---
title: "Wat is RAG? De sleutel tot een AI-agent die niet liegt"
description: "RAG laat een AI-agent antwoorden uit je eigen documenten, met bron, in plaats van te gokken. Wat het is, hoe het werkt en waarom je data veilig blijft."
canonical: "https://www.whatsnext-ai.com/nl/blog/what-is-rag-in-ai"
published: "2026-08-27T00:00:00.000Z"
updated: "2026-09-10T08:06:39.300Z"
---

# Wat is RAG? De sleutel tot een AI-agent die niet liegt

RAG laat een AI-agent antwoorden uit je eigen documenten, met bron, in plaats van te gokken. Wat het is, hoe het werkt en waarom je data veilig blijft.

![Wooden sign reading RAGS on a woven basket, a visual nod to RAG (retrieval-augmented generation)](https://fgzcpjbyiakhjifaciaj.supabase.co/storage/v1/object/public/media/what-is-rag-in-ai-cover.jpg)

RAG (Retrieval-Augmented Generation) laat een AI-model eerst zoeken in jouw eigen documenten en dan pas antwoorden. Elk antwoord is gebaseerd op gevonden bronnen, met bronvermelding. Zo krijg je een AI-agent die antwoordt uit jouw data in plaats van te gokken.

In AI staat RAG voor Retrieval-Augmented Generation, en het is het verschil tussen een AI die overtuigend klinkt en een AI die aantoonbaar klopt.

Als je ooit een AI-model een vraag over je eigen bedrijf hebt gesteld en een vloeiend, zelfverzekerd, maar volledig verzonnen antwoord terugkreeg, dan ken je het probleem. Dat heet hallucineren, en het is de belangrijkste reden dat bedrijven aarzelen om AI serieus in te zetten. RAG is de standaardoplossing daarvoor. Dit stuk legt uit hoe het werkt, waarom het hallucinaties tegengaat, en waarom het bepaalt of je bedrijfsdata veilig blijft.

### Waarom een gewoon AI-model "liegt"

Een taalmodel als ChatGPT of Claude is getraind om het meest waarschijnlijke volgende woord te voorspellen. Het is geen database en het "weet" niets in de strikte zin. Het genereert taal die klopt met patronen uit zijn training.

Dat werkt verbluffend goed voor algemene vragen. Maar stel een vraag waarop het antwoord in jouw interne documenten staat, en het model heeft twee opties: toegeven dat het het niet weet, of een plausibel klinkend antwoord verzinnen. In de praktijk kiest het te vaak voor het tweede. Het vult de gaten met iets dat eruitziet als een antwoord.

Voor een blogtekst is dat vervelend. Voor een offerte, een juridisch stuk of een beleidsvraag is het onacceptabel. Je kunt geen bedrijf runnen op antwoorden die overtuigend klinken maar niet te controleren zijn. Meer over dit fenomeen lees je in onze uitleg van [hallucinatie](https://www.whatsnext-ai.com/glossary/hallucination).

### Wat RAG precies doet

RAG draait de volgorde om. In plaats van het model direct te laten antwoorden, laat je het eerst zoeken. Het proces is: haal eerst de relevante stukken uit jouw eigen bronnen op (retrieval), en genereer dan pas een antwoord op basis van die stukken (generation). Vandaar retrieval-augmented generation: generatie, versterkt met opgehaalde kennis. De techniek werd [in 2020 geïntroduceerd door onderzoekers van Meta (toen Facebook AI Research; Lewis e.a.)](https://arxiv.org/abs/2005.11401) en is inmiddels de standaardmanier om een taalmodel op eigen data te laten werken.

Het gevolg is fundamenteel. Het model verzint niet langer uit zijn algemene training, maar redeneert over documenten die jij hebt aangeleverd. Vraag "wat hebben we gedaan rond meidenvoetbal in Brabant", en de agent zoekt in jouw projectarchief, vindt de relevante passages, en formuleert een antwoord dat je kunt terugvoeren naar de bron.

Dat laatste is de kern: een goede RAG-opzet vermeldt bij elk antwoord de bron. Je krijgt niet alleen een antwoord, je krijgt de vindplaats erbij. Daarmee wordt controleerbaarheid ingebouwd in plaats van achteraf toegevoegd.

### Hoe RAG technisch werkt, stap voor stap

Je hoeft geen data scientist te zijn om de architectuur te begrijpen. Ze bestaat uit vier lagen.

#### 1. Ingestie

Je documenten worden ingelezen vanuit de plek waar ze al staan, bijvoorbeeld OneDrive of SharePoint via Microsoft Graph. Ze worden omgezet naar tekst, opgeknipt in stukken (chunks) en voorzien van metadata: klant, documenttype, datum, en meer.

#### 2. Embeddings

Elk stuk tekst wordt omgezet in een reeks getallen die de betekenis ervan vastlegt, een zogeheten [embedding](https://www.whatsnext-ai.com/glossary/embeddings). Teksten die inhoudelijk op elkaar lijken, krijgen vergelijkbare getallen. Zo kan een systeem op betekenis zoeken, niet op exacte woorden.

#### 3. Vectordatabase

Die embeddings worden opgeslagen in een [vectordatabase](https://www.whatsnext-ai.com/glossary/vector-database). Wanneer iemand een vraag stelt, wordt ook die vraag omgezet in getallen, en de database vindt de stukken tekst die er qua betekenis het dichtst bij liggen. Dit is waarom een RAG-agent "wat hebben we rond meidenvoetbal gedaan" begrijpt zonder dat het woord letterlijk in het document hoeft te staan.

#### 4. Gegenereerd antwoord met bron

De opgehaalde stukken gaan samen met de vraag naar het taalmodel, met de instructie: beantwoord dit uitsluitend op basis van deze stukken, en verwijs naar de bron. Zo blijft het model binnen jouw kennis in plaats van te gokken.

Het model dat het antwoord formuleert, is bewust uitwisselbaar. Kiest een concurrent volgend jaar een beter model, dan wissel je dat onderdeel. De kennislaag blijft staan. Waarom dat uitmaakt, lees je in [model-agnostische AI-architectuur](https://www.whatsnext-ai.com/blog/model-agnostic-ai-architecture).

### RAG, fine-tuning of een groter contextvenster?

RAG is niet de enige manier om een model met jouw kennis te laten werken. Fine-tuning traint een model bij op jouw data, maar dat is duur, moet je herhalen bij elke wijziging, en het model kan de bron nog steeds niet aanwijzen. Een groter [contextvenster](https://www.whatsnext-ai.com/glossary/context-window), alle documenten in één keer meesturen, werkt voor een handvol bestanden, maar loopt vast zodra je kennisbank groeit en maakt elke vraag traag en duur.

RAG haalt alleen de relevante stukken op, schaalt naar duizenden documenten, en houdt de bron bij elk antwoord. Voor bedrijfskennis die verandert en controleerbaar moet blijven, wint RAG.

### Is jouw bedrijfsdata veilig met RAG?

Bij een goed gebouwde RAG-opzet blijft je data van jou. De documenten blijven in jouw omgeving, de vectordatabase kan in een EU-regio staan, en het systeem werkt uitsluitend op jouw content, zonder die te gebruiken om externe modellen te trainen.

De meeste uitleg over RAG stopt bij de techniek. Voor een bedrijf begint daar juist de belangrijkste vraag: waar staat mijn data, en wie kan erbij? Dit is precies waar publieke AI-tools tekortschieten. Zodra je gevoelige documenten in een gratis tool plakt, verlies je de controle over waar die tekst terechtkomt en of hij gebruikt wordt om een extern model te trainen. Voor de meeste Nederlandse bedrijven is dat een streep door de haalbaarheid, nog voor je aan de AVG toekomt.

Dat je zelf bepaalt waar alles draait, is geen detail. Het is het verschil tussen AI die mag van je juridische afdeling en AI die niet mag.

### Hoe dit er in de praktijk uitziet

[More2Win](https://www.whatsnext-ai.com/cases/turning-scattered-knowledge-into-an-ai-powered-research-engine), een sport-gedreven impactbureau uit 's-Hertogenbosch, had vijf jaar aan kennis verspreid over OneDrive-mappen: gemeentelijke beleidsdocumenten, partneronderzoek, programmaopzetten, impactrapporten. Elke nieuwe offerte begon met een strateeg die mappen opende en gokte naar bestandsnamen. De kennis was er, maar onvindbaar op het moment dat het nodig was.

Wij bouwden voor hen een privé AI-onderzoeksengine op precies de architectuur hierboven. Documenten worden automatisch ingelezen via Microsoft Graph, omgezet naar embeddings en opgeslagen in Pinecone, gepartitioneerd per klant en regio zodat een Utrechtse offerte geen beleidshaakjes uit een Rotterdams project oppikt. Het team stelt vragen in het Nederlands of Engels en krijgt een onderbouwd antwoord met een link naar het bronbestand. Een menselijke controlelaag markeert classificaties met lage zekerheid, zodat de kennisbank schoon blijft.

De cijfers: het voorwerk dat vroeger een halve dag per offerte kostte, duurt nu 30 seconden per vraag. De onderzoekskost per offerte daalt van ongeveer 320 euro handmatig naar 50 eurocent, zo'n 640 keer goedkoper (bij 60 offertes per jaar: van 19.200 naar 30 euro). Meer dan 1.000 documenten zijn in seconden doorzoekbaar, en van de discovery-fase tot productie duurde het 12 weken. En cruciaal: het draait EU-gehost, op hun eigen data, zonder externe modeltraining.

Het diepere punt is eigendom. Als What's Next morgen zou verdwijnen, houdt More2Win de data, de prompts en de configuratie. Dat is het verschil tussen een SaaS-abonnement en een strategisch bezit. Wij bouwen dat soort systemen in code, geen low-code, juist omdat je het anders niet echt in handen hebt. De techniek achter zo'n betrouwbare agent lichten we verder toe in [de techniek achter een betrouwbare AI-agent](https://www.whatsnext-ai.com/blog/the-tech-behind-a-reliable-ecommerce-ai-agent).

### Wanneer je RAG nodig hebt (en wanneer niet)

RAG is de juiste keuze zodra een AI-agent moet antwoorden op basis van jouw specifieke, veranderende of vertrouwelijke kennis: interne documentatie, klantdossiers, productinformatie, beleid. Overal waar "verzin geen antwoord" belangrijker is dan "wees creatief", hoort RAG.

Je hebt het niet nodig voor puur creatieve of algemene taken, waar het model juist uit zijn brede training mag putten. En het is geen wondermiddel: als je brondocumenten rommelig of tegenstrijdig zijn, geeft RAG je nette antwoorden op rommelige input. De kwaliteit van de kennisbank bepaalt de kwaliteit van de antwoorden.

Voor de meeste bedrijven die een [AI-agent](https://www.whatsnext-ai.com/blog/what-is-an-ai-agent) op hun eigen data willen zetten, is RAG niet een optie maar de basis. Het is wat een agent laat antwoorden uit jouw werkelijkheid, met bronvermelding, in plaats van te gokken.

Wil je weten of jouw kennis geschikt is voor een RAG-opzet en waar die dan veilig kan draaien? [Boek een gratis adviesgesprek](https://www.whatsnext-ai.com/contact). Dan kijken we samen naar je documenten en de architectuur die bij je databeleid past.

### Veelgestelde vragen

#### Wat betekent RAG in AI?

RAG staat voor Retrieval-Augmented Generation. Het is een techniek waarbij een AI-model eerst relevante stukken uit jouw eigen documenten ophaalt en het antwoord daarop baseert, in plaats van puur op zijn algemene training. Zo antwoordt het uit jouw data, met bronvermelding.

#### Voorkomt RAG hallucinaties volledig?

RAG vermindert hallucinaties sterk doordat het model antwoordt op basis van opgehaalde bronnen in plaats van te gokken. Het is geen absolute garantie: de kwaliteit hangt af van je brondocumenten en van een controlelaag die antwoorden met lage zekerheid markeert.

#### Blijft mijn bedrijfsdata veilig bij RAG?

Bij een goed gebouwde opzet wel. Je documenten blijven in jouw eigen omgeving, de vectordatabase kan in een EU-regio staan, en het systeem werkt uitsluitend op jouw content zonder die te gebruiken voor het trainen van externe modellen.

#### Wat is het verschil tussen RAG en een gewoon taalmodel?

Een gewoon taalmodel antwoordt uit zijn algemene training en kan dingen verzinnen. RAG laat het model eerst zoeken in jouw specifieke bronnen en baseert het antwoord daarop, met een verwijzing naar de vindplaats, zodat je het kunt controleren.

#### Wat is het verschil tussen RAG en MCP?

RAG gaat over het ophalen van relevante kennis uit jouw documenten en die aan het model geven. MCP (Model Context Protocol) is een standaard waarmee een AI-agent verbinding maakt met externe tools en gegevensbronnen. Ze bijten elkaar niet: een agent kan MCP gebruiken om ergens bij te komen en RAG om betrouwbaar uit jouw kennis te antwoorden.

#### Wat zijn voorbeelden van RAG?

Denk aan een supportagent die antwoordt uit je handleidingen, een interne kennisbank die vragen van medewerkers beantwoordt, een juridische of beleidszoeker die naar de bronclausule verwijst, of sales-enablement die uit eerdere offertes en cases put. Overal waar antwoorden uit jouw eigen documenten moeten komen.