Chatbot op eigen documenten: zo werkt RAG voor jouw bedrijf
Gepubliceerd op 24-10-2026
Stel je voor: een nieuwe medewerker stelt de hele dag dezelfde vragen. Hoe lang is de proeftijd? Wat is ons retourbeleid? Welke korting geldt voor groothandelsklanten? Elke keer zoekt iemand het op, typt het antwoord, of zegt "staat in het handboek" — en niemand weet precies op welke pagina.
Dat is het probleem dat een goed opgezette AI-chatbot kan oplossen. Niet een chatbot die maar wat raadt, maar eentje die jouw eigen documenten heeft gelezen en daar antwoord uit haalt. Hoe dat werkt, wat het eerlijk gezien wél en niet kan, en wat je aan de datakant moet regelen — dat leg ik hier uit.
Wat een RAG-chatbot eigenlijk doet
De kerngedachte is simpel: de chatbot zoekt eerst het relevante stuk op in jouw eigen documenten en geeft daar antwoord op. Niet uit zijn eigen "geheugen" of uit wat hij ooit op internet geleerd heeft, maar uit wat jij hem gegeven hebt.
Dat klinkt vanzelfsprekend, maar het verschil is groot. Een gewone AI-assistent (zoals ChatGPT in de basisversie) weet niets over jouw bedrijf. Hij verzint een antwoord dat plausibel klinkt — en dat klopt dan toevallig wel of niet. Een chatbot die op jóuw documenten is aangesloten, haalt het antwoord op uit precies de tekst die jij daarvoor aangewezen hebt.
De techniek achter dit idee heet "Retrieval-Augmented Generation" (RAG) — maar die term hoef je niet te onthouden. RAG betekent simpelweg: de chatbot zoekt eerst de juiste passage op in jóuw documenten en geeft daar antwoord op. Meer niet.
Hoe RAG werkt in vier stappen
Stap 1 — Jouw documenten worden ingelezen
Handboeken, FAQ-pagina's, productbladen, interne wikis, prijslijsten: alles wat je de chatbot wil laten kennen, wordt eenmalig ingelezen. De tekst wordt opgedeeld in stukjes en opgeslagen op een manier waarop snel gezocht kan worden.
Stap 2 — Een vraag komt binnen
Een medewerker of klant typt een vraag. Op dat moment zoekt het systeem in de opgeslagen stukjes naar wat het meest relevant is voor die vraag — vergelijkbaar met hoe een zoekmachine zoekt, maar dan op jouw eigen documenten.
Stap 3 — De relevante stukjes gaan mee naar de AI
De gevonden passages worden meegestuurd aan de AI, samen met de vraag. De AI krijgt als instructie: beantwoord deze vraag op basis van deze tekst, en niets anders.
Stap 4 — De chatbot geeft antwoord (of zegt dat hij het niet weet)
Als het antwoord in de documenten staat, geeft de chatbot een helder, mensvriendelijk antwoord. Als het er niet in staat, zegt hij dat. Niet gokken, niet verzinnen — gewoon: "Dit staat niet in de informatie die ik heb."
Wat een chatbot op eigen documenten concreet voor je doet
Hier zijn voorbeelden van vragen die zo'n chatbot prima beantwoordt — mits de informatie in jouw documenten staat:
- "Hoe lang duurt onze standaard levertijd naar België?"
- "Wat is ons beleid bij klachten over beschadigde producten?"
- "Welke documenten heeft een nieuwe leverancier nodig om zich aan te melden?"
- "Mag een medewerker in de proeftijd al vakantiedagen opnemen?"
- "Wat zijn de technische specificaties van product X?"
Dit zijn vragen die nu misschien bij een collega, een manager of een overvolle inbox terechtkomen. Een chatbot die het antwoord direct kan geven, scheelt tijd — voor alle kanten.
Eerlijk over de grenzen van een RAG-chatbot
Ik wil hier niet om de hete brei heen draaien, want dit soort tools worden snel over-verkocht. Dus: wat kan dit systeem níet?
Het verzint geen antwoorden — maar kan verkeerd interpreteren. Als de vraag vaag is of meerdere interpretaties heeft, kan het antwoord naast de bedoeling liggen. Goede documenten helpen, maar dit is geen magische leesoplossing.
Het is zo actueel als jouw documenten. Heb je het retourbeleid vorige maand aangepast maar de PDF nog niet bijgewerkt? Dan geeft de chatbot het oude antwoord. De kwaliteit van de output is direct afhankelijk van de kwaliteit en actualiteit van wat je erin stopt.
Het kan vragen buiten scope niet beantwoorden. Dat is bewust zo ontworpen. Een klantgerichte chatbot hoort niet te speculeren over onderwerpen die buiten jouw bedrijfsdocumentatie vallen. "Dat weet ik niet op basis van de informatie die ik heb" is een eerlijk en veilig antwoord.
Complexe redeneerketens zijn lastig. Vragen die meerdere stappen vereisen ("Als ik dit product koop en het is beschadigd maar ik woon buiten de EU, wat dan?") gaan soms goed, soms niet. Rechttoe-rechtaan vragen gaan veel beter.
De datakant van een AI-chatbot: nuchter bekeken
Welke documenten? Waar staan ze? Wie mag wat zien?
Dit zijn de vragen die ik bij elke opdracht stel, en die eerder beslist moeten worden dan de techniek. Want een chatbot die voor iedereen dezelfde antwoorden geeft, is prima voor een publieke FAQ — maar niet voor een intern systeem waar sommige medewerkers meer informatie mogen zien dan anderen.
Een paar praktische afwegingen:
Welke documenten lever je aan? Begin beperkt en gericht. Niet de hele gedeelde schijf, maar de documenten die écht de meest gestelde vragen bevatten. Een strakke, goed bijgehouden kennisbank werkt beter dan een gigantische berg losse bestanden.
Wie beheert de documenten? Er moet iemand verantwoordelijk zijn voor het bijhouden. Als een beleid verandert, moet de bijbehorende tekst ook updaten. Dit is geen technisch probleem; het is een organisatorisch afspraakje.
Waar staat de data? De documenten hoeven niet naar een extern platform. Afhankelijk van de opzet kunnen ze binnen je eigen omgeving blijven. Voor gevoelige bedrijfsinformatie is dat een serieuze overweging — en een die ik altijd bespreek voordat er ook maar één document wordt ingelezen.
Wie ziet wat? Als je medewerkers en klanten allebei via de chatbot vragen stellen, wil je waarschijnlijk twee aparte systemen of twee aparte kennisbanken. Wat je interne team mag weten, hoeft een externe klant niet te zien.
Veelgestelde vragen over RAG en AI-chatbots op eigen documenten
Is dit hetzelfde als ChatGPT? Nee. ChatGPT (en vergelijkbare tools) antwoordt vanuit wat het tijdens de training geleerd heeft — internet, boeken, teksten. Een chatbot op jouw eigen documenten haalt het antwoord puur uit wat jij aangeleverd hebt. Dat is een fundamenteel ander model.
Kan de chatbot fouten maken? Ja. Niet door iets te verzinnen dat er niet is (dat is juist wat we voorkomen), maar door een passage verkeerd te begrijpen of een vraag te beantwoorden op basis van een te algemene passage. Goede, gestructureerde documenten beperken dit.
Hoeveel documenten kan het systeem aan? Dat hangt af van de technische opzet, maar in de praktijk gaat het over honderden tot duizenden pagina's tekst. Een redelijk omvangrijke kennisbank is geen probleem.
Kan dit ook voor klanten? Absoluut. Een klantenservice-chatbot die 's avonds en in het weekend beschikbaar is en veelgestelde vragen beantwoordt vanuit jouw productdocumentatie — dat is een van de meest directe toepassingen.
Wat als de chatbot iets zegt wat niet klopt? Een goed ontworpen systeem geeft altijd de bron mee ("dit antwoord is gebaseerd op [document X]"), zodat de gebruiker het kan controleren. En ja, controle blijft belangrijk — zeker in het begin.
Kijken hoe het werkt?
Op de website staat een werkende demo: een chatbot die antwoordt op basis van de documentatie van een voorbeeldbedrijf. Je kunt er zelf vragen in typen en zien hoe het systeem reageert — ook als je iets vraagt wat buiten de scope valt.
Dat is precies het soort bewijs dat ik het liefst lever: niet een uitleg in een presentatie, maar iets wat je zelf kunt proberen.
Samenvatting
Een chatbot die je eigen handboek kent, lost een concreet probleem op: steeds terugkerende vragen die nu tijd kosten van mensen die iets beters te doen hebben. De techniek werkt door bij elke vraag eerst de juiste passages op te zoeken in jouw documenten — en alleen daarvandaan antwoord te geven.
Wat het wél kan: duidelijke vragen beantwoorden vanuit goed bijgehouden documentatie, eerlijk "ik weet het niet" zeggen als het buiten scope valt, en dag en nacht beschikbaar zijn.
Wat het niet kan: verzinnen, speculeren, of omgaan met slechte of verouderde documenten.
De datakant vraagt om nadenken vóór de bouw: welke documenten, wie beheert ze, en wie mag wat zien. Dat zijn organisatorische vragen, geen technische — en juist daar begint een goed traject.
Wil je ook begrijpen hoe je veilig omgaat met de data die zo'n chatbot verwerkt — en of die data de cloud in mag? Lees dan: Lokale LLM of cloud: wat gebeurt er met jouw data?. Of, als je nog aan het begin staat: AI beginnen in het MKB: start met één saai proces.
Ben je benieuwd of een chatbot op eigen documenten iets is voor jouw bedrijf? Plan een gratis intake — dan kijken we samen welke vragen bij jou het meest terugkomen en of een RAG-chatbot daar een nuttige rol in kan spelen.