AI-chatbot op je eigen data: interne kennisbot voor je medewerkers

Wat is een AI-chatbot op eigen data? Een definitie

Een AI-chatbot op eigen data is een chatbot die zijn antwoorden baseert op jouw documenten, kennisbank en systemen in plaats van op de algemene kennis waarmee het onderliggende taalmodel is getraind. Bij elke vraag zoekt de bot eerst de relevante passages in jouw bronnen op, formuleert daar een antwoord mee en vermeldt waar dat antwoord vandaan komt. De techniek erachter heet retrieval augmented generation, kortweg RAG.

Het verschil met een kale chatbot is fundamenteel. Een taalmodel zonder eigen bronnen kent jouw producten, procedures en afspraken niet en vult de gaten met aannames die geloofwaardig klinken. Een bot met jouw kennisbank als fundament hoeft niets te raden: het antwoord staat er al, hij hoeft het alleen te vinden en helder te verwoorden.

Deze pagina legt uit hoe die techniek werkt, hoe je verzonnen antwoorden voorkomt, waarom bronvermelding onmisbaar is en wat erbij komt kijken om de kennis actueel te houden. Zowel voor intern gebruik door medewerkers als voor bezoekers op je website.

Waarom een algemeen taalmodel jouw vragen niet kan beantwoorden

Taalmodellen zijn getraind op openbare teksten van het internet. Daar staat veel in, maar niet hoe jouw garantieregeling werkt, wat de levertijd van jouw producten is of welke stappen jouw inwerkprocedure telt. Vraag je een los model naar dat soort zaken, dan krijg je een antwoord dat qua toon en opbouw uitstekend oogt en inhoudelijk nergens op gebaseerd is.

Dat is geen fout van het model maar een eigenschap: het is gebouwd om de meest waarschijnlijke volgende woorden te voorspellen, niet om jouw waarheid te kennen. Wie een chatbot inzet voor bedrijfsspecifieke vragen, moet dat gat dus dichten. Er zijn ruwweg twee routes: het model bijtrainen op je eigen teksten, wat duur en star is, of het model tijdens elk gesprek toegang geven tot je kennisbank. Die tweede route is voor vrijwel elk MKB-bedrijf de verstandige.

Hoe RAG werkt: eerst opzoeken, dan pas formuleren

Retrieval augmented generation klinkt technisch, maar het principe is hetzelfde als dat van een goede medewerker: eerst het handboek erbij pakken, dan pas antwoorden. Zo verloopt één vraag onder de motorkap:

1. 1

   De vraag wordt begrepen

   De bot analyseert wat er werkelijk gevraagd wordt, ook als de vraag omslachtig of met tikfouten is gesteld. Synoniemen en omschrijvingen worden herkend: wie naar teruggave vraagt, vindt ook het retourbeleid.

2. 2

   De kennisbank wordt doorzocht

   Alle aangesloten documenten zijn vooraf in doorzoekbare fragmenten omgezet. De bot haalt de passages op die inhoudelijk het dichtst bij de vraag liggen, meestal een handvol alinea's uit verschillende bronnen.

3. 3

   Het antwoord wordt opgebouwd

   Het taalmodel formuleert een antwoord dat uitsluitend leunt op de gevonden passages. Het model levert de taalvaardigheid, jouw documenten leveren de feiten. Die rolverdeling is de kern van het hele systeem.

4. 4

   De bron gaat mee

   Bij het antwoord staat uit welk document of welke pagina de informatie komt, met een link waar dat kan. Wie wil, controleert het origineel met één klik.

De kennisbank als bron: hier wordt de kwaliteit bepaald

De belangrijkste ontdekking bij elk chatbotproject is dat de bot zelden het probleem is. De kennisbank is het probleem. Een bot die uit verouderde documenten put, geeft verouderde antwoorden, foutloos en met bronvermelding. Staat het antwoord op een veelgestelde vraag nergens op papier, dan kan de beste techniek het niet vinden. De chatbot is een vergrootglas op de staat van je documentatie.

Daarom begint een serieus traject niet bij de techniek maar bij een inventarisatie: welke documenten zijn actueel, welke spreken elkaar tegen en welke veelgestelde vragen zijn nog nooit vastgelegd? In de praktijk blijkt vaak dat 10 tot 20 procent van de documenten verouderd of dubbel is. Dat opruimen is geen vervelende voorbereiding, het is de helft van de waarde van het project: je krijgt er een gezonde kennisbank van terug die ook zonder bot zijn nut bewijst.

Van mappenstructuur naar doorzoekbare kennis

Tussen een map vol documenten en een werkende chatbot zit een bewerkingsslag die bepalend is voor de kwaliteit. Documenten worden opgedeeld in fragmenten die klein genoeg zijn om gericht te vinden en groot genoeg om context te behouden. Een handboek van tachtig pagina's wordt zo een verzameling vindbare passages, elk met de wetenschap uit welk hoofdstuk en welke versie ze komen.

Die opdeling luistert nauw. Snijd je een tabel doormidden of scheid je een voorwaarde van de regel waar hij bij hoort, dan vindt de bot straks halve waarheden. Ook structuur helpt: koppen, opsommingen en consequente terminologie maken fragmenten beter vindbaar dan lange lappen tekst. Wij testen de opdeling daarom met echte vragen voordat er iemand met de bot praat, en stellen bij tot de juiste passages bovenaan komen.

Hallucinaties voorkomen: eerlijkheid afdwingen

Hallucineren is de vakterm voor het grootste risico van taalmodellen: een antwoord verzinnen dat overtuigend klinkt maar niet klopt. Voor een speels experiment is dat vermakelijk, voor een bot die namens jouw bedrijf spreekt is het onacceptabel. Eén verzonnen garantietermijn of niet-bestaande productspecificatie kan het vertrouwen in het hele systeem breken.

De oplossing is geen slimmer model maar een strakker keurslijf. De bot krijgt de instructie om uitsluitend te antwoorden op basis van de aangeleverde passages, en niets daarbuiten. Leveren de bronnen geen antwoord op, dan is het juiste gedrag: dat eerlijk zeggen en doorverwijzen naar een collega of contactformulier. Wij testen dat gedrag expliciet met strikvragen waarvan we weten dat het antwoord niet in de kennisbank staat.

Volledig uitsluiten laat zich een taalmodel nooit, en wie anders beweert overdrijft. Maar het verschil tussen een kale bot en een goed ingerichte RAG-opzet is enorm: van regelmatig verzonnen details naar hooguit enkele procenten twijfelgevallen, die door de bronvermelding bovendien direct te herkennen en te herleiden zijn.

Bronvermelding: elk antwoord controleerbaar

Bronvermelding is meer dan een nette voetnoot. Het is het mechanisme dat een chatbot van een orakel in een naslagwerk verandert. Bij elk antwoord ziet de gebruiker uit welk document, welke pagina of welk artikel de informatie komt. Klopt er iets niet, dan is binnen een minuut te achterhalen of de bot verkeerd las of dat de bron zelf verouderd is. Zonder die verwijzing blijft elke fout een mysterie.

Er is ook een menselijke kant: vertrouwen. Medewerkers en bezoekers nemen een antwoord serieuzer als ze kunnen zien waar het op steunt, en gebruiken de bot vaker naarmate die controleerbaarheid went. Bovendien werkt bronvermelding als kwaliteitsbewaking voor je documentatie zelf: documenten die opvallend vaak als bron opduiken verdienen extra onderhoud, en documenten die nooit gevonden worden zijn kandidaat voor de prullenbak.

Ik weet het niet: het ondergewaardeerde antwoord

Een chatbot die op elke vraag een antwoord heeft, is per definitie onbetrouwbaar. Echte kennis heeft randen, en een goede bot kent de zijne. Vragen buiten de kennisbank, vragen om persoonlijk advies dat een mens hoort te geven en vragen waarbij de bronnen elkaar tegenspreken: in al die gevallen is een eerlijke doorverwijzing het beste antwoord dat er bestaat.

In de praktijk richten we dat gedrag per situatie in. Een interne bot verwijst naar de collega of afdeling die het weet en registreert de vraag, zodat het ontbrekende antwoord alsnog gedocumenteerd kan worden. Een externe bot biedt een contactmogelijkheid aan op het moment dat hij er niet uitkomt. Zo wordt elke gemiste vraag een verbeterpunt voor de kennisbank in plaats van een gefrustreerde gebruiker.

Intern en extern: één techniek, twee gezichten

Dezelfde onderliggende opzet bedient twee werelden. Intern is de bot een naslagcollega: medewerkers vragen naar procedures, productdetails, tarieven of de juiste werkwijze en krijgen antwoord uit handboeken en instructies waar ze anders lang naar hadden gezocht. Vooral bij inwerken en bij functies met veel opzoekwerk scheelt dat merkbaar: nieuwe collega's vinden zelfstandig antwoorden waarvoor ze anders steeds een ervaren kracht moesten storen.

Extern beantwoordt dezelfde techniek vragen van bezoekers op je website, gevoed met uitsluitend openbare informatie: productpagina's, voorwaarden, veelgestelde vragen. De opzet is identiek, de bronselectie en de toon verschillen.

Wil je vooral de klantcontactkant verkennen, met openingstijden, afhandeling en overdracht naar medewerkers? Dat werken we uit op de pagina over de AI-chatbot voor klantenservice, terwijl deze pagina over de techniek en de kennisbank eronder gaat.

Toegangsrechten: wie mag welk antwoord zien

Zodra een bot meerdere bronnen ontsluit, wordt toegang een ontwerpvraag. Niet elk document is voor iedereen: personeelsregelingen horen bij personeelszaken, calculaties bij de mensen die calculeren, en een externe bezoeker mag alleen zien wat toch al openbaar is. Een kennisbot die dat onderscheid niet maakt, is een datalek met een vriendelijke gespreksinterface.

De oplossing zit in rechten op bronniveau: de bot doorzoekt per gebruiker alleen de documenten waar diegene toegang toe heeft, in lijn met de rechten die in je bestaande omgeving al gelden. Twee collega's kunnen dezelfde vraag stellen en verschillende antwoorden krijgen, elk passend bij hun rol. Dat is geen beperking van het systeem maar precies de bedoeling: de bot volgt de afspraken die je organisatie al had.

Beheer en actualisatie: de kennis levend houden

Een kennisbank is geen standbeeld maar een tuin: zonder onderhoud groeit hij dicht. Prijzen wijzigen, procedures worden aangepast, producten verdwijnen uit het assortiment. Een bot die op een eenmalige kopie van je documenten draait, is binnen een half jaar een bron van verouderde antwoorden, compleet met keurige verwijzing naar het verouderde document.

Daarom koppelen we de bot aan de bron zelf in plaats van aan een kopie. Wijzigt een document, dan neemt de bot die wijziging bij de volgende verversing automatisch mee. Daarnaast hoort er een licht beheerritme bij: elke bron heeft een eigenaar, documenten die lang onaangeroerd blijven krijgen een signaal, en vragen waarop de bot geen antwoord vond verschijnen in een overzicht. Dat ritme kost een beheerder hooguit een uur of twee per maand en bepaalt het verschil tussen een bot die went en een bot die wegzakt.

Meten en verbeteren: het gesprekslog als goudmijn

De gesprekken die de bot voert, vormen samen een schat aan informatie over wat je organisatie of je bezoekers werkelijk willen weten. Goed ingericht levert het log elke maand antwoorden op vragen als:

• Welke onderwerpen worden het vaakst gevraagd, en verdienen die een prominentere plek in documentatie of op de website?
• Op welke vragen moest de bot het antwoord schuldig blijven, en welke documenten moeten er dus bij komen?
• Welke antwoorden werden slecht beoordeeld door gebruikers, en lag dat aan de bron of aan de formulering?
• Welke bronnen worden nooit geraadpleegd en kunnen worden opgeschoond of samengevoegd?
• Verschuift het vraagpatroon, bijvoorbeeld na een productlancering of een gewijzigde procedure?

Zo ontstaat een verbetercyclus: de bot beantwoordt vragen, het log laat zien waar de kennis tekortschiet, de kennisbank groeit en de bot wordt elke maand een beetje beter. Bedrijven die dit ritme volhouden, zien het aandeel goed beantwoorde vragen in het eerste half jaar vaak met tientallen procenten stijgen.

Veiligheid: jouw documenten blijven van jou

Een begrijpelijke zorg: als de bot mijn interne documenten leest, waar komen die dan terecht? Het antwoord hangt volledig af van de inrichting. In een zakelijke opzet draait de kennisbank in een afgeschermde omgeving, ligt contractueel vast dat jouw documenten niet worden gebruikt om modellen van derden te trainen en blijft de verwerking binnen de regio die je afspreekt.

Daarbovenop gelden praktische regels die wij standaard inrichten: gevoelige bronnen kunnen buiten de bot worden gehouden, gesprekslogs worden na een afgesproken termijn geschoond en toegang tot het beheer is beperkt tot aangewezen personen. Zo is de bot geen zijdeur naar je bedrijfsinformatie maar een gecontroleerd loket, waarbij jij bepaalt wat er op de balie ligt.

Zo bouwen we een chatbot op jouw data

Van eerste gesprek tot werkende bot doorlopen we een vast aantal fases, waarbij de kennisbank net zoveel aandacht krijgt als de techniek:

1. 1

   Bronnen inventariseren

   We bepalen samen welke documenten en systemen meedoen, wat actueel is en wat eerst opgeruimd moet worden. Hier valt of staat de kwaliteit van elk toekomstig antwoord.

2. 2

   Kennisbank opbouwen

   De geselecteerde bronnen worden omgezet in doorzoekbare fragmenten, met behoud van context en versie-informatie, gekoppeld aan de bron zodat wijzigingen automatisch meekomen.

3. 3

   Gedrag vastleggen

   We bepalen de toon, de grenzen en het doorverwijsgedrag: wat mag de bot beantwoorden, wanneer zegt hij het niet te weten en waar stuurt hij mensen dan heen.

4. 4

   Testen met echte vragen

   We toetsen de bot met vragen uit de praktijk én met strikvragen buiten de kennisbank, en stellen de zoekopzet bij tot de juiste bronnen consequent gevonden worden.

5. 5

   Livegang en beheerritme

   De bot gaat de eerste maand al draaien voor een beperkte groep, het gesprekslog en het beheerritme staan vanaf dag één aan, en de broncode en documentatie zijn van jou.

Wanneer een chatbot op eigen data nog niet de juiste stap is

Eerlijkheid vooraf bespaart teleurstelling achteraf. Is er nauwelijks documentatie en zit de kennis vooral in hoofden, dan valt er voor de bot niets te vinden; begin dan met vastleggen, desnoods door ervaren collega's te laten interviewen en die gesprekken uit te werken. Zijn de vragen in je organisatie vooral oordeelsvragen die per situatie verschillen, dan is een naslagbot het verkeerde gereedschap.

Ook volume speelt mee. Bij een handvol vragen per week weegt het beheerritme niet op tegen de winst en volstaat een goede FAQ-pagina. De bot begint te renderen zodra dezelfde soort vragen dagelijks terugkeren, bij medewerkers of bezoekers. Twijfel je waar jouw situatie valt? Dan rekenen we dat liever vooraf met je door dan dat we iets bouwen dat stof verzamelt.

Wat wij anders doen dan een standaard chatbotplatform

Kant-en-klare chatbotplatformen leveren de techniek en laten de kennisbank, het gedrag en het beheer aan jou. Precies daar gaat het in de praktijk mis, want dat is tachtig procent van het werk. Wij pakken het geheel op: van het opschonen van bronnen tot het testgedrag bij strikvragen en het beheerritme na livegang. Wat het traject kost, spreken we af voordat het begint, de eerste versie draait binnen een maand voor echte gebruikers en alles wat we bouwen is en blijft jouw eigendom, tot en met de broncode.

Een kennisbot is één toepassing uit een breder palet; het volledige overzicht vind je bij onze AI-oplossingen voor het MKB.

Wil je weten of jouw documentatie klaar is voor een chatbot op eigen data? De gratis AI-scan geeft binnen enkele dagen een eerlijk antwoord, inclusief wat er eerst moet gebeuren.