Wat is RAG AI? Uitleg voor het MKB
Erwin Berkouwer
RAG (Retrieval-Augmented Generation) is een AI-techniek waarbij een taalmodel eerst relevante informatie opzoekt in externe documenten en die vervolgens gebruikt om een antwoord te formuleren, in plaats van alleen te vertrouwen op zijn trainingsdata. Voor het MKB is dit relevant omdat het eigen bedrijfsdata doorzoekbaar maakt voor AI-toepassingen zoals klantenservice-chatbots, zonder dat een taalmodel opnieuw getraind hoeft te worden.
RAG (Retrieval-Augmented Generation) combineert een taalmodel met een zoekfunctie over jouw eigen documenten, zodat AI feitelijk juiste antwoorden geeft op basis van actuele bedrijfsinformatie in plaats van alleen trainingsdata.
RAG staat voor Retrieval-Augmented Generation: een techniek waarbij een AI-taalmodel eerst relevante informatie opzoekt in een externe bron (zoals jouw bedrijfsdocumenten) en die informatie vervolgens gebruikt om een antwoord te formuleren. Het resultaat is een AI die antwoordt op basis van actuele, controleerbare bedrijfsdata in plaats van alleen wat het model ooit heeft geleerd tijdens training.
Voor een MKB-ondernemer is dat verschil concreet: zonder RAG geeft een chatbot algemene, soms verzonnen antwoorden. Met RAG doorzoekt diezelfde chatbot eerst jouw handleidingen, prijslijsten of klantendossiers, en baseert het antwoord daarop.
Hoe werkt RAG in gewone taal
RAG bestaat uit twee stappen die na elkaar gebeuren, telkens wanneer iemand een vraag stelt.
Stap 1: Retrieval (ophalen)
Het systeem zoekt eerst in een verzameling documenten naar de stukken tekst die het meest relevant zijn voor de gestelde vraag. Deze documenten zijn vooraf omgezet naar een doorzoekbare vorm, meestal opgeslagen in een zogeheten vector database. Dat is in essentie een index die betekenis, niet alleen letterlijke woorden, kan matchen.
Stap 2: Generation (genereren)
De gevonden tekstfragmenten worden samen met de oorspronkelijke vraag aan een LLM (large language model, zoals GPT of Claude) gegeven. Het model formuleert daarmee een lopend, natuurlijk antwoord, gebaseerd op wat het net heeft "gelezen" in plaats van puur uit zijn eigen geheugen.
Zie het als een medewerker die, voordat hij een vraag beantwoordt, eerst snel het juiste dossier erbij pakt in plaats van blind op zijn geheugen te vertrouwen.
Het grote voordeel: je hoeft het taalmodel zelf niet aan te passen. Je voegt alleen een zoeklaag toe over je eigen data. Dat maakt RAG in de praktijk goedkoper en sneller te implementeren dan het trainen van een eigen model.
Waarom RAG relevant is voor het Nederlandse MKB
De meeste MKB-bedrijven hebben geen tijd of budget om een taalmodel te laten finetunen op hun eigen data, en dat is meestal ook niet nodig. RAG lost een specifiek en herkenbaar probleem op: AI die de eigen bedrijfscontext niet kent.
Concrete redenen waarom dit relevant is:
| Probleem zonder RAG | Oplossing met RAG |
|---|---|
| Chatbot verzint antwoorden over jouw producten | Chatbot zoekt eerst in jouw productdocumentatie |
| Kennis zit vast in hoofden van medewerker(s) | Kennis wordt doorzoekbaar voor iedereen (en AI) |
| Bedrijfsinformatie verandert, model blijft verouderd | Documenten update je los, zonder het model opnieuw te trainen |
| Elk AI-antwoord moet handmatig gecontroleerd worden | Antwoorden zijn te herleiden naar een brondocument |
Omdat je geen model hoeft te trainen, blijft de investering behapbaar. De meeste MKB-toepassingen van RAG draaien op een beperkte set documenten (denk aan tientallen tot een paar honderd pagina's), niet op complete datawarehouses.
Een concreet voorbeeld
Stel: een installatiebedrijf krijgt dagelijks vergelijkbare vragen van klanten over garantietermijnen, onderhoudsschema's en foutcodes van apparatuur. Die informatie staat verspreid in handleidingen, oude e-mails en het hoofd van de servicemonteur.
Met een RAG-opzet:
- Alle handleidingen, garantievoorwaarden en veelgestelde vragen worden verzameld en doorzoekbaar gemaakt.
- Een klant stelt een vraag via de chat op de website.
- Het systeem zoekt het relevante fragment op (bijvoorbeeld de garantiepagina van dat specifieke apparaat).
- De AI formuleert een antwoord in gewone taal, gebaseerd op dat fragment, en kan er zelfs naar verwijzen.
Het resultaat is een klantenservice-chatbot die feitelijk correcte, herleidbare antwoorden geeft, in plaats van een generieke chatbot die maar wat verzint. Dit is ook precies het soort toepassing dat wij bouwen binnen onze AI-agents: agents die niet alleen praten, maar ook daadwerkelijk in jouw systemen en documenten kunnen zoeken.
Wanneer RAG wel (en niet) geschikt is
RAG is een goede keuze wanneer:
- Je een groeiende hoeveelheid documentatie, kennisbank of FAQ's hebt die regelmatig verandert.
- Antwoorden aantoonbaar correct en herleidbaar moeten zijn (denk aan klantcommunicatie of interne beleidsvragen).
- Je snel wilt starten zonder een AI-model te laten trainen.
RAG is minder geschikt wanneer:
- Je nauwelijks gestructureerde documentatie hebt (dan is er simpelweg te weinig om te doorzoeken).
- Je juist een heel specifieke schrijfstijl of gedragspatroon wilt aanleren aan een model. Dat is eerder een taak voor fine-tuning.
- De vraag geen zoekopdracht is, maar een berekening of actie (bijvoorbeeld "plan een afspraak in"). Daarvoor is een AI-agent met tool-toegang nodig, niet alleen retrieval.
RAG en verwante begrippen
Om RAG goed te plaatsen, helpt het om het verschil met een paar andere termen te kennen.
- LLM (large language model): het onderliggende taalmodel dat de tekst genereert. RAG is een manier om een LLM van actuele, bedrijfsspecifieke informatie te voorzien.
- Fine-tuning: het model zelf verder trainen op eigen data. Dit past het gedrag en de stijl van het model aan, maar is duurder en minder flexibel dan RAG als het puur om feitenkennis gaat.
- Vector database: de opslag die tekstfragmenten doorzoekbaar maakt op basis van betekenis. Dit is de motor achter de retrieval-stap.
- AI-agent: een systeem dat niet alleen informatie ophaalt en formuleert (zoals RAG), maar ook acties kan uitvoeren, zoals een afspraak inplannen of een e-mail versturen. RAG is vaak een bouwsteen binnen een agent, niet een vervanging ervan.
Benieuwd hoe RAG in jouw organisatie ingezet kan worden, bijvoorbeeld bovenop je eigen kennisbank of CRM? Onze AI-consultancy helpt MKB-bedrijven van idee naar werkende oplossing. Wil je eerst weten waar je nu staat? Doe de gratis AI-scan en ontdek binnen enkele minuten welke AI-toepassingen het meeste opleveren voor jouw bedrijf, of plan een vrijblijvende kennismaking met UnifyAI.
Veelgestelde vragen
Korte, heldere antwoorden die je helpen sneller beslissen.
Is RAG hetzelfde als ChatGPT?
Nee. ChatGPT is een taalmodel-toepassing; RAG is een techniek die je op een taalmodel kunt toepassen om het antwoorden te laten baseren op specifieke, actuele documenten in plaats van alleen op zijn trainingsdata.
Heb ik een developer nodig om RAG te implementeren?
Voor een eenvoudige opzet met een beperkte documentenset kan een kant-en-klaar platform volstaan. Voor een opzet die is gekoppeld aan interne systemen (CRM, ERP, ticketsysteem) is meestal wel technische begeleiding nodig om het betrouwbaar en veilig op te zetten.
Is RAG duur voor een klein bedrijf?
Omdat er geen model getraind hoeft te worden, is een eerste RAG-toepassing voor een klein documentenbestand doorgaans een stuk goedkoper dan een fine-tuning-traject. De uiteindelijke kosten hangen sterk af van de hoeveelheid data en de gewenste koppelingen.
Wat is het verschil tussen RAG en een AI-agent?
RAG zorgt dat een AI het juiste antwoord kan vinden en formuleren. Een AI-agent gaat een stap verder en kan op basis daarvan ook acties uitvoeren, zoals een offerte aanmaken of een afspraak plannen.
