AWS lanceert Bedrock Managed Knowledge Base: RAG op je eigen data zonder eigen infrastructuur

Een AI-assistent die antwoorden geeft op basis van je eigen documenten, contracten en handleidingen is voor de meeste bedrijven de meest praktische AI-toepassing die er is. De techniek erachter, retrieval-augmented generation (RAG), is alleen bewerkelijk om zelf op te tuigen. Amazon wil die drempel wegnemen: op de AWS Summit in New York kondigde het op 17 juni 2026 de Amazon Bedrock Managed Knowledge Base aan, een beheerde dienst waarmee je naar eigen zeggen in minuten een AI-toepassing op je bedrijfsdata bouwt.

Wat de dienst doet

De kern is dat AWS de hele RAG-pijplijn voor je beheert: opslag, het ophalen van relevante stukken, de embeddings, het herrangschikken van resultaten en de modelkeuze. Normaal knoop je die onderdelen zelf aan elkaar. Een paar zaken vallen op:

• Kant-en-klare connectoren. Zes ingebouwde koppelingen halen je data binnen uit Amazon S3, SharePoint, Confluence, een web crawler, Google Drive en OneDrive.
• Slim inlezen. De dienst kiest automatisch een passende verwerkingsstrategie per databron, inclusief multimodale verwerking en het opknippen van documenten in zinvolle stukken.
• Agentische retrieval. Voor complexere vragen doet de dienst meerstaps-zoekopdrachten binnen of over meerdere kennisbanken heen, en leidt daarbij zelf de bedoeling van de vraag af.
• Modelvrijheid. Je kunt elk fundamentmodel op Bedrock gebruiken en de embedding- en herrangschikmodellen los kiezen.

De prijs is verbruiksgebaseerd, zonder vooraf vastgelegde verplichtingen, berekend op de hoeveelheid geïndexeerde data en het aantal zoekopdrachten. De dienst is beschikbaar in onder meer de Europese regio’s Frankfurt, Dublin en Londen, wat voor de vraag waar je data staat (en dus voor de AVG) uitmaakt.

Waarom dit ertoe doet

Een jaar geleden moest je voor een fatsoenlijke RAG-opzet zelf een vectordatabase kiezen, een embeddingmodel uitzoeken, een herrangschiklaag bouwen en dat allemaal onderhouden. Dat AWS dit nu als één dienst aanbiedt, verlaagt de kosten en de tijd om te beginnen fors. Voor een bedrijf dat snel wil zien of een AI-chatbot op de eigen kennisbank werkt, is dat aantrekkelijk.

Er zit ook een keerzijde aan. Hoe meer van de pijplijn een leverancier voor je regelt, hoe dieper je in zijn ecosysteem zit. Je data, je indexering en je retrieval-logica leven dan binnen Bedrock, en eruit migreren is zelden een kwestie van een knop omzetten. Dat is dezelfde afweging die speelt bij elke beheerde AI-dienst, en precies waarom het loont om te weten wat er bij een RAG-chatbot op je eigen data komt kijken: bronnen, embeddings, een vectordatabase en de valkuilen voordat je een platform kiest.

Wat dit betekent voor jouw bedrijf

Als je RAG nog niet hebt geprobeerd, verlaagt deze dienst de drempel om te beginnen, met EU-regio’s die het AVG-verhaal eenvoudiger maken. Begin klein: één afgebakende kennisbron, een paar duidelijke vragen, en meet of de antwoorden kloppen.

Weeg tegelijk af hoeveel je wilt vastleggen. Voor een experiment is een beheerde dienst ideaal. Wordt RAG een kernonderdeel van je werk, dan wil je weten welke onderdelen je zelf in handen houdt, want dezelfde techniek draai je ook met open componenten in een leverancier-onafhankelijke AI-stack, desnoods self-hosted. De winst zit niet in de fraaiste dienst, maar in een opzet die je begrijpt, kunt verplaatsen en niet in paniek brengt als één leverancier zijn voorwaarden of prijzen verandert.