AI in Hiring · 8 min leestijd

Wat is RAG? Retrieval-augmented generation uitgelegd voor HR en management

Wat is RAG (retrieval-augmented generation)? Hoe het stap voor stap werkt, wanneer het beter is dan fine-tuning, typische fouten en hoe je het evalueert.

Door Ingmar van Maurik · Founder & CEO, Making Moves


Kort antwoord

RAG (retrieval-augmented generation) is een manier om een taalmodel antwoorden te laten geven op basis van jouw eigen documenten. Bij elke vraag zoekt het systeem eerst de relevante passages op, bijvoorbeeld uit je personeelshandboek, en geeft die samen met de vraag aan het model. Het model formuleert dan een antwoord met bronvermelding. Zo krijg je actuele, controleerbare antwoorden zonder het model zelf opnieuw te trainen. Of een RAG-systeem goed werkt, hangt vooral af van het zoekdeel: haalt het de juiste stukken op, en alleen de stukken die de vrager mag zien?

Waarom RAG bestaat

Een taalmodel weet alleen wat in de trainingsdata zat. Het kent jouw verlofregeling niet, weet niet dat het reisbeleid vorige maand is aangepast en heeft geen toegang tot je interne wiki. Vraag je het toch, dan krijg je vaak een plausibel klinkend maar verzonnen antwoord.

RAG lost dat op door het model niet te laten "onthouden", maar te laten opzoeken. De term komt uit een onderzoekspaper uit 2020 en is sindsdien de standaardaanpak geworden voor interne assistenten, kennisbanken en klantenservice op basis van eigen documentatie.

Hoe RAG werkt, stap voor stap

1. Documenten verzamelen. Beleidsstukken, handboeken, functieprofielen, FAQ's. Inclusief metadata: wie is eigenaar, wanneer is het bijgewerkt, wie mag het lezen.

2. Chunking. Documenten worden opgeknipt in kleinere stukken, bijvoorbeeld per paragraaf of sectie. Te kleine stukken missen context, te grote stukken bevatten ruis. Goede chunking volgt de structuur van het document.

3. Embeddings. Elk stuk wordt omgezet in een embedding: een lange reeks getallen die de betekenis van de tekst vastlegt. Teksten met een vergelijkbare betekenis krijgen vergelijkbare getallen, ook als ze andere woorden gebruiken.

4. Vectorzoeken. De vraag van de gebruiker wordt ook omgezet in een embedding. Een vectordatabase zoekt de stukken waarvan de betekenis het dichtst bij de vraag ligt. Vaak wordt dit gecombineerd met klassiek zoeken op trefwoorden (hybride zoeken), omdat vectorzoeken soms codes, namen of exacte termen mist.

5. Reranking. Een tweede, preciezer model beoordeelt de gevonden kandidaten opnieuw en zet de meest relevante bovenaan. Alleen de beste paar gaan door.

6. Prompt met bronnen. De geselecteerde stukken worden met de vraag in de prompt gezet, met een instructie als: beantwoord alleen op basis van deze bronnen en zeg het eerlijk als het antwoord er niet in staat.

7. Antwoord met bronvermelding. Het model geeft een antwoord en verwijst naar de gebruikte stukken, zodat de gebruiker kan controleren waar het vandaan komt.

Wanneer RAG, fine-tuning of een lang contextvenster?

AanpakWat het doetGeschikt voorMinder geschikt voor

|---|---|---|---|

RAGZoekt bij elke vraag relevante stukken opVeel documenten, kennis die verandert, bronvermelding en rechten per gebruikerTaken die vooral een andere schrijfstijl of vast uitvoerformaat vragen Fine-tuningTraint het model bij op voorbeeldenVaste toon, vast formaat, specifieke classificatietakenFeiten die vaak veranderen; je kunt kennis er niet eenvoudig weer uithalen en je krijgt geen bronnen Lang contextvensterStopt alle documenten in één promptEen paar documenten, eenmalige analyseGrote kennisbanken; kosten en snelheid per vraag lopen op, en modellen gebruiken informatie midden in een lange tekst niet altijd even goed

In de praktijk combineer je ze vaak. Maar voor de vraag "laat medewerkers ons beleid raadplegen" is RAG bijna altijd het startpunt.

Typische faalwijzen

  • Verkeerde stukken. Het systeem haalt een passage op die op de vraag lijkt maar er niet over gaat, bijvoorbeeld de verlofregeling van een andere cao. Het antwoord klinkt dan zeker, maar klopt niet.
  • Verouderde documenten. De oude en de nieuwe versie van een beleid staan allebei in de index. Zonder datum en versiebeheer kiest het systeem willekeurig.
  • Geen filtering op rechten. Iedereen kan via de assistent stukken uit salarisoverzichten of verzuimdossiers opvragen. Dit is het grootste risico en het moet bij het ophalen geregeld worden, op basis van wie de vraag stelt. Een instructie in de prompt als "deel geen vertrouwelijke info" is geen beveiliging.
  • Verzonnen bronvermeldingen. Het model noemt een bron die niet bestaat of die iets anders zegt. Controleer automatisch of geciteerde stukken echt zijn opgehaald en de bewering ondersteunen.
  • Geen "ik weet het niet". Als er geen goed stuk is gevonden, moet het systeem dat zeggen in plaats van te gokken.
  • Hoe evalueer je een RAG-systeem?

    Een demo met vijf vragen zegt weinig. Meet het zo:

    Wat je meetHoe

    |---|---|

    TestsetVerzamel echte vragen van medewerkers, met het juiste antwoord en het document waar het in staat. Neem ook lastige vragen en vragen zonder antwoord op. Retrieval hit rateHoe vaak zit het juiste stuk bij de opgehaalde resultaten? Is dit laag, dan helpt een beter model weinig. FaithfulnessKlopt het antwoord met de opgehaalde bronnen, zonder toevoegingen? Laat mensen een steekproef beoordelen, eventueel aangevuld met een automatische beoordelaar die je eerst zelf controleert. RechtenTest met accounts van verschillende rollen of iemand nooit stukken ziet waar hij of zij geen toegang toe heeft. Kosten en snelheidKosten per vraag en wachttijd voor de gebruiker, bij het volume dat je verwacht.

    Draai deze set opnieuw bij elke wijziging aan chunking, model of prompt. Dan zie je of een aanpassing echt beter is.

    HR-voorbeeld: een beleidsassistent

    Een organisatie met enkele duizenden medewerkers krijgt elke week dezelfde vragen bij HR: hoeveel verlof bij verhuizing, hoe werkt de thuiswerkvergoeding, wat geldt bij ziekte tijdens vakantie. Een RAG-assistent beantwoordt die vragen op basis van het actuele handboek en de cao, met een link naar de exacte passage.

    Wat het goed maakt: alleen de laatste versie van elk document staat in de index, documenten hebben een eigenaar, managers zien managerbeleid en medewerkers niet, en bij twijfel verwijst de assistent naar een HR-adviseur. Persoonsgegevens horen er niet in.

    Voor recruiters werkt hetzelfde principe als kennisbank: functieprofielen, interviewhandleidingen en selectiecriteria doorzoekbaar maken. Hoe je zo'n systeem breder inzet in werving, lees je bij ons AI hiring systeem.

    Wat vraag je een bouwer of kandidaat?

    Wil je weten of een leverancier of kandidaat RAG echt begrijpt, stel dan deze vragen:

    1. "Hoe kies je de grootte van chunks, en hoe test je die keuze?" Sterk antwoord: hangt af van de documenten, en wordt gemeten met retrieval hit rate op een testset.

    2. "Waarom combineer je vectorzoeken met trefwoordzoeken?" Sterk antwoord: vectorzoeken mist soms exacte termen zoals codes of namen.

    3. "Hoe zorg je dat een medewerker geen salarisdocumenten te zien krijgt?" Sterk antwoord: filteren op rechten bij het ophalen, gekoppeld aan de identiteit van de gebruiker, niet via de prompt.

    4. "Wat gebeurt er als het beleid wordt aangepast?" Sterk antwoord: automatisch opnieuw indexeren, oude versies verwijderen, datum als metadata.

    5. "Hoe weet je of het systeem beter wordt na een wijziging?" Sterk antwoord: een vaste testset met retrieval- en faithfulness-metingen, plus kosten en snelheid.

    Vage antwoorden als "het model is heel slim" zijn een reden om door te vragen. Meer over deze aanpak lees je in hoe herken je een goede AI-consultant en hoe je AI-vaardigheden beoordeelt.

    AI-kennis gestructureerd toetsen

    Het AI Skills Assessment van Making Moves toetst onder meer of iemand RAG-systemen kan ontwerpen en beoordelen: kennisvragen, beslisscenario's over retrieval en rechten, en een praktijkcase waarin AI-gebruik is toegestaan. Het assessment zit in een pilotfase en is nog geen genormeerde test. Gebruik het als gestructureerde input naast gesprekken en referenties.

    Veelgestelde vragen

    Wat betekent RAG?

    RAG staat voor retrieval-augmented generation: tekst genereren (generation) aangevuld met opgezochte informatie (retrieval). Het model zoekt eerst in jouw documenten en antwoordt daarna.

    Voorkomt RAG hallucinaties?

    Het vermindert ze, maar voorkomt ze niet volledig. Als het verkeerde stuk wordt opgehaald of het model de bron verkeerd samenvat, krijg je nog steeds fouten. Daarom zijn bronvermelding en evaluatie nodig.

    Is RAG veilig voor vertrouwelijke HR-documenten?

    Alleen als rechten bij het ophalen worden gefilterd en je weet waar de data wordt verwerkt. Let op de AVG: zet geen persoonsdossiers in de index zonder duidelijke grondslag en toegangsregels.

    Moeten we hiervoor een eigen model trainen?

    Nee. RAG werkt met bestaande modellen. Je investeert vooral in goede documenten, zoekkwaliteit, rechten en evaluatie.

    Samenvatting

  • RAG laat een taalmodel antwoorden op basis van jouw eigen, actuele documenten, met bronvermelding.
  • De kwaliteit hangt vooral af van chunking, zoeken en reranking.
  • Voor veranderende kennis is RAG meestal beter dan fine-tuning of één lange prompt.
  • De grootste risico's: verkeerde of verouderde stukken, ontbrekende rechtenfilters en verzonnen bronnen.
  • Evalueer met een testset van echte vragen, retrieval hit rate, faithfulness, kosten en snelheid.
  • Wil je toetsen of kandidaten of leveranciers RAG echt beheersen? Bekijk het AI Skills Assessment of neem contact op.


    Plan intake gesprek · Bekijk ons AI Hiring Systeem