Wie een tijdje met ChatGPT of een vergelijkbare AI-assistent werkt, loopt vroeg of laat tegen dezelfde muur aan: het ding is verrassend goed in algemene vragen, maar het kent jóuw bedrijf niet. Je prijzen, je leveringsvoorwaarden, de handleiding van dat ene product, de afspraken met die ene klant — daar weet het niets van. En als je er tóch naar vraagt, krijg je soms met veel zelfvertrouwen een antwoord dat gewoon niet klopt. De vraag die wij daarom het vaakst horen: kan AI ook met ónze eigen documenten en kennis werken? Het antwoord is ja, en de techniek daarachter heet RAG. In dit artikel leggen we zonder jargon uit wat het is, wat je eraan hebt en waar je op moet letten.
Het probleem: een taalmodel kent jouw bedrijf niet
Een AI-taalmodel — de motor achter tools als ChatGPT, Claude en Gemini — is getraind op enorme hoeveelheden openbare tekst. Daardoor kan het goed formuleren, samenvatten en meedenken. Maar die training heeft twee ingebouwde beperkingen. Ten eerste: alles wat niet in het trainingsmateriaal zat, weet het model simpelweg niet. Jouw interne prijslijst stond daar niet in, en dat is maar goed ook. Ten tweede: de kennis loopt achter, want de training is op een bepaald moment afgekapt. Wat daarna veranderde, is voor het model onbekend terrein.
Het vervelende is dat een taalmodel bij een vraag buiten zijn kennis zelden zegt: "dat weet ik niet." Het is gebouwd om een aannemelijk antwoord te formuleren — en doet dat dus ook als de feiten ontbreken. Dat verschijnsel heet hallucineren: het model verzint iets dat overtuigend klinkt maar niet klopt. Voor een grappige pubquizvraag is dat vervelend; voor een antwoord aan een klant over je garantievoorwaarden is het een echt bedrijfsrisico.
Wat RAG is — in gewone taal
RAG staat voor Retrieval-Augmented Generation, een aanpak die in 2020 in een wetenschappelijk artikel werd geïntroduceerd en inmiddels de standaardmanier is om AI met eigen data te laten werken. De letterlijke vertaling is iets als "genereren, aangevuld met opzoeken" — en dat is precies wat er gebeurt. In plaats van dat het model uit zijn geheugen antwoordt, krijgt het bij elke vraag eerst de relevante stukken uit jouw eigen documenten aangereikt, en formuleert het zijn antwoord op basis dáárvan.
De vergelijking die het meeste blijft hangen: een taalmodel zonder RAG maakt een tentamen uit het hoofd, een taalmodel mét RAG mag het tentamen met het boek erbij maken. In de praktijk gaat dat zo. Al je relevante documenten — handleidingen, prijslijsten, offertes, procedures, veelgestelde vragen — worden vooraf één keer ingelezen en doorzoekbaar gemaakt. Stelt iemand daarna een vraag, dan zoekt het systeem eerst de passages op die bij die vraag horen, geeft die samen met de vraag aan het taalmodel, en het model schrijft een antwoord dat op die passages is gebaseerd. Vaak met bronvermelding erbij, zodat je kunt terugzien uit welk document het antwoord komt.
Zonder RAG maakt AI het tentamen uit het hoofd. Met RAG mag het jouw documenten erbij houden — en kun jij controleren op welke pagina het antwoord staat.
Belangrijk detail: je documenten worden hierbij niet gebruikt om het model te "hertrainen". Ze blijven gewoon van jou, in een eigen doorzoekbare omgeving, en worden per vraag als context meegegeven. Verandert je prijslijst, dan vervang je het document en is het systeem meteen bij — er hoeft niets opnieuw getraind te worden.
Wat je er in de praktijk aan hebt
RAG klinkt technisch, maar de toepassingen zijn heel herkenbaar. Een paar voorbeelden die wij bij MKB-bedrijven het vaakst tegenkomen:
- Een interne kennisassistent: nieuwe medewerkers vragen niet meer drie keer per dag aan een collega hoe iets werkt, maar krijgen direct antwoord op basis van je eigen handboeken en procedures — met verwijzing naar het brondocument.
- Klantvragen voorbereiden: een assistent die conceptantwoorden opstelt op basis van je échte voorwaarden, handleidingen en eerdere antwoorden, in plaats van op basis van wat het model "denkt" dat redelijk klinkt.
- Offertes en documenten opstellen met je eigen prijzen, standaardteksten en afspraken als grondslag, zodat er geen verzonnen tarieven of voorwaarden insluipen.
Het gemeenschappelijke voordeel: het antwoord is niet alleen sneller, maar ook controleerbaar. Waar een los taalmodel een gok kan doen, wijst een goed ingericht RAG-systeem aan waar het zijn antwoord vandaan haalt. Dat maakt het geschikt voor precies de vragen waar het in een bedrijf om draait — die over jouw producten, jouw prijzen en jouw afspraken.
Eerlijk over de beperkingen
Nu het nuchtere deel, want RAG is geen toverstaf. De belangrijkste kanttekening: het vermindert hallucinaties flink, maar sluit ze niet uit. Een model kan een opgezochte passage nog steeds verkeerd interpreteren of net iets te stellig samenvatten. Voor alles wat richting klanten of officiële documenten gaat, blijft ons advies daarom onveranderd: laat AI het voorwerk doen en houd een mens aan de knop.
De tweede kanttekening is minstens zo belangrijk: de kwaliteit van de antwoorden is nooit beter dan de kwaliteit van je documenten. Staat er in je map met procedures een verouderde prijslijst naast de nieuwe, dan kan het systeem met de verkeerde aankomen. Een RAG-project begint daarom bijna altijd met opruimen: welke documenten zijn actueel, welke zijn dubbel, wie houdt ze bij? Dat klinkt als een corvee, maar het is werk dat zich dubbel uitbetaalt — ook los van de AI.
De antwoorden van een AI-assistent worden nooit beter dan de documenten die je hem geeft. Opruimen is stap één van elk goed RAG-project.
Denk tot slot aan toegang en privacy. Niet elk document hoort voor elke medewerker vindbaar te zijn, en persoonsgegevens in je documenten vallen gewoon onder de AVG. Kies dus een opzet waarin je data binnen je eigen omgeving blijft en waarin toegangsrechten netjes geregeld zijn — dat kan prima, maar het moet wél vanaf het begin worden meegenomen in het ontwerp.
Wat kost het, en hoe begin je?
Het goede nieuws: RAG is geen grootbedrijftechniek meer. Volgens cijfers van het CBS en Eurostat gebruikte begin 2026 al bijna een kwart van de Nederlandse bedrijven AI, en juist voor kleinere organisaties is het ontsluiten van eigen kennis een van de meest praktische toepassingen — de techniek is de afgelopen jaren volwassen en betaalbaar geworden. Een afgebakend eerste traject, bijvoorbeeld een interne kennisassistent op basis van je handboeken en veelgestelde vragen, begint bij ons vanaf zo'n €1.500. Een uitgebreider systeem met meerdere bronnen en koppelingen aan bijvoorbeeld je mailbox of administratie begint rond de €5.000.
Beginnen doe je klein: kies één afgebakende verzameling kennis die vaak wordt bevraagd — je productdocumentatie, je personeelshandboek, je veelgestelde klantvragen — en bouw daar een assistent omheen. Test hem een paar weken intern, kijk waar de antwoorden goed zijn en waar je documenten tekortschieten, en breid pas daarna uit. Zo leer je het meeste met het minste risico.
Benieuwd of jouw bedrijfskennis zich hiervoor leent? Doe de gratis AI-check — die geeft je in een paar minuten een eerste beeld van waar AI bij jou het snelst waarde oplevert.
Of bekijk hoe wij dit soort assistenten bouwen en vraag vrijblijvend een offerte aan voor jouw situatie — dan kijken we samen welke kennisbron zich bij jou als eerste laat ontsluiten.