Wat is RAG? Retrieval-Augmented Generation in gewone taal

RAG (Retrieval-Augmented Generation) is een manier om een AI-taalmodel eerst het juiste stuk informatie uit jouw eigen documenten te laten opzoeken, en pas daarna op basis daarvan een antwoord te laten formuleren. In plaats van te vertrouwen op wat het model tijdens training heeft geleerd, baseert de AI zijn antwoord op actuele, verifieerbare bronnen die jij aanlevert, zoals handleidingen, prijslijsten of contracten.

De term duikt steeds vaker op zodra bedrijven een eigen AI-systeem overwegen. In dit artikel leggen we uit wat RAG precies is, waarom het bestaat en wanneer je het nodig hebt.

Het probleem dat RAG oplost

Een standaard taalmodel, zoals de basis achter ChatGPT of Claude, is getraind op een enorme hoeveelheid algemene tekst tot een bepaalde datum. Het kent jouw bedrijf niet, weet niets van je actuele prijzen en heeft geen toegang tot je interne documenten. Vraag je zo n model iets over jouw specifieke situatie, dan verzint het in het beste geval een algemeen antwoord, en in het slechtste geval iets dat overtuigend klinkt maar feitelijk onjuist is. Dat laatste heet hallucineren.

RAG lost dit op door het model eerst te laten zoeken in een afgebakende, betrouwbare bron, en pas dan te laten antwoorden op basis van wat het daar vindt.

Hoe RAG in de praktijk werkt

Stap 1: documenten indexeren

Je eigen documenten (handleidingen, FAQ s, prijslijsten, contracten, procedures) worden opgeknipt in behapbare stukken en opgeslagen in een doorzoekbare database, een zogeheten vectordatabase. Dit gebeurt eenmalig en bij elke update van je documenten.

Stap 2: de juiste stukken ophalen

Komt er een vraag binnen, dan zoekt het systeem eerst welke stukken uit die database het meest relevant zijn voor die specifieke vraag. Dit gebeurt op basis van betekenis, niet alleen op exacte woorden.

Stap 3: antwoord genereren op basis van die stukken

Het taalmodel krijgt de gevonden stukken als context mee en formuleert daarmee een antwoord. Omdat het antwoord gebaseerd is op je eigen, actuele documenten, is het aanzienlijk betrouwbaarder dan een antwoord uit het blote geheugen van het model.

Waarom niet gewoon alles in het model stoppen?

Een taalmodel opnieuw trainen op jouw bedrijfsdata (fine-tuning) is duur, traag bij te werken en niet transparant: je weet niet altijd waar een antwoord vandaan komt. RAG is sneller op te zetten, blijft actueel zodra je de brondocumenten bijwerkt, en je kunt precies aanwijzen welk document een antwoord onderbouwt. Voor de meeste MKB-toepassingen is dat de praktischere route.

Wat RAG in de praktijk oplevert

Een paar concrete voorbeelden: een klantenservice-AI die antwoord geeft op basis van je actuele productcatalogus in plaats van verouderde kennis, een interne assistent die medewerkers laat zoeken in procedures en handleidingen zonder dat ze zelf een document hoeven te doorspitten, en een offerte-agent die prijzen en voorwaarden haalt uit je eigen, actuele prijslijst in plaats van een schatting te maken.

Wanneer heb je RAG nodig?

RAG is vooral waardevol als je AI antwoord moet geven op basis van informatie die specifiek is voor jouw bedrijf en die regelmatig verandert. Gaat het om een simpele, statische taak zonder veel bedrijfsspecifieke kennis, dan is een eenvoudigere oplossing vaak voldoende en goedkoper.

Meer over hoe dit eruitziet als compleet systeem lees je in een eigen AI-systeem op je bedrijfsdata.

Aan de slag

Rawrr Media bouwt AI-systemen op basis van RAG, afgestemd op de documenten en systemen die je al hebt. In een gratis AI-kennismaking kijken we of dit voor jouw situatie de juiste aanpak is.

Vraag hier jouw gratis AI-kennismaking aan.