AI-agents op je eigen data: hoe RAG werkt

Waarom een standaard AI-agent tekortschiet

Een AI-agent die alleen op zijn basiskennis werkt, is een beetje zoals een nieuwe medewerker die nog nooit in jouw bedrijf heeft rondgekeken. Hij weet veel in het algemeen, maar hij weet niets over jouw producten, jouw werkwijze of jouw klanten.

Dat is precies het probleem dat RAG oplost. RAG staat voor Retrieval Augmented Generation: een techniek waarbij een AI-model eerst relevante informatie opzoekt in een kennisbron voordat het een antwoord formuleert. Niet raden, maar opzoeken, en daarna pas antwoorden.

Voor ondernemers is dit het verschil tussen een AI-agent die generieke tekst produceert en een AI-agent die namens jouw bedrijf praat.

Wat RAG precies doet, stap voor stap

Het proces ziet er in de praktijk als volgt uit:

1. De gebruiker stelt een vraag. Bijvoorbeeld: “Wat zijn jullie leveringstijden voor maatwerk orders?”
2. De agent zoekt in jouw kennisbron. Hij doorzoekt documenten, handleidingen, FAQ-teksten of databasevelden die je van tevoren hebt ingevoerd.
3. Relevante stukken worden opgehaald. Niet het hele document, alleen de passages die aansluiten bij de vraag.
4. Het taalmodel formuleert een antwoord. Op basis van die opgehaalde context schrijft het model een coherent, specifiek antwoord.

Het model verzint dus niets. Het heeft context gekregen uit jouw eigen data, en geeft daar een antwoord op terug. Dat is fundamenteel anders dan een taalmodel zonder grounding, dat bij elk gat in zijn kennis gaat speculeren.

Welke data kun je in een RAG-systeem stoppen?

Bijna alles wat tekst bevat, kan als kennisbron dienen:

• Productcatalogi en prijsinformatie
• Handleidingen en interne procedures
• FAQ-documenten van je website
• E-mailconversaties of supporttickets
• Contracttemplates en offerteteksten
• Notulen, beleid en procesomschrijvingen

De data wordt omgezet naar zogeheten embeddings: wiskundige representaties van tekst die snelle semantische zoekopdrachten mogelijk maken. Een database als Supabase met de ingebouwde vector-extensie is een veelgebruikte keuze om deze embeddings in op te slaan en te doorzoeken.

Hoe verschilt RAG van “fine-tuning”?

Een veelgehoord alternatief is het fine-tunen van een model: je traint het opnieuw met jouw data, zodat de kennis in het model zelf zit. Dat klinkt aantrekkelijk, maar heeft nadelen.

Fine-tuning is duur, traag en vereist grote hoeveelheden gelabelde data. En als jouw informatie verandert, moet je opnieuw fine-tunen. RAG werkt anders: de kennisbron is een losse laag die je op elk moment kunt bijwerken. Verander je een productprijs of voeg je een nieuwe procedure toe, dan is de agent binnen minuten up-to-date.

Voor de meeste mkb-toepassingen is RAG de praktischere, goedkopere en beter onderhoudbare keuze.

Waar RAG in de praktijk wordt ingezet

Klantenservice en support

Een AI-agent die al je veelgestelde vragen beantwoordt op basis van je eigen documentatie, zonder te hallusineren over producten die je niet verkoopt. In het artikel over AI-agents voor klantenservice lees je hoe zo’n opzet er in de praktijk uitziet.

Interne kennisbanken

Medewerkers kunnen vragen stellen aan een interne agent die alle bedrijfsprocedures, contracten en handleidingen kent. Geen eindeloos zoeken in gedeelde mappen, maar een directe vraag en een direct antwoord.

Sales en leadopvolging

Een agent die via WhatsApp of Instagram communiceert, kan via RAG precies de juiste productinformatie ophalen op het moment dat een potentiële klant vraagt. Dat maakt het gesprek persoonlijker en inhoudelijk sterker, wat doorwerkt in de conversieratio.

Wat je moet regelen voordat RAG werkt

RAG is geen knop die je omzet. Er zijn een paar voorbereidende stappen die het succes bepalen:

Datakwaliteit. Vuile, verouderde of tegenstrijdige documenten leiden tot slechte antwoorden. Ruim de kennisbron op voordat je hem inlaadt.

Goede chunking. Documenten worden opgesplitst in brokken tekst voordat ze als embeddings worden opgeslagen. De grootte en overlap van die brokken beïnvloeden de kwaliteit van de zoekresultaten sterk.

Systeemprompt en instructies. De agent heeft duidelijke instructies nodig over wanneer hij iets uit de kennisbron haalt, wanneer hij doorvraagt en wanneer hij een mens inschakelt.

Monitoring. Bekijk regelmatig welke vragen de agent niet goed beantwoordt. Dat geeft je input om de kennisbron te verbeteren.

Dit is ook de reden dat we bij NRL Automations altijd beginnen met een analyse van je huidige processen en databronnen, voordat er ook maar één regel code wordt geschreven. Je leest meer over die werkwijze op de aanpak-pagina.

RAG is geen hype, het is infrastructuur

De term klinkt technisch, maar het principe is eenvoudig: zorg dat je AI-agent de juiste informatie heeft op het moment dat hij die nodig heeft. Niet ingebakken in het model, maar opgehaald uit een kennisbron die je zelf beheert en bijhoudt.

Dat maakt RAG tot een van de meest praktische technieken voor bedrijven die AI serieus willen inzetten, zonder afhankelijk te worden van een black box die je niet kunt bijsturen.

Wil je weten of RAG een logische volgende stap is voor jouw bedrijf, en welke data je daarvoor zou kunnen gebruiken? Plan een gesprek en we kijken samen waar de kansen liggen.