Wat is Retrieval-Augmented Generation?

Wat is het eigenlijk?

Stel je voor dat je een vraag stelt aan een slimme assistent. In plaats van alleen uit zijn geheugen te antwoorden, loopt hij eerst even naar de boekenkast om de nieuwste informatie op te zoeken. Dat is in een notendop Retrieval-Augmented Generation, of RAG.

Een gewoon taalmodel zoals ChatGPT of Claude is getraind op data tot een bepaalde datum. Alles wat daarna gebeurd is, kent het niet. En soms 'verzint' zo'n model iets wat aannemelijk klinkt maar niet klopt — een hallucinatie. RAG lost beide problemen op door het model eerst te laten zoeken in een actuele database voordat het antwoord geeft.

Het werkt in twee stappen: eerst haalt het systeem relevante documenten of passages op (dat is de 'retrieval'), daarna gebruikt het taalmodel die informatie om een antwoord te genereren (de 'generation'). Zo combineert RAG het beste van twee werelden: de vloeiende taal van een AI-model en de betrouwbaarheid van echte bronnen.

Hoe werkt het in de praktijk?

Stel: je runt een webshop en wilt een chatbot die vragen beantwoordt over je producten. Je productcatalogus verandert voortdurend — nieuwe artikelen komen erbij, prijzen worden aangepast, voorraad loopt op of raakt op. Een gewoon taalmodel zou verouderde informatie geven.

Met RAG laad je je productcatalogus in een doorzoekbare database. Wanneer een klant vraagt "Hebben jullie nog blauwe hardloopschoenen maat 42?", zoekt het systeem eerst in je actuele voorraad. Het vindt de relevante productpagina's en geeft die door aan het taalmodel. Het model formuleert vervolgens een natuurlijk antwoord: "Ja, we hebben nog twee modellen in blauw, maat 42. De ene kost €89 en is geschikt voor lange afstanden, de andere kost €65 en is meer voor beginners."

De kracht zit 'm erin dat je je database kunt bijwerken zonder het hele AI-model opnieuw te trainen. Voeg je morgen een nieuw product toe? Dan kan de chatbot er meteen over praten.

Waarom zou jij hier iets aan hebben?

RAG is vooral interessant als je AI wilt inzetten op bedrijfsinformatie die regelmatig verandert:

• Klantenservice: antwoorden op basis van je actuele handleidingen, FAQ's en kennisbank

• Juridisch en compliance: zoeken in contracten, wetgeving en interne beleidsregels die constant worden bijgewerkt

• Interne kennisdeling: medewerkers kunnen vragen stellen over procedures, projectdocumentatie of bedrijfsrichtlijnen

• Onderzoek en analyse: snel inzichten halen uit grote hoeveelheden rapporten, artikelen of datasets

Het grote voordeel: je houdt controle over de bronnen. Bij een gewoon taalmodel weet je niet waar een antwoord vandaan komt. Met RAG kun je zien welke documenten zijn geraadpleegd, en je kunt ervoor kiezen dat het systeem alleen antwoorden geeft als het relevante informatie vindt.

Waar kom je het tegen?

RAG zit inmiddels in veel zakelijke AI-toepassingen:

• Chatbots en virtuele assistenten die bedrijfsdocumenten doorzoeken

• Kennisplatformen zoals Notion AI, die je eigen notities en documenten kunnen bevragen

• Klantenservice-tools zoals Intercom of Zendesk met AI-functies

• Zoekmachines voor bedrijfsinformatie zoals Glean of Hebbia

• Microsoft Copilot in combinatie met SharePoint of OneDrive

• Custom oplossingen gebouwd met frameworks zoals LangChain of LlamaIndex

Steeds meer platforms bieden RAG-functionaliteit aan zonder dat je zelf technisch hoeft te zijn. Je uploadt je documenten, en de tool regelt de rest.

Wat kun je ermee?

Als je overweegt om RAG in te zetten, begin dan klein. Kies één kennisdomein waar je medewerkers of klanten vaak vragen over hebben — bijvoorbeeld productinformatie, HR-beleid of technische documentatie. Upload die informatie naar een platform dat RAG ondersteunt en test of de antwoorden kloppen.

Let wel op: RAG is geen wondermiddel. De kwaliteit van de antwoorden hangt af van de kwaliteit van je documenten. Slordige, verouderde of tegenstrijdige informatie in je database levert ook slordige antwoorden op. Zie het als een slimme zoekfunctie met een praatje — niet als een alwetende assistent.