Hoe geef je AI de juiste informatie?

Een AI-model ontstaat uit een trainingsfase. De AI-modellen waar organisaties vandaag mee werken zijn foundation models: brede basismodellen die tekst, beeld en meer verwerken. Tijdens die fase verwerkt zo’n model miljarden pagina’s tekst: boeken, artikelen, websites, codebases. Uit die tekst leert het patronen, feiten en verbanden. Op een gegeven moment stopt de training. Vanaf dat moment is de kennis bevroren.

Dat levert een model op met een breed inzetbare kennisbasis. Het kan vragen beantwoorden over geschiedenis, wetenschap, taal, recht, strategie. Maar drie typen informatie ontbreken structureel.

Actuele informatie

Alles wat is gepubliceerd, gewijzigd of ingetrokken na de training bestaat niet voor het model. De wetswijziging van vorige maand, het nieuwsbericht van gisteren, de koersbeweging van vanmorgen. Het model genereert een antwoord op basis van hoe de wereld eruitzag op het moment dat de training werd afgesloten. Zonder waarschuwing, zonder disclaimer.

Organisatiekennis

De interne richtlijnen van een accountantskantoor, de procesafspraken van een ziekenhuis, de klantdossiers van een adviesbureau. Die informatie staat niet op het publieke internet en is nooit in de training verwerkt. Het model kan er niet naar verwijzen, hoe relevant die kennis ook is voor het antwoord.

Persoonlijke context

Het model slaat niets op tussen sessies. Het registreert niet wie je bent, waar je eerder over hebt gesproken, welke toon je voorkeur heeft, of hoe ver het project gevorderd is. Elke sessie begint als een schone lei.

Het onzichtbare probleem

Het verraderlijke is dat je het niet ziet. Een antwoord op basis van verouderde informatie is net zo vlot geformuleerd als een antwoord op basis van actuele informatie. Een antwoord dat de organisatiecontext mist, klinkt even overtuigend als een antwoord dat die context wél heeft. Het model plaatst geen vlag bij wat het niet heeft.

Dat maakt dit een ander soort risico dan een systeem dat vastloopt of een foutmelding geeft. Een spreadsheet die niet opent, is zichtbaar kapot. Een AI-antwoord dat de verkeerde richtlijn citeert, ziet er precies zo uit als een antwoord dat de juiste citeert. De enige manier om het verschil te zien, is weten welke informatie het model wel en niet heeft ontvangen. Dat is de reden waarom de vier routes die hierna volgen niet alleen gaan over betere antwoorden, maar over controleerbare antwoorden.

Er zijn twee fundamenteel verschillende manieren waarop een AI-model aan kennis komt.

Trainingstijd versus contexttijd

De eerste is trainingstijd: de kennis die het model heeft opgebouwd tijdens de training. Die kennis zit verankerd in de parameters van het model zelf. Het model herkent dat water bij honderd graden kookt, niet omdat het een thermometer heeft gezien, maar omdat het dit patroon duizenden keren is tegengekomen in tekst. Trainingskennis is breed, stabiel en permanent. Maar bevroren op het moment dat de training stopt.

De tweede is contexttijd: de informatie die het model op het moment van de vraag meekrijgt. De prompt, de meegeleverde documenten, de instructies van het systeem, de gespreksgeschiedenis. Alles wat in het context window staat, is contextkennis. Die kennis is tijdelijk: het model verwerkt de informatie bij deze ene vraag en laat ze daarna los. Maar die kennis is wel actueel en specifiek.

Het verschil is vergelijkbaar met wat een adviseur tijdens de opleiding heeft geleerd en het dossier dat die adviseur voor de afspraak heeft doorgenomen. De opleiding levert het fundament: brede kennis, denkpatronen, vakjargon. Het dossier maakt het advies relevant voor deze klant, op dit moment, met deze vraag. Een adviseur die alleen op de opleiding vaart, geeft generiek advies. Een adviseur die ook het dossier heeft gelezen, geeft advies dat past bij de situatie. Een goed AI-systeem heeft beide nodig.

Die tweede route is waar het voor organisaties interessant wordt: hoe voorzie je het model van de juiste informatie op het juiste moment? Vier routes zijn daarvoor beschikbaar. Elk lost een ander deel van het informatieprobleem op.

RAG

RAG, Retrieval-Augmented Generation, koppelt een interne kennisbron aan het AI-model. Bij elke vraag doorzoekt het systeem die kennisbron, haalt de relevante passages op en geeft ze mee aan het model als context. Het model genereert vervolgens een antwoord op basis van de vraag én de opgehaalde informatie.

RAG lost het organisatiekennisprobleem op. De interne richtlijnen en procesbeschrijvingen die het model niet heeft uit de training, worden beschikbaar gemaakt op het moment dat iemand ernaar vraagt. Het model verandert niet. Wat verandert, is de informatie die het ontvangt.

De kracht zit in de combinatie van automatisering en specificiteit: het systeem zoekt zelf de juiste passages en geeft alleen de relevante informatie mee. Dat schaalt op een manier die handmatig kopiëren niet kan. Maar RAG is een ontwerpkeuze die onderhoud vraagt. Welke bronnen je koppelt, hoe je ze bijhoudt en of je de resultaten evalueert, bepaalt of het systeem betrouwbare of misleidende antwoorden oplevert.

→ Lees meer: RAG: organisatiekennis koppelen (5.2)

Search en browse

Web search geeft het model de mogelijkheid om actuele informatie op te halen van het internet op het moment van de vraag. Het model genereert zoekopdrachten, leest de resultaten en verwerkt ze tot een antwoord met bronvermeldingen.

Search lost het actualiteitsprobleem op. Recente wetgeving, lopende marktontwikkelingen en andere informatie die na de training is verschenen, worden bereikbaar. Browse gaat een stap verder: het model opent volledige webpagina’s en leest ze door. Deep research combineert tientallen zoekopdrachten tot een gestructureerd rapport.

De belofte is aantrekkelijk: het model zoekt, leest en vat samen. Maar search is een keten van beslissingen, van zoekopdracht tot bronkwaliteit, en elke schakel kan falen. Bronvermeldingen zijn er om het antwoord te controleren. Wie ze negeert, neemt een risico.

→ Lees meer: Search en browse: actuele informatie ophalen (5.3)

Context windows

Het context window is de totale hoeveelheid informatie die een model tegelijk kan verwerken. Hoe groter het venster, hoe meer documenten, instructies en gespreksgeschiedenis het model in één keer kan meenemen.

De schaal van moderne context windows is indrukwekkend. Gangbare modellen verwerken honderdduizenden tot miljoenen tokens tegelijk. Dat is het equivalent van meerdere boeken. Die schaal maakt toepassingen mogelijk die voorheen ondenkbaar waren: een heel dossier analyseren in één opdracht, meerdere bronnen tegelijk vergelijken, een uitgebreid gesprek voeren zonder dat eerdere beurten verloren gaan.

Maar hier zit het inzicht dat veel mensen verrast. Een groter context window is niet automatisch beter. Hoe meer informatie het model tegelijk verwerkt, hoe dunner de aandacht wordt verdeeld. Informatie in het midden van een lange context krijgt minder gewicht. De kwaliteit daalt naarmate het venster voller raakt. De kwaliteit van het antwoord hangt af van hoe goed je selecteert wat je meegeeft.

→ Lees meer: Context windows: hoeveel informatie past er? (5.4)

Geheugen

Een AI-model slaat niets op tussen sessies. De toon die vorige week was afgestemd, het project dat stap voor stap was opgebouwd, de voorkeuren die eerder zijn besproken: bij het volgende gesprek is alles weg.

Geheugen is geen eigenschap van het model. Het is een functie van de applicatie eromheen. Het platform observeert gesprekken, slaat kernfeiten op en voegt die bij een nieuw gesprek toe aan de context. Het model wordt herinnerd. Het onthoudt niet zelf. Wat de applicatie opslaat, is een samenvatting. De nuances van hoe een redenering tot stand kwam, de specifieke formulering die na drie iteraties precies goed was, overleven die samenvatting doorgaans niet.

Voor individuele gebruikers bouwt dat continuïteit op over sessies heen. Voor organisaties speelt een grotere vraag: hoe zorg je dat een AI-systeem de context heeft die een heel team nodig heeft? Dat is organisatiegeheugen, een ontwerpvraagstuk dat raakt aan privacy, eigenaarschap en de manier waarop een organisatie met informatie omgaat.

→ Lees meer: Geheugen: AI dat onthoudt (5.5)

Vier routes, vier problemen. De keuze hangt af van welke informatie het model mist.

Mist het model interne, organisatiespecifieke kennis die regelmatig verandert? Dan is RAG de route. Mist het actuele, publiek beschikbare informatie? Dan is search de eerste stap. Moet het grote hoeveelheden informatie tegelijk verwerken? Dan is het context window de bepalende factor. Mist het de continuïteit over sessies heen? Dan lost geheugen dat op.

In de praktijk zijn de routes complementair. Een AI-systeem dat interne beleidsdocumenten koppelt via RAG, actuele marktinformatie ophaalt via search, die informatie gericht in het context window plaatst en de gebruikersvoorkeuren bewaart via geheugen: dat is geen theoretisch construct. Dat is hoe de krachtigste AI-systemen werken.

Wij kiezen er bewust voor om deze vier routes als gescheiden concepten te behandelen. In de praktijk worden ze vaak in één adem genoemd of door elkaar gehaald. Maar elke route lost een ander probleem op, stelt andere eisen aan de organisatie en heeft andere kwaliteitsfactoren. Wie dat onderscheid scherp heeft, stelt betere vragen aan een technisch team en neemt betere beslissingen over de inrichting van AI-systemen.

Hier zit een patroon dat steeds terugkomt: zodra een organisatie AI inzet voor werk dat leunt op eigen kennis, actuele informatie of lopende projecten, ontstaat de behoefte aan meerdere routes tegelijk.

Neem een middelgroot accountantskantoor met vijftig medewerkers. Het kantoor zet een AI-systeem in om medewerkers te ondersteunen bij advieswerk.

Een junior accountant stelt het systeem een vraag over de fiscale behandeling van een specifieke constructie. Het antwoord moet verwijzen naar de interne richtlijn die het kantoor twee maanden geleden heeft bijgewerkt. Die richtlijn staat nergens op het publieke internet. Het systeem doorzoekt via RAG de interne kennisbron, haalt de relevante passages op en genereert een antwoord dat verwijst naar de juiste richtlijn. Zonder die koppeling had het model geantwoord op basis van algemene kennis. Correct in grote lijnen, maar zonder de specifieke uitzonderingsregel die het kantoor hanteert.

Dezelfde accountant wil controleren of er recente wijzigingen zijn in de betreffende belastingwetgeving. Het systeem activeert web search, doorzoekt de publicaties van de Belastingdienst en vindt dat de regeling drie maanden geleden is herzien. Het levert de samenvatting op met bronvermeldingen. De accountant controleert de bron, bevestigt dat de informatie klopt en past het advies aan. Zonder search had het model geantwoord op basis van de wetgeving ten tijde van de training, mogelijk een verouderde versie.

De partner van het kantoor wil vervolgens een sectoranalyse laten maken. Die analyse vereist de jaarrekening van de klant, drie brancherapporten en de notulen van het laatste overleg. Samen meer dan honderdduizend tokens. Het context window maakt het mogelijk om al die documenten tegelijk te verwerken. Maar het systeem laadt niet alles in. Het selecteert de relevante secties en plaatst die gericht in de context. Dat levert een scherper resultaat op dan het hele archief in één keer meesturen.

En maandag opent de accountant een nieuw gesprek. Het systeem herkent haar voorkeur voor korte, gestructureerde antwoorden. Het heeft opgeslagen op welk dossier ze werkt en past de toon aan. Het geheugen bewaart de context uit eerdere sessies. Ze begint waar ze vrijdag is gebleven, zonder iets te hoeven herhalen.

Vier informatiebehoeften. Vier routes. Eén systeem dat ze combineert.

Wie wil begrijpen hoe het Aiscendo Ringenmodel de opbouw van AI-systemen zichtbaar maakt en hoe de kennislaag daarin past, leest verder bij Van model naar systeem (cluster 3).

Wie wil weten hoe je de hele informatieomgeving rond een AI-model ontwerpt, als kader voor de vier routes die hier zijn geïntroduceerd, vindt dat bij Context engineering: van goede prompt naar slim systeem (cluster 4.4).

Wie wil begrijpen hoe RAG, search, context windows en geheugen in de praktijk werken, vindt de verdieping in de vier clusters van deze pillar: RAG: organisatiekennis koppelen (5.2), Search en browse: actuele informatie ophalen (5.3), Context windows: hoeveel informatie past er? (5.4) en Geheugen: AI dat onthoudt (5.5).