RAG en een kennisbank-chatbot uitgelegd: antwoorden uit je eigen documenten

Een kennisbank-chatbot is, in onze eigen omschrijving, een chatbot die vragen beantwoordt aan de hand van je eigen documenten, in plaats van alleen uit wat het taalmodel zelf weet. Zo'n opzet wordt RAG genoemd, Retrieval-Augmented Generation. Een formele definitie van RAG hebben wij in de documentatie van Anthropic en OpenAI niet gevonden, en we verzinnen er dus geen. Wel beschrijven beide aanbieders onderdelen ervan: Anthropic noemt toepassingen waarin antwoorden aan eigen documenten worden toegeschreven, OpenAI beschrijft semantisch zoeken met vector-embeddings. Dit artikel legt uit wat die bronnen zeggen, per 11 oktober 2026, en wanneer zo'n chatbot past. Wil je zelf een bot voor je website, kijk dan bij AI-chatbot laten maken. Waar het de AVG noemt, is dat algemene informatie en geen juridisch advies.

Wat zeggen de aanbieders over RAG?

Eerst wat de bronnen letterlijk zeggen over RAG. In de documentatie van Anthropic over zoekresultaten staat, geraadpleegd op 11 oktober 2026, een zin die RAG noemt: gebruik ze in RAG-toepassingen (Retrieval-Augmented Generation) waarin Claude antwoorden aan jouw documenten moet toeschrijven. Dat is een gebruiksbeschrijving en geen definitie. Er staat dat RAG een soort toepassing is, en dat in zo'n toepassing het toeschrijven van antwoorden aan documenten een doel kan zijn. Verder gaat de bron niet, en verder gaan wij ook niet in wat de officiële betekenis zou zijn.

Wat we wel kunnen doen, is een eigen, praktische omschrijving geven. Die is dus niet afkomstig van een aanbieder of een standaard. In een kennisbank-chatbot gebeurt grofweg dit: de vraag van de gebruiker wordt gebruikt om in je documenten relevante stukken te zoeken, die stukken worden samen met de vraag aan het taalmodel gegeven, en het model schrijft een antwoord op basis daarvan. Het zoekdeel zit buiten het model, in jouw eigen systeem. Daardoor kan het antwoord verwijzen naar de bron, mits je dat zo inricht.

Wat is semantisch zoeken met embeddings?

Een bouwsteen die OpenAI beschrijft is semantisch zoeken. In de OpenAI-documentatie over retrieval staat: semantic search is a technique that leverages vector embeddings to surface semantically relevant results. Vrij vertaald is semantisch zoeken een techniek die vector-embeddings gebruikt om semantisch relevante resultaten naar boven te halen. Dat zijn de woorden van OpenAI, geraadpleegd op 11 oktober 2026. In onze eigen woorden: de zoekstap probeert naar betekenis te kijken en niet alleen naar letterlijke woorden.

Een illustratie, uitdrukkelijk een eigen voorbeeld en geen citaat. Een klant vraagt hoe ze een bestelling kan afzeggen, terwijl in je retourbeleid het woord annuleren staat. Een gewone zoekfunctie die op trefwoorden werkt, kan het verband missen. Een semantische zoekfunctie probeert de betekenis van de vraag te vergelijken met de betekenis van de tekststukken. Hoe goed dat in jouw geval werkt, hangt af van je documenten, van de gekozen techniek en van hoe je de resultaten gebruikt. Test dat met echte vragen van klanten.

Hoe embeddings technisch werken laten we hier buiten beschouwing, want het citaat van OpenAI beschrijft alleen het doel. Om de keten te begrijpen zijn voor jou als ondernemer drie vragen belangrijker. Welke documenten gaan erin, en zijn die actueel? Hoe wordt een vraag aan de juiste passage gekoppeld? En wat doet de chatbot als er geen goed antwoord in je documenten staat? Een goede kennisbank-chatbot zegt dan dat hij het niet weet en verwijst naar een mens.

Hoe ziet een kennisbank-chatbot er in de praktijk uit?

Hoe ziet dat er in de praktijk uit? Dit is een fictief voorbeeld. Een webwinkel heeft een retourbeleid, verzendvoorwaarden en tientallen productpagina's met specificaties. De bouwer neemt die teksten op in een doorzoekbare kennisbron. Vraagt een klant of ze een jas kan retourneren die ze twee weken geleden kreeg, dan zoekt het systeem de passages over retourneren en geeft die samen met de vraag aan het model. Het antwoord noemt de termijn zoals die in jouw beleid staat en verwijst naar de pagina waar de klant het kan nalezen.

Het zoeken kan ook als tool worden aangeboden aan het model. OpenAI schrijft dat function calling modellen laat koppelen met externe systemen en data buiten hun trainingsdata; een zoekfunctie over jouw documenten past in die gedachte. Anthropic omschrijft tool use als het laten aanroepen van functies die je zelf definieert of die Anthropic levert. Hoe tools werken, lees je in tool use en function calling. Onze inschatting: die combinatie is handig als de chatbot méér moet doen dan zoeken, bijvoorbeeld daarna ook een retourlabel aanvragen. Voor een pure kennisbank-chatbot volstaan doorgaans de zoekstap en het antwoord.

Wanneer is een kennisbank-chatbot zinvol?

Wanneer is een kennisbank-chatbot zinvol? Als je veel tekst hebt waarin klanten of medewerkers moeilijk iets vinden: handleidingen, voorwaarden, productinformatie, interne procedures. Ook als de inhoud regelmatig verandert is het aantrekkelijk, omdat je alleen de documenten bijwerkt en niet de chatbot hoeft om te bouwen. Het is bovendien een manier om herhaalde vragen, die steeds hetzelfde antwoord krijgen, buiten je mailbox te houden. Meer over de rol van chatbots in een MKB-bedrijf lees je in AI-chatbots voor bedrijven, en over wat AI-agenten wel en niet kunnen in agentic AI voor het MKB.

Wanneer is het niet zinvol? Als je maar een handvol vaste vragen hebt, is een goed geschreven FAQ-pagina eenvoudiger. Als je documenten verouderd, tegenstrijdig of onvolledig zijn, wordt je chatbot dat ook: de kwaliteit van de antwoorden hangt af van de bron. En als een antwoord juridisch of financieel bindend is, zoals een offerte of een besluit over een aanvraag, laat dan een mens het afhandelen. Een kennisbank-chatbot geeft informatie; hij neemt geen besluiten.

Waar let je op bij privacy en toegang?

Dan privacy en toegang. Als alle documenten door dezelfde chatbot worden doorzocht, moet je zorgen dat iemand alleen krijgt te zien wat hij mag zien. In de OWASP Top 10:2025, per 11 oktober 2026 de actuele editie, staat Broken Access Control als A01 en schrijft OWASP dat het op nummer 1 blijft als ernstigste applicatiebeveiligingsrisico. Ons advies: zet interne documenten, personeelsdossiers en klantgegevens niet in dezelfde kennisbron als openbare productinformatie. Bij een koppeling met een API noemt de OWASP API Security Top 10 (editie 2023) dat autorisatiecontroles op objectniveau overwogen horen te worden in elke functie die met een ID van de gebruiker bij een databron komt.

Staan er persoonsgegevens in de documenten, zoals klantnamen in mails of tickets, dan geldt de AVG. Artikel 25 lid 2 vraagt dat in beginsel alleen persoonsgegevens worden verwerkt die noodzakelijk zijn voor elk specifiek doel, en artikel 5 lid 1 sub e dat ze niet langer dan nodig identificeerbaar worden bewaard. Haal persoonsgegevens dus uit de documenten voordat je ze opneemt, tenzij het doel ze nodig heeft. Wat de aanbieder van het taalmodel met de tekst doet, lees je in wat AI-aanbieders met je data doen; de AVG-kant staat in AI-chatbot en de AVG. Dit is algemene informatie en geen juridisch advies.

Hoe laat je dit bouwen?

Wil je een kennisbank-chatbot laten bouwen? Bij Digitaalnu start een AI-chatbot vanaf €2.500. De doorlooptijd voor overige diensten is ongeveer 6 weken, en je blijft 100% eigenaar van code en data. We beginnen met een intake waarin je laat zien welke documenten er zijn, welke vragen klanten werkelijk stellen en wat de chatbot niet mag beantwoorden. Daarna bepalen we samen welke bronnen erin gaan en hoe je ze actueel houdt. Kleine koppelingen met bestaande systemen kunnen onderdeel zijn van een AI-integratie of van maatwerk software. Gaat het om een bot voor je eigen medewerkers, bekijk dan de interne kennisbank-chatbot.

Laatst bijgewerkt op 11 oktober 2026