Vraag ChatGPT iets over je eigen bedrijf — je leveringsvoorwaarden, je prijsafspraken met die ene klant — en je krijgt een antwoord dat zelfverzekerd klinkt en nergens op slaat. Logisch: het model kent jouw documenten niet. RAG (retrieval-augmented generation) lost precies dat op, en de simpelste versie hoef je niet te bouwen. Die zit al in ChatGPT.
Wat RAG doet, in één beeld
Zonder RAG antwoordt een taalmodel uit z’n getrainde geheugen, en dat geheugen houdt op waar jouw bedrijf begint. Met RAG komt er een stap tussen: het systeem zoekt eerst de relevante passages op in jouw documenten en geeft die als context aan het model mee. Het model schrijft het antwoord, jouw documenten leveren de feiten (Bron: Towards AI).
💡 Beginner-tip: denk aan een nieuwe collega. Slim, welbespraakt, maar dag één in jouw bedrijf. Zonder RAG beantwoordt die vragen uit algemene kennis en bluft bij de rest. Met RAG geef je diezelfde collega eerst de juiste map uit de kast. De collega is niet slimmer geworden — de antwoorden wel.
Waarom een model überhaupt zo overtuigd kan klinken zonder iets te weten, legt hetlaatsteainieuws.nl uit in wat er gebeurt als je ChatGPT iets vraagt.
Stap 1 — Begin met een Project
Maak in ChatGPT een nieuw Project aan en upload de documenten waar je vragen over hebt: handboeken, offertes, voorwaarden, productsheets. Voeg projectinstructies toe die het gedrag vastzetten, bijvoorbeeld: “Antwoord uitsluitend op basis van de geüploade bestanden. Weet je het niet, zeg dat. Noem bij elk antwoord het bronbestand.” Projects zijn beschikbaar op alle plannen, inclusief gratis, en elke chat binnen het project gebruikt dezelfde bestanden en instructies (Bron: OpenAI Help).
Dit ís functioneel RAG: ophalen uit jouw bestanden, antwoorden met context. Alleen heet het nergens zo.
Stap 2 — Koppel je bronnen met apps
Word je het uploaden zat, koppel dan je opslag rechtstreeks. Via apps (tot december 2025 “connectors” geheten) zoekt ChatGPT zelf in Google Drive, SharePoint, Dropbox of je mailbox (Bron: OpenAI Help). Teams op Business-, Enterprise- of Edu-plannen kunnen bovendien company knowledge aanzetten: één antwoordlaag die over alle gekoppelde bronnen tegelijk kijkt en met bronverwijzingen antwoordt (Bron: OpenAI).
Sta hier even stil bij privacy: koppel geen mappen met persoonsgegevens of contractueel afgeschermde stukken zonder dat je weet welk plan je hebt en wat daarmee gebeurt. Op zakelijke plannen traint OpenAI standaard niet op je data; check dat voor jouw situatie.
Stap 3 — Weet wanneer je moet gaan bouwen
De kant-en-klare route heeft grenzen. Duizenden documenten, toegangsrechten per afdeling, antwoorden die in je eigen product moeten verschijnen, of data die het huis niet uit mag: dan beland je bij een eigen RAG-pijplijn met een vector-database en embeddings. Dat is een serieus bouwproject. Hoe zoiets eruitziet, lees je in onze gids over een hybride RAG-zoeksysteem met Claude — en wie vooral onderzoek doet in plaats van bedrijfsdocumenten bevraagt, kijkt eerst naar Perplexity en NotebookLM.
Checklist: ben je klaar?
- Bepaald welke vragen je beantwoord wilt hebben (support, offertes, intern beleid)
- Project aangemaakt met de 5-20 belangrijkste documenten
- Projectinstructies ingesteld: alleen uit de bestanden antwoorden + bron noemen
- Vijf echte vragen getest en de antwoorden tegen de bron gecheckt
- Privacy gecheckt: welk plan heb je, en wat mag er wel/niet in
- Apps/connectors overwogen voor bronnen die vaak veranderen
- Grens bepaald: bij welke schaal ga je zelf bouwen?