Hoe AI jouw bedrijf leert kennen zonder alles te uploaden

AI leert jouw bedrijf kennen via RAG (Retrieval Augmented Generation): bij elke vraag haalt het systeem de juiste stukjes uit jouw eigen systemen op en geeft die mee aan het taalmodel. Je hoeft dus niets in bulk te uploaden en je data blijft waar die staat.

Je wilt een AI-assistent die vragen over jóuw bedrijf beantwoordt, niet over de wereld in het algemeen:

• "Hoeveel omzet draaiden we in Q3?"
• "Welke klant heeft de meeste openstaande support-tickets?"
• "Wat is de status van project X?"

ChatGPT weet dit niet. En al je klantdata, offertes en administratie in een chatvenster plakken is precies wat je níet moet doen: het is onveilig, het botst met de AVG en je data is verouderd op het moment dat je op enter drukt.

Waarom kent ChatGPT jouw bedrijf niet?

Een standaard taalmodel is getraind op publieke tekst tot een bepaalde datum. Het kent jouw Exact-administratie niet, je HubSpot-pijplijn niet en de map met projectdossiers op SharePoint ook niet. Dat is geen gebrek: je wilt niet dat je bedrijfsgeheimen in een generiek model belanden.

Data handmatig uploaden lijkt een oplossing, maar levert drie nieuwe problemen op. Je verliest de controle over waar de data heen gaat. Je botst met privacy-eisen. En een geüploade export is een momentopname die morgen alweer niet meer klopt. Dat AI zonder jouw context vaak matige antwoorden geeft, heeft precies deze oorzaak, zoals je leest in waarom ChatGPT je slechte antwoorden geeft.

Wat is RAG, in gewone taal?

RAG klinkt technischer dan het is. In één zin: het AI-model haalt op het moment van de vraag de juiste stukjes uit jóuw systemen op en beantwoordt de vraag daarmee.

Zonder RAG (kale ChatGPT):

Jij: "Wat was de omzet in Q3?" → Model: "Daar heb ik geen toegang toe."

Met RAG:

Jij: "Wat was de omzet in Q3?" → het systeem zoekt in je database → vindt de relevante cijfers → Model: "De omzet in Q3 was 450.000 euro, ongeveer 12% hoger dan Q2."

Het model krijgt nooit je hele database te zien, alleen de paar fragmenten die bij die ene vraag horen.

Hoe werkt RAG onder de motorkap?

1. Indexeren. Je documenten en records worden opgeknipt en omgezet naar embeddings, een wiskundige weergave van betekenis. Die komen in een vector-database. Veelgebruikte keuzes zijn pgvector (bovenop Postgres of Supabase), Pinecone, Weaviate en Qdrant.
2. Zoeken op betekenis. Stel je een vraag, dan zoekt het systeem semantisch: het vindt tekst die bedoelt wat je vraagt, niet alleen letterlijke trefwoorden. Meestal komen de drie tot acht meest relevante fragmenten terug.
3. Antwoord genereren. Alleen die fragmenten gaan samen met je vraag naar het taalmodel (een GPT-model, Claude of een Europees model als Mistral). Het model formuleert het antwoord op basis van jouw data.
4. Bron erbij. Een goed RAG-systeem toont bij elk antwoord waar het cijfer vandaan komt, zodat je het kunt controleren. Dat verkleint de kans op verzinsels aanzienlijk.

De koppeling naar je bronnen, zoals Exact, AFAS, HubSpot, Zendesk of SharePoint, loopt via API's. Welke koppelingen mogelijk zijn, zie je op de pagina integraties.

Een rekenvoorbeeld: een accountantskantoor dat Exact doorzoekbaar maakt

Neem een accountantskantoor met zo'n vijftig klanten. Medewerkers krijgen de hele dag vragen als: "Wat is de status van de boekhouding van klant X?", "Welke facturen staan nog open?", "Hoeveel omzet draaide klant Y dit jaar?"

Nu: inloggen in Exact, filteren, cijfers verzamelen, antwoord typen. Reken op tien tot twintig minuten per vraag.

Met een RAG-assistent: de vraag intypen, het systeem zoekt in Exact en je krijgt binnen seconden antwoord met bronverwijzing.

Dit is een indicatief rekenvoorbeeld, geen belofte. Verwerkt een kantoor tachtig tot honderdtwintig van dit soort vragen per week en bespaart het gemiddeld een kwartier per vraag, dan gaat het om ruwweg twintig tot dertig uur per week. Trek daar gerust de helft van af voor controle en uitzonderingen, en er blijft nog steeds een serieuze besparing over. In ons eigen werk zien we hetzelfde patroon bij het verwerken van administratieve e-mail en het routeren van support-tickets: de winst zit in het wegnemen van repetitief opzoekwerk, niet in het vervangen van mensen.

RAG of alles naar ChatGPT uploaden?

Een belangrijke nuance over privacy: met een zakelijke API of Azure OpenAI in een EU-datacenter wordt jouw data volgens de voorwaarden van die aanbieders niet gebruikt om modellen te trainen, en kun je afspraken maken over bewaartermijnen en een verwerkersovereenkomst. Dat is een wezenlijk andere situatie dan bestanden in een gratis chatvenster plakken. Meer over die afweging lees je in ChatGPT zakelijk gebruiken: privacy en AVG.

Wat kost RAG en wanneer verdient het zich terug?

Grofweg zijn er twee scenario's:

• Basis (één bron, bijvoorbeeld je CRM of ERP): 4.000 tot 6.000 euro eenmalig, plus 200 tot 600 euro per maand aan hosting en API-verbruik.
• Uitgebreid (meerdere bronnen, met rollen en rechten): 8.000 tot 15.000 euro eenmalig, met hogere maandlasten.

De maandkosten hangen vooral af van het aantal vragen en de gekozen modellen. Een terugverdientijd noemen zonder jouw cijfers is koffiedik kijken, maar het patroon is helder: bespaart een team structureel tien uur per week op opzoekwerk, dan loopt de jaarwinst al snel op tot tienduizenden euro's, tegenover enkele duizenden aan jaarlijkse kosten. Wil je dit voor jouw situatie doorrekenen? Daar is een kort AI-consultancy-traject voor bedoeld.

Wanneer is RAG wel en niet de juiste keuze?

Wél zinvol als:

• je veel kennis in databases of documenten hebt (CRM, ERP, dossiers);
• die data privé moet blijven, zoals in zorg, HR, finance en juridisch werk;
• de data vaak verandert (orders, voorraad, statussen);
• meerdere mensen dezelfde vragen blijven stellen. Zo'n doorzoekbare kennisbank is een klassieke RAG-toepassing.

Niet nodig als:

• je AI alleen gebruikt voor algemene taken zoals e-mails opstellen;
• je nauwelijks gestructureerde data hebt om in op te zoeken;
• je informatie sowieso publiek mag zijn.

RAG of fine-tuning?

Fine-tuning hertraint een model op je data. Dat is duur en de kennis veroudert snel. RAG laat het model live meekijken met je actuele gegevens. Voor het mkb is RAG daarom vrijwel altijd sneller, goedkoper en beter houdbaar. Wil je verder naar systemen die niet alleen antwoorden maar ook zelfstandig handelen, lees dan hoe AI-agents hierop voortbouwen.

Hoe zet je de eerste stap?

Je hoeft niet groot te beginnen. Een werkbare aanpak in vier stappen:

1. Kies één bron en één type vraag dat vaak terugkomt.
2. Koppel die bron veilig via de API.
3. Zet een kleine RAG-pilot op, met bronvermelding.
4. Meet de tijdwinst een paar weken en schaal pas daarna uit.

Voor de bouw kun je terecht bij open tooling als n8n, LangChain of LlamaIndex, of bij een platform als AgentWorks. Belangrijker dan de tool is de aanpak: klein starten, meten en de mens in de controle houden.

Dit artikel is geschreven vanuit de praktijk van UnifyAI. Erwin Berkouwer werkt als vast aanspreekpunt met een netwerk van zelfstandige specialisten en heeft acht jaar ervaring met data en AI in onder meer banking, retail en e-commerce.

Wat is een logische volgende stap?

Benieuwd waar AI bij jou het meeste oplevert? Maak een AI-scan of plan een kennismaking.