Wie een interne assistent wil bouwen, wil meestal geen technisch spektakel. Je wilt gewoon dat medewerkers een vraag stellen en een bruikbaar antwoord terugkrijgen, liefst met bron erbij. Daar gaat het in de praktijk vaak mis: termen als RAG en fine-tuning klinken alsof je meteen een zwaar AI-traject moet optuigen, terwijl het meestal om een vrij nuchtere ontwerpkeuze gaat.
Werk je met handleidingen, beleid, productsheets, offertes of klantdocumentatie? Dan zit je bijna altijd dichter bij een AI-assistent op je eigen kennis dan bij een model dat opnieuw getraind moet worden. En als je daarnaast ook het risico op foute antwoorden wilt beperken, is hallucinaties beheersen geen zijspoor maar een hoofdzaak.
Wat RAG en fine-tuning eigenlijk zijn
RAG staat voor retrieval augmented generation. Dat klinkt erger dan het is. Simpel gezegd: het model zoekt eerst in je documenten naar relevante stukken tekst en gebruikt die vervolgens om antwoord te geven. De kennis zit dus niet vast in het model, maar in de bronnen die je eraan koppelt.
Fine-tuning werkt anders. Daarbij pas je een model aan met extra trainingsdata, zodat het bepaalde taken, formuleringen of patronen beter oppakt. Dat kan nuttig zijn, maar het lost niet vanzelf het probleem op dat je documentatie verandert. Als je kennis elke week verschuift, wil je meestal niet steeds opnieuw trainen.
Een bruikbare vuistregel:
- RAG is vooral een zoek- en antwoordlaag bovenop bestaande kennis.
- Fine-tuning is een aanpassing van het gedrag van het model zelf.
- Voor interne kennisvragen is de eerste optie meestal veel praktischer.
Waarom RAG meestal de beste start is voor het MKB
De meeste MKB-teams hebben geen tekort aan data, maar een tekort aan overzicht. Informatie staat verspreid over SharePoint, Notion, Teams, pdf-bestanden, mailboxen en losse handleidingen. RAG sluit daar goed op aan, omdat je die bronnen kunt inladen en gecontroleerd kunt ontsluiten zonder eerst een model opnieuw te trainen.
Dat heeft drie directe voordelen.
Je kennis blijft actueel
Pas je een werkinstructie aan, dan wil je niet wachten op een nieuwe trainingsronde. Met RAG ververs je de bron en niet het model. Dat scheelt tijd, beheer en frustratie.
Je kunt bronnen laten zien
Bij interne assistenten wil een medewerker vaak weten waar een antwoord vandaan komt. RAG maakt het veel makkelijker om naar een document of passage te verwijzen. Dat is niet alleen prettig, het is vaak het verschil tussen vertrouwen en wantrouwen.
Je houdt de opzet beheersbaar
Een eerste assistent hoeft niet perfect te zijn. Hij moet vooral betrouwbaar genoeg zijn om echte tijd te besparen. Bedrijven die te vroeg zwaar inzetten op modeltraining slaan vaak een stap over: eerst bepalen welke kennis beschikbaar is, hoe schoon die is en wie eigenaar is van de inhoud.
Voor organisaties die dit serieus willen neerzetten, ligt de combinatie van AI-assistenten en werkstroomorkestratie voor de hand. Je hebt namelijk niet alleen een antwoordmachine nodig, maar ook een nette stroom van bronbeheer, toegangsrechten en updates.
Wanneer fine-tuning wel zin heeft
Fine-tuning is niet onzin. Alleen wordt het vaak te vroeg naar voren geschoven.
Het wordt interessanter als je een heel specifiek gedrag wilt afdwingen dat niet vooral afhangt van actuele documenten. Denk aan:
- vaste schrijfstijl of toon in grote volumes;
- classificatie van terugkerende input in een smal domein;
- specialistische taken waarbij voorbeelden belangrijker zijn dan bronophaling.
Zelfs dan is het slim om streng te blijven. Als je doel eigenlijk is dat een assistent antwoorden geeft op interne documenten, dan is fine-tuning vaak een omweg. Je maakt het systeem zwaarder, duurder en lastiger te onderhouden, terwijl het kernprobleem ergens anders zit.
Wat dit betekent voor privacy, broncontrole en onderhoud
Bij MKB-bedrijven met interne kennis spelen drie dingen bijna altijd mee: privacy, herleidbaarheid en beheerlast.
Met RAG kun je doorgaans preciezer sturen op welke documenten wel en niet gebruikt mogen worden. Je kunt bronnen uitsluiten, rechten respecteren en per collectie bepalen wat zichtbaar is. Dat maakt het ook makkelijker om aan te sluiten op vragen rond AI en de AVG.
Fine-tuning maakt broncontrole minder tastbaar. Als kennis eenmaal in een modelaanpassing is verwerkt, zie je niet meer zo netjes terug welke passage een antwoord heeft gevoed. Dat hoeft geen probleem te zijn bij een smalle taak, maar bij interne kennisvragen is dat juist vaak wel een probleem.
Onderhoud is het andere punt. RAG vraagt beheer van documenten, metadata en retrievallogica. Fine-tuning vraagt beheer van trainingssets, evaluaties en nieuwe trainingsrondes zodra de werkelijkheid verandert. Voor een MKB-team is dat tweede spoor meestal simpelweg te zwaar als startpunt.
Een simpel besliskader
Twijfel je nog? Gebruik dan dit grove maar bruikbare kader.
| Vraag | Past RAG beter? | Past fine-tuning beter? |
|---|---|---|
| Verandert de kennis regelmatig? | Ja | Nee |
| Moet de assistent bronnen kunnen tonen? | Ja | Meestal niet |
| Gaat het om interne documenten en beleid? | Ja | Zelden |
| Wil je specifiek modelgedrag aanleren los van documenten? | Soms | Ja |
| Wil je snel starten met beheersbaar risico? | Ja | Nee |
Voor bijna elke eerste interne kennisassistent in het MKB wijst die tabel naar RAG. Fine-tuning kan later alsnog nuttig zijn, maar dan als aanvulling op een systeem dat al staat, niet als eerste steen.
Waar je praktisch mee moet beginnen
Begin niet met modelkeuze. Begin met je bronnen.
Breng eerst in kaart welke documenten echt gebruikt worden, wie ze beheert, hoe vaak ze veranderen en welke antwoorden medewerkers daar nu uit proberen te halen. Daarna kun je veel beter bepalen of je een assistent nodig hebt die kennis ophaalt, een workflow die data klaarzet, of allebei. In veel gevallen lijkt de echte uitdaging dan meer op AI-workflows koppelen aan je MKB-software dan op een puur modelvraagstuk.
Dat is misschien minder sexy dan "we gaan fine-tunen", maar het scheelt een hoop onzinwerk. En eerlijk: daar heeft een MKB-team meer aan.
Veelgestelde vragen
Is fine-tuning beter dan RAG voor een interne kennisbank?
Meestal niet. Voor een interne kennisbank wil je dat antwoorden gebaseerd zijn op actuele documenten en dat je bronnen kunt terugvinden. Daar past RAG meestal beter bij dan fine-tuning.
Wanneer heeft fine-tuning dan wel zin?
Vooral als je het gedrag van een model wilt aanscherpen voor een smalle taak, bijvoorbeeld classificatie of een vaste schrijfstijl. Het is minder geschikt als je hoofdvraag eigenlijk draait om steeds veranderende kennis.
Maakt RAG hallucinaties helemaal onmogelijk?
Nee. RAG verlaagt het risico, maar lost het niet magisch op. Je hebt nog steeds goede bronselectie, evaluatie en waar nodig menselijke controle nodig.
Is RAG makkelijker te onderhouden voor het MKB?
Vaak wel. Je onderhoudt vooral je documenten en de koppeling met je kennisbronnen. Dat is meestal overzichtelijker dan terugkerende trainingsrondes en evaluaties van een fijn afgesteld model.
Kun je RAG en fine-tuning combineren?
Ja. Dat gebeurt ook geregeld. Alleen is dat zelden stap één voor een MKB-bedrijf. Eerst een betrouwbare kennislaag neerzetten is meestal de verstandigste route.