Wat is RAG en hoe werkt een AI-gebaseerde bedrijfskennisdatabase

Wanneer een bedrijf besluit een interne assistent te maken voor medewerkers of klanten, is de eerste gedachte meestal: ‘het model trainen op onze bestanden’. Maar klassiek fine-tuning is duur en traag. Verandert er ook maar één procedure of prijs, dan moet het model opnieuw worden getraind — en betaal je opnieuw duizenden dollars voor het huren van rekenkracht.

Daarom is de sector overgestapt op RAG (Retrieval-Augmented Generation) — generatie met aangevulde zoekresultaten.

1. Hoe werkt RAG?

Simpel gezegd is RAG een student tijdens een examen die zijn samenvatting mag openslaan. Hij kent niet alles uit het hoofd. Hij vindt via de inhoudsopgave snel de juiste pagina, leest de exacte alinea en geeft een duidelijk antwoord.

Alles gebeurt in drie stappen:

1. Indexering (we bereiden de samenvatting voor): jullie bedrijfs-PDF’s, Word-bestanden of spreadsheets worden opgedeeld in kleine logische blokken (chunks) van 300–800 woorden. Elk blok wordt omgezet in een wiskundige vector (embedding) die de inhoud van de tekst beschrijft, en opgeslagen in een vectordatabase (bijvoorbeeld Qdrant of pgvector).
2. Zoeken (Retrieval): een gebruiker vraagt bijvoorbeeld: ‘wat is de procedure voor het retourneren van een defect product?’ — en het systeem vindt direct de 3–5 inhoudelijk meest relevante fragmenten uit jullie database.
3. Antwoordgeneratie (Augmented Generation): het model krijgt een systeeminstructie: ‘Beantwoord de vraag van de klant ALLEEN op basis van de onderstaande tekst. Staat het antwoord niet in de tekst, zeg dan “informatie ontbreekt” en vul niets zelf in’.

2. Wat levert dit een bedrijf op?

• Geen hallucinaties: het model blijft binnen de grenzen van de gevonden context. Garantievoorwaarden die niet in jullie regels staan, verzint het niet.
• Directe updates: vervang je een bestand op de server of pas je een pagina in Notion aan, dan geeft het systeem een minuut later al antwoord volgens de nieuwe regels.
• Bronverwijzingen: elk antwoord bevat een link naar het specifieke document en de betreffende sectie. De gebruiker kan het zelf controleren.
• Veiligheid: documenten worden geen onderdeel van de openbaar beschikbare modelgewichten en blijven binnen jullie eigen gecontroleerde omgeving.

Meer over de implementatie van deze technologie vind je op de pagina Bedrijfskennisbank en RAG. Of bekijk een praktisch voorbeeld van een Onboarding-scenario.