Bedrijfskennis doorzoekbaar maken met AI: wanneer RAG loont, en wanneer je het niet moet bouwen

Je hebt de handleidingen, de offertes, het mailarchief en tien jaar aan SharePoint-mappen. Ergens in die berg staat het antwoord op bijna elke vraag die je team stelt, alleen vindt niemand het terug. De verleiding is groot om daar een AI overheen te leggen: een chatbot die je hele kennisbank doorzoekt en met bronvermelding antwoordt. Die techniek bestaat, heet RAG (Retrieval-Augmented Generation), en werkt. De vraag die te vaak wordt overgeslagen is een andere: past het bij jouw situatie, en moet je het wel laten bouwen?

Deze gids is voor de MKB-beslisser (een kantoor, een dienstverlener, een technisch bedrijf) die overweegt bedrijfskennis doorzoekbaar te maken met AI en wil weten OF een RAG-oplossing loont voordat hij een offerte aanvraagt. Het is nadrukkelijk geen bouwhandleiding. Wie eenmaal besloten heeft te bouwen, vindt het technische stappenplan in mijn gids over een AI-chatbot op je eigen data bouwen met chunking, hybride retrieval en reranking. Dit stuk beslist ervóór. Want de eerlijke waarheid is dat RAG maar in een deel van de gevallen de juiste keuze is. In de rest koop je onderhoudslast in plaats van antwoorden.

Bouwen, kopen of niets: de drie uitkomsten

Er zijn geen twee opties (wel of geen RAG), er zijn er drie, en de goedkoopste wint vaker dan je denkt.

De eerste is niets nieuws bouwen: je haalt meer uit wat je al hebt. Draai je op Microsoft 365 of Google Workspace, dan zit er al een AI-zoeklaag in of vlak naast je licentie die op je eigen documenten antwoordt. De tweede is kant-en-klaar kopen: een zoek- of kennisplatform waar je je bronnen aan koppelt en dat de hele RAG-pijplijn (indexeren, ophalen, antwoorden) voor je regelt. De derde is maatwerk laten bouwen: een eigen RAG-systeem, vaak self-hosted, precies op jouw bronnen, rechten en processen.

Mijn stelling, en de rode draad van deze gids: RAG loont alleen als je data actueel, afgebakend en gestructureerd is en er herhaalde zoekvragen op afkomen. Ontbreekt een van die voorwaarden, dan is een simpeler alternatief kopen of niets bouwen bijna altijd de betere keuze. Een RAG-systeem is namelijk geen product dat je aanzet en vergeet: het is een levend systeem dat mee moet ademen met je documentatie, en dat onderhoud is de kostenpost die de meeste mensen vergeten in te calculeren.

Wat je nodig hebt om dit te beslissen

Je hoeft niets te bouwen om deze knoop door te hakken, maar je hebt wel een eerlijk beeld van vier dingen nodig. Zonder dat beeld beslis je op onderbuikgevoel, en dat is precies hoe bedrijven aan een systeem beginnen dat een jaar later stof staat te vangen.

Merk op dat geen van deze punten technisch is. Het zijn allemaal vragen over jouw bedrijf, en juist daar hoort de beslissing thuis. De techniek is in 2026 uitgekristalliseerd; de vraag of het loont, hangt volledig af van deze zes regels.

De vier vragen die bepalen of RAG loont

Of RAG zich terugverdient, hangt af van vier eigenschappen van je data en gebruik: volume, actualiteit, gevoeligheid en frequentie. Loop ze in deze volgorde langs; scoor je op alle vier "ja", dan is bouwen of kopen zinvol. Zakt er één weg, dan verschuift het antwoord richting een simpeler alternatief. Beoordeel elke vraag aan de hand van je eigen situatie.

Vraag 1: Is er genoeg volume en variatie?

RAG verdient zich pas terug als er echt iets te doorzoeken valt: honderden tot duizenden documenten die te veel zijn om even zelf door te bladeren. Heb je een handvol handleidingen, dan is een goede mappenstructuur of de ingebouwde zoekfunctie van je documentsysteem sneller en gratis. De ondergrens ligt niet vast, maar onder de grofweg vijfhonderd documenten is de bouwrekening zelden de moeite waard.

Vraag 2: Is de data actueel en verandert ze?

Dit is de vraag die het vaakst verkeerd valt. RAG blinkt uit bij informatie die verandert en waar een verouderd antwoord schadelijk is: prijzen, procedures, productspecificaties, wetgeving. Juist omdat het systeem telkens de nieuwste versie ophaalt in plaats van iets uit zijn geheugen. Maar diezelfde eigenschap keert zich tegen je als je bronnen chaotisch zijn: staan er drie versies van dezelfde handleiding, dan citeert het systeem vrolijk de verkeerde. Is je informatie juist grotendeels statisch (een vast archief dat nooit wijzigt), dan hoef je hem maar één keer goed te ontsluiten en is een doorzoekbaar archief of een simpele upload naar een AI-tool genoeg.

Vraag 3: Hoe gevoelig is de inhoud?

Zitten er persoonsgegevens, klantdossiers, medische of financiële data tussen, dan bepaalt dat waar je data mag staan, en dat verandert de kostenberekening ingrijpend. Een kant-en-klare clouddienst stuurt stukjes van je bronnen naar een externe partij, vaak buiten de EU. Voor niet-gevoelige data is dat prima. Voor gevoelige data is het een AVG-vraagstuk, en zoals ik eerder uitwerkte zit het AVG-risico zelden in het model en bijna altijd in je data. Dan komt self-hosted maatwerk in beeld, waarbij geen document je eigen infrastructuur verlaat, en dat is de duurdere route.

Vraag 4: Wordt er vaak genoeg gezocht?

Een systeem dat een handvol keer per maand wordt geraadpleegd, verdient een bouwtraject nooit terug. RAG loont bij herhaald gebruik: een supportteam dat de hele dag klantvragen beantwoordt, monteurs die in het veld specificaties opzoeken, een backoffice die telkens dezelfde procedurevragen krijgt. Hoe vaker dezelfde soort vraag terugkomt en hoe meer mensen hem stellen, hoe sneller de investering zich terugbetaalt. Incidenteel opzoekwerk los je op met een gratis tool, niet met een project.

Van vier antwoorden naar een keuze

De vier vragen leiden naar één van de drie uitkomsten. De beslisboom hieronder vat de logica samen; de keuzehulp eronder loopt hem interactief met je door.

De echte kosten: wat kant-en-klaar en maatwerk over drie jaar kosten

Hier valt of staat de beslissing, want de aanschafprijs is zelden het hele verhaal. Ik zet de reële cijfers naast elkaar, met de bron erbij (prijzen juli 2026).

Kant-en-klaar, per gebruiker. De meeste kennis- en zoekplatforms rekenen per stoel per maand. Microsoft 365 Copilot kost 32 dollar per gebruiker per maand op een jaarcontract; de losse Copilot-add-on staat tijdelijk op 18 dollar (was 21). Google vraagt voor NotebookLM Enterprise 9 dollar per licentie per maand, en Gemini Enterprise Plus begint rond 50 dollar per gebruiker. Een gespecialiseerd zoekplatform als Glean zit volgens koperrapportages rond 50 dollar per gebruiker met een jaarminimum van zo'n 60.000 dollar; breder in de markt lopen deze platforms uiteen van 60 tot 500 dollar per gebruiker per maand, met flinke verborgen infrastructuurkosten. Voor 200 gebruikers tikt zo'n platform over drie jaar al snel aan tot een bandbreedte van 300.000 tot ruim een miljoen dollar.

Wil je een eigen agent bovenop Microsoft 365? Dat kan met Copilot Studio, maar let op het rekenmodel: dat gaat niet per gebruiker maar per verbruik, met pakketten van 25.000 Copilot Credits voor 200 dollar per maand of pay-as-you-go. Bij intensief gebruik lopen die credits harder op dan een vast bedrag per stoel, iets om vooraf door te rekenen.

Maatwerk, eenmalig plus onderhoud. Een eigen RAG-systeem laten bouwen kost afhankelijk van je datavolume grofweg 7.500 tot 13.000 dollar voor een kleine set (tot 10.000 documenten), 15.000 tot 27.000 dollar voor een middelgrote, en 34.000 tot 58.000 dollar voor honderdduizend documenten of meer. Daarbovenop komen de maandelijkse draaikosten (vectordatabase, model-API's, embeddings, onderhoud), die van enkele honderden tot vele duizenden dollars per maand oplopen naarmate het volume groeit.

Twee cijfers verdienen extra aandacht, want ze bepalen of het loont. Het eerste: het opschonen van je data slokt in de praktijk 30 tot 50 procent van de projectkosten op, en dat werk moet je toch doen, of je nu bouwt of koopt. Het tweede: het jaarlijkse onderhoud landt doorgaans op 15 tot 25 procent van de oorspronkelijke bouwsom. Een systeem dat 40.000 dollar kostte, kost dus jaarlijks nog eens 6.000 tot 10.000 dollar om actueel en betrouwbaar te houden. Dat is de onderhoudslast waar mijn stelling om draait: koop je een RAG-oplossing zonder dat de vier vragen op "ja" staan, dan betaal je dat bedrag elk jaar voor antwoorden die je nauwelijks gebruikt.

Kant-en-klaar vs maatwerk: de afweging op een rij

De kortste samenvatting: begin zo links mogelijk in deze tabel en schuif pas naar rechts als een concrete grens (privacy, koppelingen, rechten) je daartoe dwingt. Beheerde clouddiensten zijn intussen zo ver dat je bij AWS Bedrock met ingebouwde connectoren, agentische retrieval en EU-regio's een RAG-pijplijn in één keer aanzet, wat het middenstuk aantrekkelijker maakt dan een jaar geleden.

De valkuilen aan de koperskant

De bouwvalkuilen (chunking, hallucinaties, mager zoeken) staan in de technische gids. Hier gaat het om de valkuilen bij het beslissen en kopen, want daar verlies je het geld.

Je onderschat de onderhoudslast. Dit is de grote. Een RAG-systeem is geen eenmalig product maar een abonnement op actualiteit: elke nieuwe procedure, elke prijswijziging moet erin, anders geeft het verouderde antwoorden en verliest je team er het vertrouwen in. Reken vooraf op 15 tot 25 procent van de bouwsom per jaar, en op iemand die het beheert.

Je denkt dat AI je rommelige kennisbank vanzelf goedmaakt. Dat doet het niet. Staat er tegenstrijdige of verouderde informatie in je bronnen, dan versterkt RAG die chaos met een zelfverzekerd antwoord. Het opschonen en op orde brengen van je bronnen is de bepalende stap, of je nu bouwt of koopt, en het is precies wat je in mijn gids over verspreide bestanden opschonen tot AI-klare input terugvindt.

Je loopt vast in vendor lock-in. Bij een kant-en-klaar platform leven je data, je indexering en je retrieval-logica in de omgeving van de leverancier. Eruit migreren is zelden een knop omzetten, en de prijs per stoel kan na jaar één stijgen zonder dat je makkelijk weg kunt. Vraag vooraf hoe je je data en index eruit krijgt.

Je vergeet de toegangsrechten. Gooi je alle bedrijfsdocumenten in één bak, dan kan de zoekbot in theorie salarisgegevens of vertrouwelijke contracten aan de verkeerde persoon tonen. Wie wat mag zien, moet in het systeem zitten, niet achteraf worden bedacht. Kant-en-klare tools regelen dit soms half; maatwerk regelt het volledig.

Je kiest maatwerk terwijl je eigenlijk een proces wilt. Soms is de vraag helemaal geen zoekvraag. Wil je dat er iets gebeurt met een document (een offerte die automatisch een order en factuur wordt), dan heb je geen kennisbank nodig maar een geautomatiseerde flow van aanvraag tot factuur. RAG beantwoordt vragen; het voert geen processen uit.

Uitgewerkt voorbeeld: een installatiebedrijf met 40 monteurs

Neem een middelgroot installatiebedrijf. Veertig monteurs bellen de hele dag naar kantoor met dezelfde soort vragen: welke aansluitwaarde hoort bij dit keteltype, wat is de garantieprocedure, welke onderdelen passen op dit model. De kennis staat verspreid over pdf-handleidingen van leveranciers, een SharePoint met interne procedures en de hoofden van twee ervaren collega's. De vier vragen langslopen:

• Volume: honderden leveranciershandleidingen plus interne procedures. Ruim genoeg om zelf doorbladeren onwerkbaar te maken. Ja.
• Actualiteit: leveranciers brengen jaarlijks nieuwe modellen uit, procedures wijzigen. Een verouderd antwoord kost een monteur een verkeerde bestelling of een tweede ritje. Ja, en het telt.
• Gevoeligheid: het gaat om technische specificaties, geen persoonsgegevens. Nee, niet gevoelig.
• Frequentie: tientallen zoekvragen per dag, veertig gebruikers. Volop.

Drie keer ja, één keer "niet gevoelig". Via de beslisboom komt dit bedrijf uit bij kant-en-klaar, niet bij maatwerk. Omdat de data niet gevoelig is en het bedrijf al op Microsoft 365 draait, is de logische eerste stap een agent op de SharePoint-bronnen via Copilot, of een gericht zoekplatform. Reken grof: 40 gebruikers maal 32 dollar is zo'n 1.280 dollar per maand aan Copilot-licenties, tegenover de uren die veertig monteurs nu kwijt zijn aan bellen en wachten. Bij herhaald dagelijks gebruik is dat een korte terugverdientijd, in lijn met praktijkcases waarin een kennissysteem zich binnen ongeveer een half jaar terugbetaalt.

Pas als blijkt dat de kant-en-klare tool de leveranciershandleidingen niet goed genoeg doorzoekt, of dat er toch klantgegevens bij moeten, schuift dit bedrijf door naar maatwerk. Precies de goede volgorde: eerst het goedkoopste dat werkt, dan pas de zwaardere investering, en alleen als een concrete grens erom vraagt.

De eerlijke conclusie

De vraag is nooit of RAG technisch werkt, want dat doet het. De vraag is of jouw situatie de onderhoudslast rechtvaardigt die eronder zit. Actuele, afgebakende, gestructureerde data plus herhaalde zoekvragen van meerdere mensen: dat is het profiel waarin een doorzoekbare kennisbank zich terugbetaalt, en waarin maatwerk zijn meerprijs waard is zodra privacy of koppelingen in het spel komen. Ontbreekt een van die ingrediënten, dan is de dapperste en goedkoopste keuze om niet te bouwen, maar eerst je bronnen op orde te brengen en te beginnen met wat je licentie al biedt.

Wie zo redeneert, koopt antwoorden in plaats van een project dat over een jaar stof vergaart. Met slim werken, loont hard werken: de moeite die je nu steekt in het eerlijk beantwoorden van vier vragen, verdient zich later terug in een systeem dat je team echt gebruikt, of in het geld dat je niet uitgaf aan een systeem dat je niet nodig had.