Begrippenlijst

Wat is RAG?

Retrieval Augmented Generation, kortweg RAG, laat AI antwoorden vanuit uw eigen documenten in plaats van enkel vanuit wat het model leerde tijdens de training.

5 min leestijdEnterprise AI

In het kort

RAG, of retrieval-augmented generation, is een methode die de antwoorden van grote taalmodellen verbetert: eerst wordt relevante informatie opgehaald uit een databank of een set documenten, daarna wordt het antwoord op basis van die informatie gegenereerd. Voor organisaties betekent dat: AI-antwoorden die steunen op hun eigen, actuele kennis, met bronnen en binnen de rechten. De kwaliteit van een RAG-antwoord hangt af van wat er opgehaald wordt: goed gestructureerde documenten met metadata, versies en toegangsrechten maken het verschil.

Op deze pagina

Hoe werkt RAG?
Waarom RAG ertoe doet voor organisaties
RAG, fine-tuning en Agentic RAG
Wat maakt RAG echt goed?
Veelgestelde vragen over RAG

Hoe werkt RAG?

Stap 1
Vraag
Een gebruiker stelt een vraag in natuurlijke taal.
Stap 2
Ophalen
Het systeem zoekt in de gekoppelde bronnen naar de meest relevante documenten en passages, binnen de rechten van die gebruiker.
Stap 3
Aanvullen
Die passages worden als context aan de vraag toegevoegd voor het taalmodel.
Stap 4
Genereren
Het taalmodel schrijft het antwoord op basis van die context en toont zijn bronnen.

Waarom RAG ertoe doet voor organisaties

Actuele informatie

Antwoorden gebruiken de documenten van vandaag, niet de trainingsdata van het model.

Uw eigen kennis

Contracten, procedures en projectdossiers worden een bron voor AI.

Controleerbare bronnen

Elk antwoord verwijst naar de documenten waarop het steunt.

Minder hallucinaties

Het model antwoordt vanuit opgehaalde feiten in plaats van te gokken.

Rechten gerespecteerd

Enkel documenten die de gebruiker mag openen, worden gebruikt.

Geen hertraining

Nieuwe documenten zijn meteen beschikbaar, zonder een model te trainen.

RAG, fine-tuning en Agentic RAG

Drie manieren om uw kennis naar AI te brengen
Benadering	Wat het doet	Wanneer het past
Fine-tuning	Traint een model verder op uw data	Een vaste stijl of woordenschat, niet voor kennis die verandert
RAG	Haalt bij elke vraag relevante documenten op	Antwoorden vanuit actuele, bedrijfseigen kennis
Agentic RAG	Redeneert over informatie heen, haalt de juiste inhoud op en helpt complexe taken af te ronden	Vragen en taken die meerdere bronnen omvatten

Wat maakt RAG echt goed?

Een RAG-antwoord is maar zo goed als wat er opgehaald wordt. Drie zaken maken het verschil:

Gestructureerde documenten: metadata, versies en een duidelijke definitieve versie, zodat het juiste document gevonden wordt.
Relevantie: semantisch zoeken en een relevantiemodel die de passages kiezen die ertoe doen, ook Context Engineering genoemd.
Rechten: het systeem dwingt de toegangsrechten af bij elke vraag.

Daarom begint SoftAdvice bij het documentfundament in M-Files of SharePoint, en gebruikt het Mindbreeze InSpire om de bronnen te koppelen en de context aan te leveren.

Wat is Context Engineering? · Agentic AI en Context Engineering

Veelgestelde vragen over RAG

Wat is RAG?

Wat is het verschil tussen RAG en fine-tuning?

Fine-tuning traint een model verder op uw data, wat past bij een vaste stijl of woordenschat. RAG haalt bij elke vraag relevante documenten op, zodat antwoorden altijd actuele kennis gebruiken en hun bronnen kunnen tonen.

Voorkomt RAG hallucinaties?

Het verkleint het risico aanzienlijk, omdat het model antwoordt vanuit opgehaalde feiten en zijn bronnen toont. De kwaliteit blijft afhangen van de documenten die opgehaald worden.

Respecteert RAG de rechten?

Dat hoort zo. Een goed RAG-systeem haalt enkel documenten op die de gebruiker mag openen. Mindbreeze neemt de bestaande rechten van de onderneming over en past ze toe bij elke vraag.

Wat is Agentic RAG?

Met Agentic RAG gaat AI verder dan eenvoudige antwoorden: ze redeneert over informatie heen, haalt de juiste inhoud op en helpt gebruikers complexe taken af te ronden, terwijl de resultaten verbonden blijven met betrouwbare bedrijfskennis.