd. Deze tool heet LangExtract; het is een open source Python-bibliotheek die bedoeld is om rommelige tekst om te zetten in gestructureerde, verifieerbare en tracérbare data, tot aan de exacte locatie in het originele document waar de informatie vandaan komt. Google presenteerde deze officieel in juli 2025 als een oplossing om informatie uit ongestructureerde documenten te halen met behulp van taalmodellen waarin instructies en voorbeelden door de gebruiker kunnen worden ingesteld.
Deze ontwikkeling komt op een bijzonder relevant moment. Veel bedrijven blijven afhankelijk van fragiele reguliere expressies, handmatig aangepaste NER-modellen of gesloten, dure API’s voor het extraheren van data uit contracten, rapporten, dossiers, klinische notities of interne documentatie. LangExtract vervangt dat ecosysteem niet meteen, maar verhoogt wel de lat voor moderne documentextractietools: meer structuur, betere traceerbaarheid, visuele controle en enige vrijheid in het kiezen van het onderliggende model.
Het gaat niet alleen om extractie, maar vooral om aantonen waar elke data vandaan komt
Wat LangExtract onderscheidt, is niet enkel het extraheren van entiteiten — dat deden andere tools al jaren — maar vooral de zogeheten precise source grounding. In de officiële repository staat dat elke extractie exact kan worden gekoppeld aan de locatie in de tekst waar deze vandaan komt, waardoor het mogelijk is het oorspronkelijke fragment visueel te markeren en te controleren of de teruggegeven data daadwerkelijk door het document wordt ondersteund. Deze laag van verificatie is waarschijnlijk het sterkste punt, vooral in sectoren waar een fout niet slechts ongemakkelijk is, maar operationele of regelgevende risico’s met zich meebrengt.
Daarbij komt een ander technisch voordeel: interactieve visualisatie. LangExtract kan een zelfvoorzienende HTML genereren waarmee de resultaten binnen hun oorspronkelijke context kunnen worden onderzocht. Op het eerste gezicht lijkt dat niet bijzonder, maar het maakt de validatie-ervaring aanzienlijk soepeler. In plaats van enkel een JSON-uitgang of een tabel te bekijken, kan de gebruiker door de gedetecteerde entiteiten navigeren, de bron controleren en het systeem beter afstellen. Voor workflows waarin AI en menselijke supervisie samenkomen, is dat een groot pluspunt.
Ontworpen voor lange documenten en meer dan alleen Gemini
Een ander belangrijk kenmerk is dat Google LangExtract niet enkel als demonstratie voor korte teksten heeft opgezet. Het officiële blog en de repository benadrukken dat LangExtract is geoptimaliseerd voor lange documenten, onder andere door tekstfragmentatie, parallel verwering en meerdere extractierondes om de recall te verbeteren. Met andere woorden, het probeert een van de meest voorkomende problemen aan te pakken: relevante informatie vinden in grote documenten zonder belangrijke details te missen.
Bovendien is het relevant dat LangExtract niet strikt gebonden is aan één enkele provider. Hoewel Google het presenteert als een bibliotheek die gebruikmaakt van Gemini, ondersteunt het ook lokale modellen via Ollama, modellen van OpenAI via optionele dependencies, en een plugin-systeem om derden-providers toe te voegen. Dit maakt het voor bedrijven veel aantrekkelijker die willen experimenteren zonder volledig afhankelijk te worden van één platform.
Deze flexibiliteit opent bovendien de deur voor situaties waarin privacy echt een punt is. Organisaties die bepaalde documenten niet naar de cloud willen sturen, kunnen lokale implementaties overwegen met Ollama, hoewel dat wel beperkingen in kwaliteit of performance met zich mee kan brengen. Het is geen magische oplossing, maar wel een pragmatischer ontwerp dan veel gesloten API’s voor documentextractie.
Een veelbelovende bibliotheek, maar met duidelijke beperkingen
Het is verstandig om niet te overdrijven in de enthousiasme die op sociale media werd gespot. LangExtract “verdringt” niet zomaar de hele documentverwerkingsindustrie. De documentatie wijst terecht op dat de kwaliteit van de resultaten sterk afhankelijk is van het gekozen model, de helderheid van de instructies, de kwaliteit van de voorbeelden en de complexiteit van de taak. Er blijven echt scenario’s bestaan waarin traditionele regels, gespecialiseerde OCR-pipelines of aangepaste modellen in domein-specifieke contexten betere garanties kunnen bieden.
Ook moet worden benadrukt dat de repository expliciet vermeldt dat LangExtract geen officieel door Google ondersteund product is. Dat doet niets af aan de technische waarde, maar plaatst het wel in de juiste context. Het is op dit moment geen grote commerciële oplossing van Google Cloud met officiële ondersteuning, maar een open library onder een Apache 2.0-licentie die Google heeft gepubliceerd voor ontwikkelaars en de gemeenschap.
Toch zijn er al tekenen dat het in het ecosysteem wordt geaccepteerd. Microsoft Presidio bijvoorbeeld, een bekende tool voor het detecteren van gevoelige data, documenteert dat het ondersteuning biedt voor het detecteren van PII en PHI gebaseerd op taalmodellen met behulp van LangExtract. Hoewel dat niet meteen betekent dat LangExtract de standaard wordt, laat het wel zien dat het wordt gezien als een nuttig onderdeel in workflows voor privacy en documentanalyse.
De kern van de waarde van LangExtract ligt dus niet in een snelle vervanging van bestaande oplossingen, maar in het dwingende gesprek dat het op gang brengt: wat zou een moderne AI-gestuurde documentverwerking vandaag moeten kunnen bieden? Als een vrij beschikbare bibliotheek de combinatie biedt van gestructureerde extractie, karakterniveau-tracering, visuele validatie en multi-model-ondersteuning, moeten traditionele tools zich meer dan ooit verantwoorden over hun prijs, flexibiliteit en auditability. Het echte nieuws is niet dat Google de industrie “op de schop neemt”, maar dat zij een tool hebben gepubliceerd die inspeelt op een van de grootste zwaktes van AI bij documenten: het vertrouwen in de gedane extracties.
Veelgestelde vragen
Welke probleem probeert LangExtract op te lossen?
Het zet ongestructureerde tekst om in georganiseerde, verifieerbare gegevens met exacte verwijzingen naar het punt in het document waar de data vandaan komt.
Werkt LangExtract alleen met Gemini?
Nee. Het ondersteunt ook OpenAI-modellen via dependencies, lokale modellen via Ollama, en kan worden uitgebreid met plugins voor andere providers.
Kan het omgaan met zeer lange documenten?
Zeker. Google legt uit dat LangExtract gebruikmaakt van fragmentatie, parallel processing en meerdere passes om de extractie uit grote documenten te verbeteren.
Is dit een officieel product van Google met volledige ondersteuning?
Niet precies. Hoewel het door Google is gepubliceerd en besproken op hun ontwikkelaarsblog, wordt in de repository bevestigd dat het geen officieel ondersteund Google-product is.