Veel teams werken inmiddels dagelijks met ChatGPT, Claude of Copilot. Zo'n model vertrekt vanuit algemene kennis. Het kent de wereld in het algemeen, maar nog niet jouw organisatie, je producten, je procedures of je opdrachtgevers. Zodra een vraag echt over je eigen bedrijf gaat, loopt het vast.
Voor bedrijfsvragen werkt de omgekeerde volgorde beter: eerst jouw documenten erbij pakken, dan pas een antwoord formuleren. Daar staat de afkorting RAG voor: retrieval augmented generation. Oftewel: eerst ophalen en dan antwoorden.
In dit artikel lees je wat zo'n systeem oplost, waar het tijd oplevert en hoe je er klein mee begint.
Waarom je bedrijfskennis nu te weinig oplevert
Veel organisaties herkennen hetzelfde patroon. De kennis zit in een SharePoint, op een gedeelde schijf, in een wiki, in mailarchieven en in de hoofden van een paar ervaren collega's. Iemand met een vraag zoekt eerst zelf, geeft het op, en loopt dan naar die ene collega die het toevallig weet.
Dat kost op drie plekken tijd. De binnendienst beantwoordt steeds dezelfde vragen. Nieuwe medewerkers zijn lang aan het inwerken. En waardevolle documenten zoals beleidsstukken, specificaties en voorwaarden worden amper gebruikt, simpelweg omdat ze moeilijk doorzoekbaar zijn.
De kennis is er dus al. Ze wordt alleen niet gebruikt op een manier die werkt.
Wat is een RAG-systeem?
Een RAG-systeem is een AI die antwoord geeft op basis van je eigen bedrijfskennis in plaats van op basis van algemene informatie van het internet. De werking laat zich het makkelijkst herkennen aan een nieuwe collega die een vraag krijgt en eerst het juiste document erbij pakt voordat die antwoordt.
Het systeem leest op het moment van de vraag de relevante stukken uit je bronnen en geeft daarmee een antwoord dat klopt bij jouw situatie. Het vermeldt er bovendien bij uit welk document het antwoord komt, zodat je het altijd kunt nalezen. Dat je een antwoord kunt controleren, is voor veel mensen doorslaggevend om het systeem ook echt te vertrouwen en te gebruiken.
Hoe een RAG-systeem je team tijd teruggeeft
Voor je team verschuift het werk. Er gaat minder tijd naar zoeken en herhalen, en meer naar het werk waar mensen voor zijn aangenomen.
Je team is meer bezig met:
- Klanten en collega's sneller een kloppend antwoord geven
- Beoordelen en beslissen op basis van gevonden informatie
- Werk met inhoud en aandacht voor de situatie
Je team is minder bezig met:
- Documenten doorspitten op zoek naar één alinea
- Dezelfde vraag voor de tiende keer beantwoorden
- Nieuwe collega's stap voor stap alles uitleggen
Wat levert een RAG-systeem op?
De waarde wordt het snelst concreet bij terugkerend werk: klantvragen verwerken, interne kennis opzoeken, nieuwe mensen inwerken en documenten controleren. Onderstaande tabel geeft een indicatie van de tijdwinst per maand.
| Situatie | Zonder AI-ondersteuning | Met een RAG-systeem | Indicatie tijdwinst per maand |
|---|---|---|---|
| Veelgestelde klant- en collegavragen | Handmatig opzoeken en beantwoorden | Direct antwoord met bronvermelding | 8 tot 16 uur |
| Kennis opzoeken in documenten | Zoeken over meerdere systemen | Eén vraag in gewone taal | 6 tot 12 uur |
| Nieuwe medewerkers inwerken | Veel vragen aan collega's | Zelf antwoorden opzoeken | 4 tot 10 uur |
| Documenten en voorwaarden controleren | Handmatig de juiste passage zoeken | Gerichte verwijzing naar de bron | 3 tot 8 uur |
De precieze winst verschilt per organisatie en hangt af van hoeveel mensen het systeem gebruiken en hoe goed de bronnen zijn voorbereid. De richting is wel steeds dezelfde: tijd die nu naar zoeken gaat, komt vrij voor werk met meer waarde.
Veelgestelde bezwaren over een RAG-systeem
"We zijn nog niet klaar voor AI, onze documenten staan overal verspreid."
Dat is logisch, en het is zelden een blokkade. Een RAG-systeem werkt al goed met een paar honderd kloppende documenten. Je hoeft niet eerst je hele archief op orde te hebben. We beginnen met de bronnen die de meeste vragen beantwoorden en breiden van daaruit uit.
"Hoe weet ik of een AI-antwoord klopt?"
Daarom is de bronvermelding zo belangrijk. Het systeem toont uit welk document en welke passage het antwoord komt, zodat je medewerker het bij twijfel zelf nakijkt. De mensen blijven aan zet en het systeem ondersteunt hun oordeel. Zo blijft AI in je organisatie beheersbaar en uitlegbaar terwijl het meegroeit.
Hoe wij een RAG-systeem bij DTT bouwen
Onze achtergrond ligt in maatwerk software. We zijn dus gewend om een oplossing in te passen in de manier waarop je organisatie werkt, en die over tijd te laten meegroeien. Bij een RAG-systeem zit de waarde voor een groot deel in de voorbereiding van je bronnen, in de koppeling met je bestaande processen en in het beheer daarna.
Dat advies en bouw bij dezelfde mensen liggen, scheelt afstemming en houdt de oplossing samenhangend. We denken mee over de aanpak en bouwen het systeem op de plek waar je mensen al werken: een chatvenster op het intranet, een knop in je CRM of een omgeving voor je klanten. Daarbij kijken we vooraf naar werkbaarheid, zoals hoe vaak het gebruikt gaat worden, wie het beheert en hoe het scherper wordt naarmate er meer vragen binnenkomen.
Onze aanpak richt zich op:
- Praktische toepassingen die direct tijd besparen in terugkerend werk
- Een oplossing die aansluit op bestaande processen en systemen
- Een opzet die onderhoudbaar en schaalbaar blijft naarmate je organisatie groeit
Begin klein en bouw duurzaam uit
Je hoeft niet groot te beginnen. Een eerste werkende versie rond één duidelijke vraag of één belangrijke bron laat al zien wat het oplevert, en geeft je iets om op te bouwen. Vanuit die eerste winst breid je uit naar meer bronnen en meer afdelingen.
Het belangrijkste: je kunt beginnen waar je nu staat. Ook als je het gevoel hebt dat je achterloopt op digitalisering of AI, is dat geen reden om te wachten. De eerste stap is een korte verkenning waarin we samen kijken wat in jouw situatie past.
RAG-systeem laten verkennen voor jouw organisatie
DTT staat voor Doing Things Together, en zo pakken we ook een RAG-systeem op: samen met jouw mensen, vanuit de kennis die je al hebt. Wil je weten wat een RAG-systeem voor jouw organisatie kan betekenen? In een verkennend gesprek brengen we samen in kaart welke kennisbronnen je hebt, welke vragen je mensen het vaakst stellen en waar de eerste winst zit. Daarna weet je of het de moeite waard is en wat een kleine eerste stap zou zijn. Plan een verkennend gesprek.
Begrippen op een rij
In dit artikel kwamen een paar termen voorbij. We zetten ze hier nog één keer overzichtelijk onder elkaar.
- RAG-systeem — een AI die eerst informatie ophaalt uit je eigen bronnen en daarmee antwoord geeft op een vraag.
- Retrieval augmented generation — de volledige term achter RAG: eerst ophalen, dan antwoorden.
- AI-kennisbank — je verzamelde bedrijfskennis, doorzoekbaar gemaakt via een vraag in gewone taal. Zie ook AI-transformatie is werk slimmer organiseren.
- Bronvermelding — de verwijzing naar het document waaruit een antwoord komt, zodat je het kunt controleren.
- AI-readiness — de vraag of je klaar bent om met AI te starten; in de praktijk kun je beginnen waar je nu staat. Zie Is jouw organisatie klaar voor Artificial Intelligence?.
- AI-route kiezen — de afweging tussen een kant-en-klare tool, integratie of maatwerk. Zie AI-implementatie: kopen, integreren of maatwerk ontwikkelen?.
