Chatbot, RAG, koppeling of AI-agent: wat heb je nodig per klus?

LLM, RAG, MCP, agent. In aanbiedingen van softwareleveranciers staan ze naast elkaar alsof het vier producten zijn waar je er één van kiest. Het zijn vier treden van dezelfde trap. Elke trede bouwt op de vorige en elke trede hoger vraagt meer van je: meer inrichten, meer kosten, meer toezicht. Met vier vragen zie je op welke trede jouw klus klaar is.

Waarom je onderaan begint

Anthropic, de maker van Claude, schreef een handleiding voor bedrijven die agents bouwen. Het advies daarin is opvallend nuchter: zoek de eenvoudigste oplossing die werkt en maak het pas ingewikkelder als dat nodig is. Dat kan volgens de handleiding betekenen dat je helemaal geen agent bouwt (Bron: Anthropic).

Dat advies geldt net zo goed voor een bedrijf met acht mensen. Een agent die zelfstandig door je mailbox gaat is indrukwekkend. Voor het herschrijven van een offerte is hij te veel.

Hoe de vier woorden technisch in elkaar zitten, lees je op onze zustersite in LLM, RAG, MCP en AI-agent: wat de virale uitlegplaat weglaat. Hier gaat het om de keuze.

Trede 1: staat alles al in je vraag?

Dan is de chatbot zelf genoeg. Je plakt een tekst, een mail of een lijstje in ChatGPT, Claude of Gemini en vraagt wat je wilt: korter maken, vriendelijker formuleren, samenvatten, tegenargumenten bedenken. Het taalmodel werkt met wat jij aanlevert en jij beoordeelt het antwoord.

Het meeste dagelijkse werk blijft op deze trede. Wil je hier betere resultaten, dan levert een betere vraag meer op dan zwaarder gereedschap. Daarvoor is er Prompten voor beginners.

Let op wat je plakt. Klantgegevens en contracten deel je op dat moment met de aanbieder.

Beginner-tip: twijfel je of je klus op trede 1 past? Probeer het gewoon. Plak wat je hebt in de chatbot. Kom je er zo uit, dan ben je klaar.

Trede 2: staat het antwoord in je eigen documenten?

Dan geef je de chatbot je stukken erbij. Een medewerker wil weten hoe de regeling voor overwerk in jullie handboek staat. Jij wilt weten welke garantie je vorig jaar aan een klant hebt beloofd. Het antwoord bestaat al, alleen niet in het hoofd van het model.

De techniek hierachter heet RAG: de chatbot zoekt eerst de passende passages op en schrijft daarmee zijn antwoord. Je hoeft dat niet zelf te bouwen. NotebookLM antwoordt op basis van de bronnen die je toevoegt, zie NotebookLM gebruiken. Projecten in Claude schakelen vanzelf over op RAG zodra je projectkennis de grens van het contextvenster nadert (Bron: Claude Help Center). Wil je wel weten hoe het vanbinnen werkt, lees dan RAG zelf bouwen.

Eén gewoonte hoort bij deze trede: vraag om de passage waar het antwoord op steunt en lees die na. Opzoeken maakt een antwoord beter, niet foutloos. Onderzoekers van Stanford testten juridische zoektools die met RAG werken. Die gaven bij 17 tot 33 procent van de testvragen een antwoord dat niet klopte of dat de aangehaalde bron niet droeg (Bron: Magesh e.a., Stanford).

Trede 3: heb je gegevens van nu nodig, uit een ander systeem?

Dan zet je een koppeling aan. Documenten zijn een momentopname. Welke facturen vandaag openstaan, wie er morgen in de agenda staat en wat een klant gisteren mailde, staat in een ander systeem. Met een koppeling, in sommige apps connector genoemd, kan de chatbot daar zelf bij.

Veel van die koppelingen werken via MCP, een open standaard die de makers zelf vergelijken met een USB-C-poort (Bron: Model Context Protocol). Wat dat voor jou oplevert en welke koppelingen nuttig zijn, staat in MCP uitgelegd.

Begin met koppelingen die alleen mogen lezen. De chatbot kan dan opzoeken en samenvatten, maar niets versturen of wijzigen. Schrijfrechten geef je pas als je weet wat je eraan hebt.

Gevorderden: een koppeling opent ook een deur naar binnen. Een mail of document kan verborgen opdrachten voor de chatbot bevatten. Hoe dat werkt en wat je ertegen doet, staat in AI-agent bij je mail? Zo voorkom je dat hij gekaapt wordt.

Trede 4: moet het zelf meerdere stappen achter elkaar kiezen?

Dan heb je een agent nodig. Tot en met trede 3 kies jij na elk antwoord de volgende stap. Bij een agent kiest het systeem zelf en gaat het door tot de klus af is. Volgens de handleiding van Anthropic passen agents bij open problemen waarbij je het aantal stappen vooraf niet kunt voorspellen en geen vaste route kunt vastleggen (Bron: Anthropic).

Een voorbeeld: elke maandag de openstaande facturen ophalen, per klant de laatste mailwisseling bekijken en een passende herinnering klaarzetten. Dat zijn veel stappen, ze komen elke week terug en per klant loopt het anders.

Dezelfde handleiding noemt de prijs. De zelfstandigheid van agents betekent hogere kosten en de kans op fouten die zich opstapelen. Een verkeerde aanname in stap twee werkt door in stap twintig.

Daarom beantwoord je bij een agent eerst een andere vraag dan bij een koppeling. Bij een koppeling vraag je waar de chatbot bij kan. Bij een agent vraag je wat hij zonder jou mag beslissen. Laat hem zoeken en voorbereiden en houd de laatste klik bij geld en klantcontact zelf. De vier niveaus daarvoor staan in AI-agent rechten geven.

Welke trede bij welke klus?

Twijfel je tussen twee treden, kies dan de laagste en kijk een paar weken of je ertegenaan loopt. Een trede hoger kan altijd nog.