Bouw een interne AI-zoekmachine die SharePoint, Teams-kanalen, contracten en handleidingen doorzoekt. Antwoord met bronvermelding, binnen seconden — en geen hallucinaties omdat het LLM alleen mag antwoorden uit jouw documenten.
Retrieval-Augmented Generation — RAG — is de bouwsteen achter elke interne AI-zoekmachine die werkt op bedrijfsdata. De architectuur is simpel uit te leggen, maar fundamenteel anders dan een gewone ChatGPT-prompt: bij elke vraag haalt het systeem eerst de meest relevante documentfragmenten op uit jouw eigen kennisbank (vector-zoekopdracht op embeddings), geeft die als context mee aan het taalmodel, en laat het model uitsluitend antwoorden op basis van die opgehaalde fragmenten. Geen antwoord gevonden in de bronnen? Dan zegt het systeem dat ook. Geen verzonnen feiten, wel een klikbare bronvermelding bij elk antwoord.
Dat is waarom organisaties met veel interne documentatie — accountants- en advieskantoren, technische dienstverleners met honderden handleidingen, juridische kantoren met jurisprudentie-archieven, HR-afdelingen met cao's en procedures — juist RAG kiezen en geen generieke chatbot. Een medewerker die vraagt "wat was het advies over de innovatiebox voor klant X vorig kwartaal?" krijgt binnen seconden het juiste dossierfragment terug, met paragraaf en link. De alternatieven falen: SharePoint-zoek vindt alleen letterlijke trefwoorden, fine-tuning kost tienduizenden euro's per model-update, en standaard ChatGPT kent jouw bedrijf helemaal niet.
Bij CleverTech bouwen we RAG-systemen voor MKB en enterprise op een stack die we standaard bewezen hebben: embeddings via OpenAI of een EU-gehost open-source model, vector-opslag in Azure AI Search, Weaviate of Qdrant, en het retrieval-pad met hybride search (vector + BM25) plus re-ranking voor 90%+ antwoordkwaliteit. Access control uit Entra ID of je bestaande LDAP wordt per document meegeindexeerd: wie geen toegang heeft tot een HR-dossier, krijgt die inhoud ook niet via de bot te zien. Data blijft binnen de EU, auditlogging is standaard aan, en het systeem is modulair — embeddings of LLM uitwisselen kan zonder de rest om te bouwen.
Een pilot met je belangrijkste 3-5 documentbronnen (SharePoint, Confluence, een productcatalogus, je contractarchief) staat in 2-4 weken. Volledige uitrol met Teams-bot, Slack-integratie of eigen web-UI kost 6-10 weken. De investering start bij €12.500 eenmalig plus €400-900 per maand aan infra en LLM-gebruik. Voor een bedrijf waar 30 kenniswerkers gemiddeld 1-2 uur per week aan zoeken verliezen, is dat in maanden terugverdiend.
De kennis is er. De zoekmachine vindt hem alleen niet.
Medewerkers verspillen 1-2 uur per week met zoeken in SharePoint, Teams-kanalen en mailboxen — kennis zit er wel, maar is niet vindbaar
SharePoint-zoek en Windows Search vinden alleen exacte trefwoorden — vragen als "wat is onze coulanceregeling B2B?" leveren niets op als het document spreekt over "afwijkende factuurtermijnen"
Standaard ChatGPT kent je bedrijf niet: antwoorden zijn generiek of gewoon fout omdat het model jouw contracten, prijzen en procedures nooit heeft gezien
Fine-tuning van een eigen model kost €5.000-€50.000 per run en is direct verouderd zodra je een handleiding bijwerkt of een nieuw contract afsluit
Senior medewerkers vertrekken en nemen hun dossierkennis mee — wat niet vastligt in een doorzoekbaar systeem is weg
Ingrediënten van een RAG-stack die werkt — en waar wij standaard voor kiezen
Embeddings (OpenAI text-embedding-3 of EU-gehost open-source) plus een vector-database (Azure AI Search, Weaviate of Qdrant). De bot begrijpt de intentie achter een vraag, niet alleen de letterlijke woorden — synoniemen, parafrases en conceptuele verbanden worden meegewogen.
Vector-search vangt betekenis, BM25-keyword-search vangt exacte termen (productcodes, klantnamen). De combinatie plus een re-ranker haalt 90%+ antwoordkwaliteit op bedrijfsdocumentatie — zonder re-ranking blijft dat rond 75%.
Permissions uit Entra ID of je bestaande LDAP-groepen worden per document als filter-metadata meegeindexeerd. Een finance-document komt alleen terug in de resultaten van iemand die in de finance-groep zit. Geen aparte permission-laag om apart te beheren.
Elk antwoord bevat klikbare verwijzingen naar document + paragraaf + pagina. Gebruikers verifiëren in één klik. Geen bron gevonden die de vraag dekt? Dan meldt het systeem dat — geen gegokte antwoorden.
Kant-en-klare ingest-pipelines voor SharePoint, OneDrive, Google Drive, Confluence, Notion, Jira en e-mail (EML/MSG). Geen API? Dan via scheduled file-drops of database-direct. PDF-scans worden automatisch door OCR gehaald.
De chat zit waar je medewerkers al zijn. Teams-bot via Bot Framework, Slack-app via Events API, of een standalone Next.js-interface als je iets publiek-gerichts wilt (zoals een klantportaal-bot). Alle drie werken op dezelfde retrieval-backend.
Klaar om te kijken wat rag systeem voor bedrijven voor jou betekent?
Plan een RAG-demo met jouw documentatieVijf concrete stappen — geen maandenlang blackbox-traject
Bron-inventarisatie & top-vragen — we brengen in kaart welke 3-5 documentbronnen de meeste vragen opvangen en verzamelen 25 benchmark-vragen die medewerkers nu handmatig beantwoorden
Architectuur & privacy-keuze — embedding-model, vector-DB, hosting-regio (altijd EU) en access-control-mapping uit Entra ID/LDAP
Ingest & chunking — documenten worden opgeschoond, semantisch gechunked (512-1024 tokens, 10-15% overlap) en geïndexeerd mét metadata-filters
Pilot met 5-15 key users — we meten retrieval-accuratesse, antwoordkwaliteit en tevredenheid; re-ranking en prompt-tuning verbeteren de scores iteratief
Uitrol & integratie — Teams-bot, Slack-app of web-UI, plus auditlogging, alerting en een beheerroutine voor herindexatie bij document-updates
Van LLM-implementatie tot documentgeneratie
Predictive analytics die individuele entiteiten scoort op risico en gedrag. Churn preventie, fraudedetectie, kredietrisico, leadscoring. Live model in 4-6 weken, vanaf €5.000.
Een AI-documentsysteem dat data uit HubSpot, Exact of AFAS ophaalt en een review-klaar document levert in onder 15 minuten — in uw huisstijl, met correcte berekeningen.
Je medewerkers gebruiken ChatGPT al privé. Wij maken er een georganiseerde implementatie van: juiste licentie, veilig binnen de EU, met prompt-bibliotheken en integratie in de werkplek die je mensen al gebruiken.
