RAG uitgelegd: hoe AI stopt met gokken en begint met weten

Je hebt het vast weleens meegemaakt. Je stelt ChatGPT een vraag over je eigen vakgebied en krijgt een antwoord dat… net niet klopt. Of erger: helemaal overtuigend klinkt, maar volledig verzonnen is. Welkom in de wereld van AI-hallucinaties.

Gelukkig is er een oplossing. En die heet RAG.

Eerst even de basis

RAG staat voor Retrieval-Augmented Generation. Vrij vertaald: “eerst ophalen, dan pas genereren.” Het is geen losstaand product of een nieuwe chatbot. Het is een manier om AI slimmer te laten werken – door het te koppelen aan betrouwbare informatiebronnen.

Het idee ontstond in 2020 bij Facebook AI Research (Lewis et al., 2020). Onderzoekers zochten een manier om taalmodellen minder te laten verzinnen en meer te laten onderbouwen. Hun oplossing was elegant: laat AI eerst relevante informatie opzoeken, en baseer het antwoord daarop.

Sindsdien is RAG uitgegroeid tot dé standaard voor betrouwbare AI-toepassingen in organisaties.

Hoe werkt het in de praktijk?

Stel, je werkt bij een verzekeraar. Een klant vraagt: “Wat dekt mijn reisverzekering bij annulering?”

Zonder RAG genereert de AI een algemeen antwoord op basis van wat het ooit geleerd heeft over reisverzekeringen. Klinkt misschien plausibel, maar het is niet jouw polis. Niet jouw voorwaarden. Niet jouw waarheid.

Met RAG gebeurt er iets anders. Het systeem:

1. Herkent de vraag
2. Zoekt in jouw polisvoorwaarden naar relevante passages
3. Haalt die informatie op
4. Genereert een antwoord gebaseerd op die specifieke documenten
5. Geeft aan waar het antwoord vandaan komt

Het verschil? Het antwoord klopt. En je kunt het controleren.

De drie bouwblokken

RAG bestaat uit drie onderdelen die samenwerken:

1. De kennisbank Dit is waar je betrouwbare informatie opslaat. Denk aan productdocumentatie, beleidsstukken, handleidingen of goedgekeurde content. Deze documenten worden opgedeeld in kleinere stukken en omgezet naar zogeheten “embeddings” – wiskundige representaties die computers kunnen doorzoeken.

2. De retriever (het ophaalcomponent) Wanneer iemand een vraag stelt, zoekt de retriever naar de meest relevante stukken informatie in de kennisbank. Dit lijkt op zoeken, maar is slimmer: het begrijpt betekenis, niet alleen woorden.

3. De generator (het taalmodel) Met de opgehaalde informatie als input, formuleert het taalmodel een antwoord. Cruciaal: het model baseert zich nu op concrete bronnen, niet op vage herinneringen uit zijn training.

Waarom dit ertoe doet

De kracht van RAG zit in drie eigenschappen:

Betrouwbaarheid Antwoorden zijn gebaseerd op bronnen die je zelf beheert. Geen hallucinaties over producten die niet bestaan of prijzen die niet kloppen.

Traceerbaarheid Je kunt altijd nagaan waar een antwoord vandaan komt. Dat is essentieel voor compliance, kwaliteitscontrole en vertrouwen.

Actualiteit Anders dan een taalmodel dat vastzit aan zijn trainingsdata, werkt RAG met informatie die je continu kunt bijwerken. Nieuwe polis? Bijgewerkte handleiding? Het systeem weet het direct.

Waar loopt het soms mis?

RAG is geen wondermiddel. De kwaliteit van de output hangt direct samen met de kwaliteit van de input. Een paar veelvoorkomende valkuilen:

Vervuilde kennisbank Als je verouderde documenten, dubbele versies of tegenstrijdige informatie opneemt, krijg je verwarrende antwoorden. Garbage in, garbage out – ook met RAG.

Slechte chunking Hoe je documenten opdeelt in stukken maakt uit. Te groot en de retriever vindt te veel irrelevante context. Te klein en de samenhang verdwijnt.

Verkeerde verwachtingen RAG maakt AI betrouwbaarder, niet onfeilbaar. Menselijke controle blijft nodig, zeker in het begin.

RAG versus fine-tuning: wat is het verschil?

Je hoort soms over “fine-tuning” als manier om AI aan te passen. Dat is iets anders.

Bij fine-tuning train je het model opnieuw met je eigen data. Het model leert nieuwe patronen en gedrag. Dat is krachtig, maar ook duur, tijdrovend en lastig te onderhouden.

Bij RAG blijft het model zelf ongewijzigd. Je voegt alleen een kennislaag toe. Dat is flexibeler, goedkoper en makkelijker actueel te houden. Voor de meeste zakelijke toepassingen is RAG daarom de betere keuze (Gao et al., 2023).

Wat kun je ermee in de praktijk?

De toepassingen zijn breed. Een paar voorbeelden:

• Klantenservice: chatbots die antwoorden geven op basis van actuele productinformatie en veelgestelde vragen
• Marketing: contentgeneratie die consistent is met merkrichtlijnen en goedgekeurde proposities
• Juridisch: snel relevante passages vinden in contracten of regelgeving
• HR: medewerkers die zelf antwoorden vinden op vragen over arbeidsvoorwaarden
• Technische support: handleidingen doorzoekbaar maken met natuurlijke taal

De organisatorische kant

Hier zit misschien wel de grootste waarde. Om RAG goed te laten werken, moet je nadenken over je informatie. Welke documenten zijn leidend? Wie is eigenaar? Wat mag wel en niet in de kennisbank?

Die vragen dwingen organisaties om hun datahuishouding op orde te brengen. RAG is daarmee niet alleen een technische oplossing – het is een katalysator voor datavolwassenheid.

De kern

RAG is een architectuurprincipe dat AI koppelt aan betrouwbare bronnen. Het zorgt ervoor dat antwoorden niet verzonnen worden, maar gebaseerd zijn op informatie die je zelf beheert.

Het maakt AI inzetbaar voor échte bedrijfsprocessen. Niet als speeltje, maar als serieus instrument.

En dat begint – altijd – met grip op je data.

---

Literatuur

Gao, Y., Xiong, Y., Gao, X., Jia, K., Pan, J., Bi, Y., Dai, Y., Sun, J., & Wang, H. (2023). Retrieval-augmented generation for large language models: A survey. arXiv preprint arXiv:2312.10997. https://doi.org/10.48550/arXiv.2312.10997

Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W., Rocktäschel, T., Riedel, S., & Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33, 9459-9474. https://arxiv.org/abs/2005.11401