Wat is retrieval-augmented generation (RAG)?
Retrieval-augmented generation (RAG) is een methode waarbij een taalmodel eerst relevante documenten ophaalt en daarna zijn antwoord schrijft met die documenten in beeld. Elke AI-engine die bronnen vermeldt, gebruikt een vorm van RAG: eerst dingen opzoeken, dan schrijven met de resultaten voor ogen. Voor een merk is de ophaalstap de poort. Een pagina die nooit wordt opgehaald, kan het antwoord niet vormen, hoe goed hij ook is.
Waar komt retrieval-augmented generation vandaan?
De naam komt van Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks van Patrick Lewis en collega's, ingediend op 22 mei 2020 en gepubliceerd op NeurIPS 2020. Het combineerde het parametrische geheugen van een model, wat het in de training leerde, met een niet-parametrisch geheugen: een dense vectorindex van Wikipedia die een retriever bij elke vraag doorzocht.
AI-zoekmachines gebruiken hetzelfde idee op de schaal van het web, met een zoekindex in plaats van de Wikipedia-index en live resultaten in plaats van een vaste momentopname.
Hoe werkt RAG bij AI-zoeken?
Bij AI-zoeken verloopt RAG in een paar stappen:
- De engine herschrijft de vraag naar een of meer zoekopdrachten.
- Hij haalt resultaten op uit een webindex, zijn eigen of die van een partner.
- Hij kiest welke resultaten hij aan het model doorgeeft.
- Het model schrijft het antwoord met die resultaten in zijn context.
- De engine koppelt bronvermeldingen aan een deel van de bronnen die hij gebruikte.
Wordt elke opgehaalde pagina als bron vermeld?
Nee. OpenAI documenteert dat het veld sources van een webzoekopdracht elke URL teruggeeft die het model raadpleegde, en dat het aantal bronnen vaak groter is dan het aantal bronvermeldingen (OpenAI API-documentatie, gelezen op 15 okt. 2026).
Een telling van bronvermeldingen onderschat dus wat een engine las, en een pagina kan een antwoord voeden zonder link (het artikel). Opgehaald worden loont nog steeds: in onze data noemden 94 van de 97 antwoorden die een pagina van de eigen site van het merk als bron vermeldden ook het merk (het artikel).
Hoe ziet ophalen eruit in een echt voorbeeld?
In het openbare Tesla-voorbeeld (4 okt. 2026) verschilde per engine wat werd opgehaald en als bron vermeld. ChatGPT vermeldde tesla.com 12 keer in 93 bronvermeldingen over 25 koopvragen, ongeveer 13%. Perplexity, Claude en Google AI Overviews vermeldden de site samen 5 keer in 915.
De rest van wat werd opgehaald, waren pagina's van anderen: over koop- en merkvragen werd youtube.com 29 keer als bron vermeld, en.wikipedia.org 24 keer en reddit.com 20 keer. Dat zijn de pagina's waaruit het model schreef.
Hoe laat Proofsource het ophalen zien?
Voor elk antwoord legt Proofsource vast welke pagina's de engine als bron vermeldde en, als de engine ze meldt, welke zoekopdrachten hij uitvoerde, zodat je ziet wat er werd opgehaald voor de vragen die je verliest. Zie Bronvermeldingen en Prompts.
Veelgestelde vragen over Retrieval-augmented generation (RAG)
Betekent RAG dat de AI alleen gebruikt wat het ophaalde?
Nee. Het model brengt nog steeds mee wat het in de training leerde, en het antwoord mengt de twee. Ophalen stuurt het antwoord; het vervangt het geheugen van het model niet.
Hoe zorg ik dat mijn pagina's worden opgehaald?
Laat AI-zoekcrawlers ze lezen, zorg dat de tekst er zonder JavaScript staat, houd ze geïndexeerd en geschikt voor snippets, en beantwoord de specifieke deelvragen die kopers stellen.
Is RAG hetzelfde als grounding?
Ze overlappen. RAG is de methode om documenten op te halen voordat je schrijft; grounding is het doel om de beweringen in het antwoord aan die bronnen te koppelen.
Waarom werd mijn pagina als bron vermeld maar mijn merk niet genoemd?
Je pagina voedde het antwoord, maar de shortlist ging naar anderen. Meestal betekent het dat de pagina een deelvraag goed beantwoordt, maar niet uitlegt waarom jij de beste keuze bent.
Gerelateerde termen
- Grounding
Grounding is het verankeren van het antwoord van een AI-model in externe bronnen, zoals live zoekresultaten, zodat de beweringen rusten op opgehaalde content en niet alleen op het geheugen.
- Trainingsdata vs. live zoeken
Trainingsdata is wat een model leerde vóór zijn kennisgrens; live zoeken is wat het tijdens het antwoorden op het web opzoekt, en één AI-antwoord kan op het een, het ander of allebei steunen.
- Query fan-out
Query fan-out is wanneer een AI-engine één vraag opsplitst in meerdere verwante zoekopdrachten en zijn antwoord opbouwt uit alle resultaten.
- AI-bronvermelding
Een bronvermelding is een webpagina waarnaar een AI-engine linkt of die hij als bron voor zijn antwoord opgeeft.
Uitgewerkt voorbeeld: Tesla, openbare AI-antwoorden, 4 okt. 2026: de eerste scan van Tesla door Proofsource, met 25 koopvragen en 5 merkvragen, één antwoord per vraag op elk van vier engines. Een kleine steekproef van één merk, getoond als voorbeeld, niet als benchmark.
Zie waar AI je overslaat, en wat je moet verbeteren.
Zie welke koopvragen je merk noemen, wie in jouw plaats wordt genoemd en wat je moet verbeteren. 200 antwoorden. 25 Prompts/vraag. Top-AI-engines. 2 dagen. Gratis. Geen creditcard nodig.
Google AI OverviewsGoogle AI Mode
