Een AI-kennisassistent die antwoordt uit je eigen documenten
Je team stelt steeds dezelfde vragen: hoe pakken we dit geval aan, waar staat dat sjabloon, wat hebben we met deze klant afgesproken? Ik bouw assistenten die antwoorden uit je eigen procedures, documenten en geschiedenis, hun bronnen tonen, en het zeggen als ze het niet weten.
Achtergrond
Van onderzoek naar productie
Mijn masterthesis aan de TU Delft, KarGus, was een kennisgraafsysteem om vragen te beantwoorden over veel documenten heen. Vandaag leid ik AI bij Herald, waar AI-agents werken met de eigen plaatsingsgegevens van elk kantoor.
- Antwoorden gebaseerd op je documenten, niet op het geheugen van het model
- Bronnen getoond bij elk antwoord
- Toegangsrechten gerespecteerd, zodat mensen alleen zien wat ze mogen zien
- Zegt “ik weet het niet” in plaats van te gokken
Waarop hij kan antwoorden
Procedures en interne regels
Hoe handelen we een terugbetaling, een klacht, een nieuwe klant af?
Producten en prijzen
Welke optie past bij deze klant, en wat kost ze?
Eerdere dossiers en projecten
Hebben we dit al eens gedaan, en wat hebben we toen beslist?
Contracten en afspraken
Wat hebben we met deze klant of leverancier afgesproken?
Technische documentatie
Handleidingen, specificaties en interne wiki’s, doorzoekbaar in gewone taal.
Onboarding
De honderd kleine vragen die elke nieuwe collega heeft.
Waar je hem vindt
In Slack of Teams
Stel een vraag in de chattool die je team al gebruikt.
Op je intranet of in een webapp
Een eenvoudige, private pagina om te zoeken en antwoorden te krijgen.
In je andere AI-workflows
Andere agents gebruiken dezelfde kennis, bijvoorbeeld om antwoorden op te stellen die je regels volgen.
Hoe ik meestal werk
- 1
Het werk begrijpen
Bekijken hoe de taak vandaag gebeurt, hoe vaak, door wie, en hoe een goed resultaat eruitziet. Vaak volstaat een eenvoudige automatisering en is er geen AI nodig.
- 2
Eén workflow kiezen
De taak kiezen met de meeste repetitieve uren en een duidelijke definitie van “klaar”, en ze meten voor er iets verandert.
- 3
Bouwen en testen op echte gevallen
De workflow bouwen op echte data en met de echte tools. In het begin keurt een mens het werk van de AI goed, zodat er niets ongecontroleerd vertrekt.
- 4
Meten, dan uitbreiden
Voor en na vergelijken. Laten draaien waar het betrouwbaar is gebleken, en dan doorgaan naar de volgende workflow.
Veelgestelde vragen
Wat is een RAG-assistent?
RAG (retrieval-augmented generation) betekent dat de assistent eerst in je documenten naar de relevante passages zoekt en daarna een antwoord schrijft op basis daarvan. Zo blijven de antwoorden verankerd in je eigen inhoud en kan hij zijn bronnen tonen.
Kan hij vertrouwelijke documenten zien?
Alleen wat je koppelt, en de toegang kan je bestaande rechten volgen, zodat mensen alleen antwoorden krijgen uit documenten die ze mogen inkijken.
En als het antwoord niet in onze documenten staat?
Dan zegt hij dat, in plaats van iets te verzinnen, en kan hij de persoon naar de juiste collega verwijzen.
Welke bronnen kan hij gebruiken?
Google Drive, SharePoint, Notion, Confluence, pdf’s, websites en gegevens uit je andere tools.
Zijn mijn gegevens veilig? En de GDPR?
Het systeem moet van bij het begin met de GDPR in gedachten ontworpen worden: gegevens waar mogelijk in de EU bewaard, toegang beperkt tot wat de AI nodig heeft, en een mens die gevoelige acties goedkeurt. De opzet moet ook gedocumenteerd worden in je verwerkingsregister.
Gerelateerde artikels
Hoe je AI implementeert in je bedrijf: een stappenplan in 6 stappen voor kmo’s
Artikel · Aanpak · 5 min. leestijd
Voorbeelden van AI-workflows: 12 workflows die kmo’s als eerste automatiseren
Artikel · Toepassingen · 4 min. leestijd
Denk je na over AI voor je bedrijf, of werk je aan iets gelijkaardigs? Ik praat er graag over. Je kunt me mailen of een gesprek inplannen.