Search en browse: actuele informatie ophalen

Een AI-model ontstaat uit een trainingsfase. Tijdens die fase verwerkt het model enorme hoeveelheden tekst, en uit die tekst leert het patronen, feiten en verbanden. Op een gegeven moment stopt de training en is het model klaar. Vanaf dat moment is de kennis van het model bevroren. Alles wat daarna is gepubliceerd, gewijzigd of ingetrokken, bestaat niet voor het model.

Voor vragen over stabiele kennis is dat geen probleem. Wiskundige principes veranderen niet. Historische feiten verschuiven niet. Taalregels blijven grotendeels gelijk. Maar voor vragen over de actualiteit mist het model elke informatie die na de training is verschenen. Recente regelgeving, lopende nieuwsontwikkelingen, de huidige marktpositie van een concurrent: het model genereert een antwoord op basis van hoe de wereld eruitzag op het moment dat de training werd afgesloten.

Het verraderlijke is dat het antwoord er niet anders uitziet. Een verouderd antwoord is net zo vlot geformuleerd als een actueel antwoord. Het model geeft geen waarschuwing. Het plaatst geen disclaimer. Het levert gewoon een antwoord dat klinkt alsof het klopt. Dat is het actualiteitsprobleem. En het is precies het probleem dat web search oplost.

Net als RAG is web search onderdeel van Ring 2 (Weten) in het Aiscendo Ringenmodel, de stapsgewijze opbouw van AI-model naar compleet AI-systeem. Ring 2 voorziet het model van kennis die het uit zichzelf niet heeft. Waar RAG interne organisatiekennis koppelt, haalt search actuele informatie van het web.

Web search voor AI-modellen werkt anders dan een Google-zoekopdracht. Als je zelf iets zoekt, typ je een zoekopdracht, krijg je een aantal links, scan je titels, kies je de meest relevante pagina, lees je die door, en trek je zelf een conclusie. Het model doet iets anders.

Wanneer een AI-model search inzet, genereert het zelf één of meerdere zoekopdrachten op basis van de gestelde vraag. Het stuurt die naar een zoekmachine, ontvangt de resultaten, leest de relevante inhoud door, en verwerkt alles tot een samenhangend antwoord. De gebruiker ziet geen lijst met zoekresultaten. Die ziet het eindantwoord, voorzien van bronvermeldingen.

Het is alsof je een onderzoeksassistent naar de bibliotheek stuurt. De assistent bepaalt welke boeken worden gepakt, welke passages worden gelezen, en hoe de samenvatting eruitziet. Het resultaat kan uitstekend zijn. Maar welke boeken zijn overgeslagen, welke passages zijn genegeerd, welke bron als betrouwbaar is aangemerkt: dat ziet de opdrachtgever niet.

Grounding

Grounding, in het Nederlands verankering, is het principe dat modeloutput wordt gekoppeld aan verifieerbare bronnen. Een model dat search gebruikt met grounding voegt bij elke bewering een bronvermelding toe. Die bronvermeldingen zijn geen decoratie. Ze maken het mogelijk om het antwoord te controleren. Niet omdat het model altijd gelijk heeft, maar juist omdat het dat niet altijd heeft.

De grote AI-platforms bieden search met grounding als standaardfunctie. Het model zoekt, verwerkt de resultaten, en levert het antwoord op met verwijzingen naar de originele bronnen. Dat vermindert het risico op hallucinaties, onjuiste informatie die het model presenteert als feit, aanzienlijk. Maar het elimineert dat risico niet. Want de kwaliteit van het antwoord hangt af van een reeks beslissingen die het model zelf maakt, en elke beslissing in die reeks kan misgaan.

De zoekfunctie

Voordat de vier schakels in beeld komen, is er een fundament dat de reikwijdte van elk zoekresultaat bepaalt: de zoekmachine die het AI-model onder de motorkap gebruikt. En dat is niet vanzelfsprekend Google.

Elk AI-platform is gekoppeld aan een eigen zoekprovider. Het ene model doorzoekt een andere index dan het andere. Dat betekent dat dezelfde vraag aan twee verschillende AI-modellen tot verschillende bronnen kan leiden, omdat de onderliggende zoekmachines elk hun eigen index van het web onderhouden. De zoekproviders zijn niet altijd openbaar gedocumenteerd, en de samenwerkingen verschuiven.

Dit is de eerste en meest fundamentele kwaliteitsfactor bij search. Het AI-model zoekt niet zomaar het hele internet af. Het doorzoekt de index die de gekoppelde zoekmachine heeft opgebouwd. Wat niet in die index zit, vindt het model niet, hoe goed de volgende stappen ook verlopen.

Vier schakels

Bovenop die basis bepalen vier vervolgstappen de kwaliteit van het antwoord. Ook die zijn grotendeels onzichtbaar voor de gebruiker.

1. De zoekopdracht. Het model vertaalt de vraag naar een zoekterm. Als die vertaling te breed is, komen er irrelevante resultaten terug. Te smal, en het model mist relevante informatie. De gebruiker ziet die zoekterm meestal niet.

2. De selectie. Uit de zoekresultaten selecteert het model welke bronnen het doorleest. Het maakt daarin niet altijd dezelfde keuze die een mens zou maken. Een hoog gerankte pagina hoeft niet de meest betrouwbare te zijn.

3. De interpretatie. Het model leest de bronnen en verwerkt ze tot een antwoord. Het kan informatie uit context halen, nuances missen, of geruchten niet onderscheiden van geverifieerde feiten. De makers van deze systemen benoemen dat zelf als een bekende beperking.

4. De bron zelf. Het model zoekt op het web van nu. Maar het web van nu bevat ook verouderde pagina’s, incorrecte informatie en onbetrouwbare bronnen.

Elke schakel afzonderlijk is doorgaans betrouwbaar. De keten als geheel, van zoekprovider tot bronkwaliteit, is niet waterdicht. Wie search-output behandelt als feit zonder de bronnen te controleren, neemt een risico. Wie de bronvermeldingen checkt, en dat kost vaak niet meer dan een paar klikken, heeft een krachtig hulpmiddel in handen.

Web search beantwoordt een concrete vraag. Maar sommige vraagstukken vragen meer dan één zoekopdracht.

Een manager die een concurrentieanalyse nodig heeft, kan niet volstaan met één zoekresultaat. Dat vereist informatie over meerdere partijen, uit meerdere bronnen, geordend naar relevantie. Wat nodig is, gaat verder dan zoeken. Het vereist onderzoek: meerdere bronnen raadplegen, informatie vergelijken, en een gestructureerde analyse opleveren.

Browse

Browse gaat een stap verder dan search. In plaats van alleen zoekresultaten te verwerken, opent het AI-model volledige webpagina’s en leest ze door. Het kan navigeren naar verdiepende bronnen, tabellen en afbeeldingen interpreteren, en informatie uit meerdere pagina’s combineren tot een samenvatting. Het verschil met search is vergelijkbaar met het verschil tussen de samenvatting op de achterflap van een boek lezen en het boek zelf openslaan.

Deep research

De meest uitgebreide variant is deep research: een modus waarin het AI-model autonoom vijf tot dertig minuten het web doorzoekt. Het formuleert tientallen zoekopdrachten, leest honderden bronnen, en levert een gestructureerd rapport op met bronvermeldingen bij elke bewering. Het resultaat komt in de buurt van wat een onderzoeksanalist in een ochtend zou produceren.

Dat is indrukwekkend. Het is ook niet foutloos. Dezelfde foutbronnen die gelden voor een enkele zoekopdracht gelden ook voor deep research. Met een extra overweging: hoe meer bronnen het model verwerkt, hoe lastiger het wordt om elke bron individueel te controleren. De bronvermeldingen zijn er. Maar de investering in verificatie groeit mee met de omvang van het rapport.

Hier zit een onderscheid dat de moeite waard is om scherp te krijgen. Search en RAG lossen fundamenteel verschillende problemen op.

Search lost het actualiteitsprobleem op: het model mist recente, publiek beschikbare informatie en haalt die op van het web. RAG lost het organisatiekennisprobleem op: het model mist interne, organisatiespecifieke kennis en koppelt die via een interne kennisbron. Search werkt met het open web en levert actuele informatie uit bronnen die je niet vooraf hebt geselecteerd. RAG werkt met een kennisbron die de organisatie zelf beheert en onderhoudt.

Wie actuele marktinformatie nodig heeft, gebruikt search. Wie wil dat het AI-model antwoorden geeft op basis van interne beleidsdocumenten, heeft RAG nodig. Wie beide nodig heeft, combineert ze. Het zijn complementaire routes voor twee verschillende soorten informatie.

Een bewuste keuze

Wij kiezen er bewust voor om search en RAG als gescheiden concepten te behandelen. In de praktijk worden ze vaak in één adem genoemd of door elkaar gehaald. Maar de beslissing welk informatieprobleem je oplost, bepaalt welke route je kiest. Wie dat onderscheid scherp heeft, stelt betere vragen aan een technisch team.

Wie wil begrijpen hoe AI-systemen interne organisatiekennis koppelen via de andere route voor het informatieprobleem, leest verder bij RAG: organisatiekennis koppelen (cluster 5.2).

Wie wil weten hoe search technisch wordt aangestuurd via tools en function calling, vindt dat bij Tools en function calling (cluster 7.2).

Wie wil begrijpen waarom AI-modellen soms overtuigend én onjuist zijn, ook wanneer ze zoeken, leest verder bij Wat is een hallucinatie? (cluster 1.4b).