Iedere organisatie wil vandaag de dag aan de slag met generatieve AI en. Chatbots, AI Agents, virtuele assistenten, slimme zoekfuncties, de beloftes zijn groot. Maar wie ermee heeft gewerkt, loopt al snel tegen dezelfde muur aan: een generiek taalmodel weet simpelweg niet wat er speelt binnen jóuw organisatie. Het kent je klantendossiers niet, je actuele voorraadstanden niet, en al helemaal niet het contract dat gisteren is getekend.

Dat is precies het probleem dat Retrieval-Augmented Generation (RAG) oplost, een technologie waar wij bij Transfer Solutions dagelijks mee werken.

Wat is RAG en hoe werkt het?

Retrieval-Augmented Generation (RAG) is een techniek waarbij een taalmodel bij elke vraag eerst relevante informatie ophaalt uit een externe kennisbank met je eigen data, en die informatie meeneemt bij het formuleren van het antwoord. Zo geeft het model antwoorden die kloppen, actueel zijn en te herleiden naar de bron, zonder dat het model hoeft te worden hertraind.

Waarom dat nodig is: een large language model (LLM) is getraind op enorme hoeveelheden data, maar die training stopt op een gegeven moment. Alles wat daarna gebeurt, nieuwe producten, actuele cijfers, recente besluiten, kent het model niet. Voor een chatbot die vragen moet beantwoorden over jouw organisatie is dat een serieus probleem. Het model gokt, of erger, het verzint een antwoord dat overtuigend klinkt maar feitelijk onjuist is.

RAG lost dit op door het taalmodel te koppelen aan een actuele, doorzoekbare kennisbank van je eigen data: databases, documenten, foto’s, contracten, e-mails en handgeschreven teksten. Stelt een gebruiker een vraag, dan wordt eerst de relevante informatie uit die kennisbank opgehaald via vectorzoekopdrachten. Die context gaat vervolgens samen met de oorspronkelijke vraag naar het taalmodel.

Je hoeft hiervoor het onderliggende model niet te hertrainen, iets wat kostbaar en tijdrovend is. De kennisbank werk je continu en tegen lage kosten bij, waardoor de AI altijd met de meest recente informatie werkt.

Waarom RAG het verschil maakt voor klantenservice en kennisdeling

Denk aan een klantenservice-chatbot die precies weet welk contract een klant heeft, wat de status van een lopende order is en wat er in het laatste supportgesprek is besproken. Of een interne kennisassistent die medewerkers direct het juiste antwoord geeft uit beleidsdocumenten, in plaats van dat ze zelf door tientallen PDF’s moeten zoeken.

Dat is de belofte van RAG: AI die niet slim klinkt, maar klopt. Met bronvermelding erbij, zodat fouten snel te herleiden en te corrigeren zijn.

Autorisatie bij RAG: wie mag welke informatie zien?

Een vraag die bij vrijwel elk RAG-traject binnen een paar weken op tafel komt: wie mag welke informatie terugkrijgen? Een kennisbank die alle documenten van de organisatie bevat, is razendsnel opgebouwd. Maar een medewerker van de servicedesk hoort geen salarisgegevens of overnamedocumenten terug te krijgen, ook niet als hij er handig naar vraagt.

Autorisatie hoort daarom niet achteraf op de chatbot geplakt te worden, maar ingebouwd te zitten in de ophaalstap zelf. Alleen documenten waar de gebruiker recht op heeft, komen in de context terecht. Juist dit stuk onderschatten organisaties bij een eerste proof of concept, en juist hier komt jarenlange ervaring met databasebeveiliging en governance van pas.

RAG implementeren met Oracle 23ai en 26ai

Als grootste onafhankelijke Oracle-specialist van Nederland, met daarnaast een sterk Microsoft– en Power BI-partnerschap, zien wij RAG niet los van de rest van ons vakgebied. Het bouwt voort op waar we al decennialang goed in zijn: het structureren en ontsluiten van bedrijfskritische data. RAG is voor ons geen nieuwe discipline, maar een volgende zet in een spel dat we goed kennen.

Binnen onze Data, Analytics & AI-unit vertalen we RAG-technologie naar concrete oplossingen, onder meer op basis van Oracle Database 23ai en het nieuwere 26ai. Daarin zijn vectoropslag en vectorzoekfunctionaliteit (AI Vector Search) native geïntegreerd in de database. Dat scheelt: organisaties die al op Oracle draaien, hoeven geen aparte vectordatabase naast hun bestaande platform op te tuigen. De kennisbank, de governance en de beveiliging blijven op dezelfde vertrouwde infrastructuur staan.

We begeleiden klanten daarbij niet alleen op de technologie, maar door het hele traject: van het structureren van ongestructureerde data, via het opzetten van een betrouwbare kennisbank, tot een productieklare toepassing die medewerkers en klanten echt beter bedient.

Van geordende data naar bruikbare AI

RAG is een middel, geen doel. En het is geen wondermiddel dat je zomaar over je kennisbank heen legt. Het vraagt om een doordachte aanpak van datamodellering, kwaliteitscontrole en een proces om onjuiste of verouderde informatie weer uit de kennisbank te halen. Daar ligt onze meerwaarde. We combineren diepgaande Oracle-databasekennis met AI-expertise, zodat RAG-implementaties niet blijven steken in een proof of concept maar waarde toevoegen in productie.

Benieuwd wat RAG voor jouw organisatie kan betekenen? In een gesprek van een uur kijken we samen naar je huidige data-landschap en welke toepassing de meeste waarde oplevert. Neem contact met mij op, Joanthan van Vianen 0345616888.