Veel organisaties gebruiken generatieve AI inmiddels voor algemene taken: een mail opstellen, iets opzoeken, een tekst samenvatten. Veel minder organisaties krijgen AI aan het werk binnen hún bedrijfsprocessen – met hún data en hún kennis. En dat is nou net waar het interessant wordt, want daar haal je als bedrijf de meeste waarde uit, maar heb je wel een systeem voor nodig waar medewerkers en klanten dagelijks op durven te vertrouwen. Hiervoor heb je geordende data, autorisatie, monitoring en evaluatie nodig. Met een pilot die niet opschaalt kom je er dan niet.

Retrieval-Augmented Generation is daarvoor de sleuteltechnologie. In een eerder artikel legden we uit hoe RAG werkt en waarom een Oracle-database daar een logische plek voor is. Dit stuk gaat over de stap daarna: wat er gebeurt als je een AI-agent om die RAG-opzet heen bouwt.

Wat is agentic RAG?

Agentic RAG is een RAG-opzet waarin een AI-agent zelf bepaalt hoe een vraag wordt beantwoord: hij plant de stappen, kiest welke bronnen hij raadpleegt, beoordeelt of het gevonden antwoord goed genoeg is en zoekt zo nodig opnieuw, voordat hij antwoord geeft. Klassieke RAG doet één zoekactie per vraag, agentic RAG mag er meerdere doen en kan ook zelf tussendoor bijsturen.

Een klassieke RAG-opzet is in de kern een eenmalige actie: één vraag, één zoekactie, één antwoord. Dat werkt uitstekend voor gerichte kennisvragen. Maar het loopt tegen grenzen aan zodra een vraagstuk meerdere stappen vraagt, informatie uit verschillende systemen nodig heeft, of een stukje eigen beoordeling vereist.

Vergelijk het zo. Klassieke RAG is één keer een naslagwerk openslaan. Agentic RAG is een assistent die zelf bepaalt welke boeken hij pakt, checkt of het klopt wat hij vindt, en pas daarna met een onderbouwd antwoord komt. Desnoods na een paar tussenstappen.

Wat een agent kan wat een chatbot niet kan

Voor organisaties is dit een grotere sprong dan hij op het eerste gezicht lijkt. Je gaat van een chatbot die vragen beantwoordt over documenten, naar een systeem dat een taak voor je uitvoert.

Denk aan:

• Een offerte samenstellen op basis van een productcatalogus, actuele prijsafspraken en een klanthistorie uit drie verschillende systemen
• Een dossier controleren op volledigheid en terugkoppelen welke stukken ontbreken
• Een conceptadvies opstellen (bijvoorbeeld een schadeafhandeling voor een verzekeraar) dat een medewerker alleen nog hoeft na te lopen, in plaats van het zelf van nul te schrijven

In al deze gevallen is het antwoord niet één document, maar een samenstelling. De agent moet kunnen beslissen welke bron waarvoor dient, en hij moet kunnen vaststellen wanneer hij genoeg informatie heeft om een betrouwbaar antwoord te geven en een actie in gang te zetten.

De valkuil: een agent is niet kieskeurig

Hoe autonomer het systeem, hoe zwaarder het leunt op wat eronder ligt. Een model kiest niet vanzelf de juiste versie van een document. Het haalt net zo makkelijk een verouderde polisvoorwaarde op als de meest recente, tenzij je je data fundament goed hebt ingericht. En omdat het uiteindelijk nog steeds een taalmodel is dat de tekst schrijft, blijft er een risico op hallucinaties. Kleiner dan bij een kaal taalmodel, maar niet nul.

Bij agentic RAG telt dat zwaarder dan bij een gewone kennisbot. Een fout in stap één werkt door in alle vervolgstappen, en de gebruiker ziet alleen het eindresultaat. Daarom horen bronvermelding en een herleidbaar spoor van de genomen stappen wat ons betreft standaard in zo’n systeem te zitten. Daarnaast verandert er na de oplevering steeds iets: brondocumenten worden bijgewerkt, modellen vervangen, vragen verschuiven. Daarom bouwen we altijd een monitoringstap in, die de kwaliteit blijft meten en afwijkingen signaleert.

Wij behandelen een RAG-traject dan ook nooit als AI-project, maar als datavraagstuk. Welke bronnen zijn betrouwbaar en actueel? Hoe is de data gestructureerd? Wie stelt de vraag, en welke documenten mag die persoon in dat geval terugkrijgen? En hoe borg je governance en compliance, zeker als er persoonsgegevens in het spel zijn of als je in een gereguleerde sector zit?

Waarom het dataplatform eronder het verschil maakt

Transfer Solutions is al jaren de grootste onafhankelijke Oracle-specialist van Nederland, met daarnaast een sterke Microsoft-samenwerking. We kennen de databases, platformen en data-architecturen van onze klanten door en door, of het nu gaat om Oracle 23ai en 26ai of om Azure Document Intelligence en semantic chunking.

Dat is precies waar agentic RAG staat of valt: op de kwaliteit van de data eronder, niet op de AI erboven. We bouwen geen los AI-laagje bovenop een bestaand landschap.

Dit zien we dagelijks terug. Bij een klantenservice, waar antwoorden direct en correct moeten zijn op basis van actuele productinformatie. Bij interne kennisbanken, waar nieuwe medewerkers sneller wegwijs raken. Bij verkoopondersteuning op basis van actuele catalogi. En bij compliance- en juridische vraagstukken, waar herleidbaarheid naar de bron cruciaal is.

Zo pakken we een traject aan

Klein beginnen, snel iets werkends laten zien, pas daarna opschalen. Concreet:

• Fase 1, Proof of Value. Binnen twee weken een eerste werkende functionaliteit, op basis van je eigen data en actuele embeddingmodellen
• Fase 2, Ontwikkeling. Iteratief uitbreiden naar volledige functionaliteit, in korte sprints met tussentijdse toetsing
• Fase 3, Implementatie. Integratie in bestaande systemen, uitrol naar vestigingen of afdelingen, inclusief training en begeleiding
• Fase 4, Beheer. Doorlopende kwaliteitscontroles en een meetbaar resultaat op conversie of advieskwaliteit. Geen vage belofte, maar een afgesproken metric

Geen hype, wel resultaat

RAG is niet nieuw meer, de eerste onderzoekspublicaties dateren uit 2020. Het is inmiddels volwassen genoeg om productiewaardig te zijn, mits de datafundamenten kloppen. Agentic RAG is daar de logische volgende stap op: van kennis ontsluiten naar taken uitvoeren.

Wij geloven niet in AI die los van je organisatie staat, maar in AI die eromheen gebouwd is. Vertrekkend vanuit je eigen kennis en processen, met bewijs in plaats van beloftes.

Wil je weten wat agentic RAG voor jouw organisatie kan betekenen? In een sessie van een uur kijken we samen waar het bij jullie het snelst concrete waarde oplevert. Neem dan contact met ons op door het formulier rechts op deze pagina in te vullen.