RAG uitleg: AI die antwoordt op basis van je eigen documenten

RAG staat voor retrieval-augmented generation. Het klinkt technisch, maar het idee is simpel: voordat de AI antwoord geeft, zoekt het eerst de relevante stukken op in jouw eigen documenten, en baseert het antwoord daarop. Zo krijg je antwoorden die kloppen met jouw situatie, met een verwijzing naar de bron. In dit artikel lees je hoe RAG werkt, waarvoor je het gebruikt, welke tools er zijn en wat het kost.

Dit artikel hoort bij onze pillar AI voor bedrijven en sluit aan op AI op je eigen data.

Hoe RAG werkt in gewone taal

Een gewoon taalmodel antwoordt uit zijn getrainde geheugen. Dat geheugen bevat geen kennis van jouw bedrijf en kan verouderd zijn. RAG voegt een stap toe.

Het grote voordeel: de AI verzint minder, want het antwoord is gebaseerd op echte stukken uit jouw bestanden. En je ziet de bron, zodat je het kunt controleren.

Waarvoor je RAG gebruikt

Stel: een medewerker vraagt "wat is onze garantietermijn voor product X". Een RAG-systeem zoekt dat op in jouw voorwaarden en geeft het antwoord met de bron erbij. Dat is veel betrouwbaarder dan een gewone chatbot die het antwoord uit zijn geheugen probeert te halen. Dit sluit aan op AI voor klantenservice, waar antwoorden op je eigen documentatie het verschil maken.

Waarom RAG minder hallucineert

Generatieve AI kan overtuigend klinkende onzin produceren. RAG vermindert dat risico door het antwoord te baseren op opgehaalde, echte passages. Het risico is niet nul: de AI kan nog steeds een passage verkeerd interpreteren. Daarom is bronvermelding essentieel, zodat je het antwoord kunt natrekken. Dat maakt RAG geschikt voor situaties waar juistheid telt.

Tools voor RAG in het MKB

Werk je al in Microsoft 365, dan kun je RAG benaderen via Copilot op je SharePoint-documenten. Lees de uitleg over Microsoft Copilot. Wil je AI zakelijk inzetten op je eigen materiaal, dan is AI op je eigen data het logische vervolg.

Wat je nodig hebt om te starten

• Geordende documenten. RAG is zo goed als je documenten. Rommelige, verouderde bestanden geven rommelige antwoorden.
• Een veilige omgeving. Je voert bedrijfsdocumenten in, dus let op de privacy en kies opslag binnen de EU. Lees over AI en de AVG.
• Een duidelijke eerste use case. Begin met één afgebakend gebied, bijvoorbeeld je interne kennisbank.

Praktijkvoorbeeld

Een technische groothandel met 40 medewerkers zette RAG in op de productdocumentatie en de algemene voorwaarden. Medewerkers van de klantenservice kregen antwoorden met bronvermelding, in plaats van zelf te zoeken in honderden documenten. De gemiddelde zoektijd per vraag daalde van enkele minuten naar seconden, en het aantal foute antwoorden nam af doordat elk antwoord een bron had. De kosten waren 300 euro per maand.

Wanneer RAG loont, en wanneer niet

RAG laat een AI-model antwoorden op basis van jouw eigen documenten, in plaats van alleen op algemene kennis. Dat verlaagt het aantal verzonnen antwoorden fors, omdat het model put uit bronnen die jij aanlevert. Maar het is niet altijd de beste keuze.

Het verschil met een model finetunen is belangrijk. Finetunen past het model zelf aan en is duurder en trager te onderhouden. RAG laat het model ongemoeid en koppelt er een actuele kennisbank aan; je werkt die bij door simpelweg documenten toe te voegen. Voor de meeste MKB-toepassingen is RAG daarom de logische eerste keuze, met kosten die vaak rond enkele tientallen tot honderden euro per maand liggen, afhankelijk van het volume.

Wat je nodig hebt, is overzichtelijk: een verzameling betrouwbare documenten, een tool die die doorzoekbaar maakt, en goede afspraken over wat erin mag. Houd er rekening mee dat 20 tot 30 procent van je eerste resultaten bijstelling vraagt; vaak ligt dat aan rommelige of verouderde brondocumenten, niet aan de techniek. Een paar uur opschonen per week levert dan meer op dan een duurdere tool. Belangrijk blijft de privacy: zet je gevoelige of persoonsgegevens in een RAG-systeem, kies dan een leverancier die voldoet aan de AVG en je data niet gebruikt om modellen te trainen. Lees ook eigen data en AI voor de veilige inrichting.

RAG in cijfers

• RAG verlaagt het aantal verzonnen antwoorden fors, omdat het model put uit jouw eigen bronnen.
• De kosten liggen voor het MKB vaak tussen enkele tientallen en enkele honderden euro per maand.
• Reken erop dat 20 tot 30 procent van je eerste resultaten bijstelling vraagt, meestal door rommelige brondocumenten.
• Een paar uur per week je documenten opschonen levert vaak meer op dan een duurdere tool.
• Een eenvoudige RAG-opzet is in 2 tot 4 weken werkend te krijgen.
• Houd 1 tot 2 uur per maand aan om je kennisbank actueel te houden.

Het verschil met een model finetunen blijft belangrijk. Finetunen past het model zelf aan en is duurder en trager te onderhouden, terwijl je een RAG-kennisbank bijwerkt door simpelweg documenten toe te voegen. Voor de meeste MKB-toepassingen is RAG daarom de logische eerste keuze. Begin met 1 afgebakende toepassing, bijvoorbeeld vragen over je interne handleidingen of je productinformatie, meet het resultaat na 6 tot 8 weken en breid pas daarna uit. Zet je persoons- of gevoelige gegevens in een RAG-systeem, kies dan een leverancier die voldoet aan de AVG en je data niet gebruikt om modellen te trainen.

Veelgestelde vragen

Is RAG hetzelfde als een chatbot?

Nee. Een gewone chatbot antwoordt uit zijn geheugen. RAG zoekt eerst in jouw documenten en antwoordt op basis daarvan, met bron.

Verzint RAG nooit iets?

Het verzint veel minder, maar niet nul. Daarom is de bronvermelding belangrijk, zodat je kunt controleren.

Wat heb ik minimaal nodig?

Geordende documenten en een veilige omgeving. Begin met één afgebakende use case.

Wat RAG oplevert in cijfers

Kosten en terugverdientijd

Een team van 10 medewerkers dat elk 2 uur per week minder kwijt is aan zoeken, wint 20 uur per week terug. Bij een uurtarief van 40 euro is dat 800 euro per week, ofwel meer dan 3.000 euro per maand. Tegenover kosten van 100 tot 500 euro per maand verdient een RAG-oplossing zich daarmee vaak binnen 1 tot 2 maanden terug.

In 3 stappen starten

1. Orden je documenten. RAG is zo goed als je bestanden. Reken op enkele uren opschoonwerk vooraf.
2. Kies 1 afgebakende use case. Bijvoorbeeld je interne kennisbank of je productdocumentatie.
3. Test met een kleine groep. Laat 5 tot 10 medewerkers 2 tot 4 weken meedraaien en meet de zoektijd.

Houd rekening met de privacy: je voert bedrijfsdocumenten in, dus kies opslag binnen de EU en een zakelijke omgeving waar data niet wordt gebruikt voor training. Lees ook AI op je eigen data en AI en de AVG.

Samenvatting

RAG laat AI antwoorden op basis van jouw eigen documenten, met bronvermelding en minder verzonnen feiten. Het verandert AI van een algemene assistent in een collega die jouw handboeken en contracten kent. Begin met geordende documenten, één duidelijke use case en een veilige omgeving. Zo haal je betrouwbare antwoorden uit de kennis die je al in huis hebt.