Hoe AI Jouw Bedrijf Leert Kennen (Zonder Alles naar ChatGPT Te Uploaden)

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 allemaal niet. En de voor de hand liggende oplossing, al je klantdata, offertes en administratie in een chatvenster plakken, is precies wat je níet moet doen. Het is onveilig, botst met de AVG, en je data is verouderd op het moment dat je op enter drukt. Er is een betere manier waarop AI jouw bedrijf leert kennen zonder dat je iets prijsgeeft: RAG.

ChatGPT kent jouw bedrijf niet, en dat hoort ook zo

Een standaard taalmodel is getraind op publieke tekst tot een bepaalde datum. Het heeft nul kennis van jouw Exact-administratie, je HubSpot-pijplijn of de map met projectdossiers op SharePoint. Dat is geen gebrek: je wílt niet dat je bedrijfsgeheimen in een generiek model belanden.

Data handmatig uploaden lost dat schijnbaar op, 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-modellen zonder jouw context vaak matige antwoorden geven, heeft precies deze oorzaak, zoals we uitleggen in waarom ChatGPT je slechte antwoorden geeft.

RAG: AI die jouw data leest, niet bezit

RAG staat voor Retrieval Augmented Generation. De naam klinkt technischer dan het idee 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. Je data blijft staan waar die staat.

Het verschil in de praktijk:

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. Je gegevens blijven volledig in jouw beheer.

Wat er onder de motorkap gebeurt, in vier stappen

1. Indexeren. Je documenten en records worden opgeknipt en omgezet naar "embeddings", een wiskundige weergave van betekenis. Die komen in een vector-database. Populaire keuzes zijn pgvector (bovenop je bestaande 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 (GPT-4o, Claude, of een Europees model als Mistral). Het model formuleert het antwoord op basis van jóuw 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 drastisch.

De koppeling naar je bronnen, denk aan Exact, AFAS, HubSpot, Zendesk of SharePoint, loopt via API's. Hoe je die netjes en veilig ontsluit, lees je in AI koppelen aan Exact Online, AFAS of HubSpot. Wil je dat wij die koppelingen voor je verzorgen, kijk dan bij onze integraties.

Rekenvoorbeeld: een accountantskantoor dat Exact ontsluit

Neem een accountantskantoor met zo'n vijftig klanten. De 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 mét bronverwijzing.

Dit is een indicatief rekenvoorbeeld, geen belofte. Maar de rekensom is eenvoudig. Verwerkt een kantoor tachtig tot honderdtwintig van dit soort vragen per week en bespaart het daarbij gemiddeld een kwartier per vraag, dan gaat het al gauw 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 terug bij automatiseringen rond administratieve e-mailverwerking en het routeren van support-tickets: de winst zit in het wegnemen van repetitief opzoekwerk, niet in het vervangen van mensen.

RAG vs. alles naar ChatGPT uploaden

Een belangrijke nuance over privacy: met een zakelijke API of Azure OpenAI in een EU-datacenter wordt jouw data 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 het, 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 navenant hogere maandlasten.

De maandkosten hangen vooral af van het aantal vragen en de gekozen modellen. Een exacte 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 in de tienduizenden euro's, tegenover enkele duizenden aan jaarlijkse kosten. Wil je dit voor jouw situatie doorrekenen in plaats van met vuistregels werken? Daar is een kort AI-consultancy-traject precies voor bedoeld.

Wanneer RAG wél en niet de juiste keuze is

Wél zinvol als:

• je veel kennis in databases of documenten hebt (CRM, ERP, dossiers);
• die data privé moet blijven, denk aan zorg, HR, finance en juridisch;
• 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.

Let ook op het verschil met fine-tuning: dat hertraint een model op je data, wat duur is en snel veroudert. 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 in de richting van systemen die niet alleen antwoorden maar ook zelfstandig handelen, lees dan hoe AI-agents hierop voortbouwen.

Zelf de eerste stap zetten

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

1. Kies één bron en één type vraag dat vaak terugkomt.
2. Ontsluit die bron veilig via de API.
3. Zet een kleine RAG-pilot op, mét 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 onafhankelijke platforms zoals 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 specialisten en heeft acht jaar ervaring met data en AI in onder meer banking, retail en e-commerce. We werken remote-first en zijn er eerlijk over wat wél en niet loont.

Benieuwd hoe AI-ready jouw organisatie is? Doe de AI-scan en zie in een paar minuten waar de kansen liggen, of plan een vrijblijvend gesprek via contact.