Stel je een fictief installatiebedrijf voor. Een klant mailt: "Vervalt mijn garantie als ik zelf m'n warmtepomp type A302 schoonmaak?" Het juiste antwoord staat ergens in de servicevoorwaarden, in de onderhoudsinstructies, en in een oude mailthread tussen verkoop en service. Niemand op de klantenservice heeft alle drie paraat. Krijgt de klant het juiste antwoord?

Dat hangt af van het niveau waarop die AI met jouw bedrijfsdata werkt. Er zijn er drie. En het verschil tussen niveau 1 en niveau 3 is niet "betere AI". Het is een betere fit met jouw bedrijf.

Niveau 1: de losse vraag (LLM-call)

Op niveau 1 stel je AI gewoon een vraag. AI antwoordt vanuit algemene kennis, zonder toegang tot jouw bedrijfsdata. Vergelijk het met een navigatiesysteem zonder kaart van jouw regio: het schat een richting in op basis van wereldwijde data en gokt zodra het specifiek wordt.

Onze klant krijgt een overtuigend antwoord: "In de meeste gevallen vervalt de garantie zodra je zelf onderhoud uitvoert aan een warmtepomp." Klopt voor sommige fabrikanten, niet voor jouw bedrijf. AI is vooralsnog niet goed in weten wat het niet weet.

Snel, goedkoop, prima om mee te experimenteren. Niet om je klantenservice op te bouwen.

Niveau 2: AI met toegang tot jouw documenten (RAG)

Op niveau 2 doorzoekt AI eerst jouw bedrijfsdocumenten voordat het antwoordt, met bronvermelding. Dit heet RAG: Retrieval Augmented Generation. Via vector search vindt het systeem passages die qua betekenis dicht bij de vraag liggen, niet alleen op letterlijke woorden.

Het navigatiesysteem heeft nu een kaart van jouw regio. Het kent de straten en de zijwegen. Vraag de route naar Hoorn en het systeem pakt de juiste weg.

Onze klant krijgt nu: "Volgens onze servicevoorwaarden valt regulier onderhoud onder de garantie. Specifieke werkzaamheden moeten door een erkend monteur worden uitgevoerd, zoals beschreven in artikel 4.2." Met bron erbij.

Tot je een vraag krijgt die net iets anders ligt. Wat als de gevonden passage alleen geldt voor warmtepompen uit de B-categorie, terwijl de klant naar een product uit de A-categorie vraagt? Het systeem ziet die nuance niet, vindt een semantisch nabije passage en geeft die door alsof het klopt. Op niveau 2 vindt AI wat je typt, niet altijd wat je bedoelt.

Toch is dit voor veel bedrijven al een grote sprong. AI die over jouw bedrijf praat, met bronnen erbij. Voor concrete use cases als klantenservice, kennisbank of offerteondersteuning zit hier vaak al veel waarde.

Niveau 3: AI die je vraag begrijpt (semantische RAG)

Op niveau 3 voegen we een semantische laag toe aan de kennisbank. Het systeem kent de entiteiten in jouw ecosysteem (klant, product, type, contract) en kan daarover redeneren. Wat is een klant? Welke producten zijn er? Wat hangt waarmee samen?

Het navigatiesysteem kent nu niet alleen de kaart, maar begrijpt wat jij wil bereiken. Vraag een snelle route voor de fiets, krijg er één voor de fiets. Vraag een wandelroute, krijg er één zonder snelwegen. Zelfde gebied, ander antwoord, omdat het systeem de bedoeling oppikt.

Onze klant krijgt: het systeem vraagt actief uit (via Agentic AI) om welk type warmtepomp het exact gaat, vindt het juiste artikel voor die specifieke pomp en formuleert een antwoord dat klopt. Met een doorverwijzing naar het onderhoudsschema en een link om direct een erkend monteur in te plannen.

Dit niveau bouw je niet in een middag. Het vraagt om doordachte data-architectuur, slimme indexering en gerichte tests. Maar het is wel het niveau waarop AI overstapt van "losse functie" naar "fundament onder je werk".

Welk niveau heb jij nodig?

Niveau 1 is prima om te experimenteren. Tools als ChatGPT en Copilot zitten standaard op dit niveau, en voor algemene taken (brainstorm, samenvatting, eerste tekstvoorstel) is dat genoeg.

Niveau 2 is de logische stap zodra je AI wil inzetten waar het echt verschil maakt, met jouw documenten als bron. Mits die documentatie semantisch goed te verwerken is.

Niveau 3 is voor bedrijven met diepere semantische lagen in hun data, waar een antwoord meer is dan een simpele look-up. Complexer traject, hogere opbrengst.

Welk niveau het beste past, hangt af van waar je staat en wat je wil bereiken. Geen niveau is "het juiste antwoord". Maar weten op welk niveau jij nu zit, helpt om de volgende stap helder te krijgen.

Begrippenlijst

LLM (Large Language Model): een AI-model dat is getraind op grote hoeveelheden tekst en op basis daarvan vragen kan beantwoorden, teksten kan schrijven of samenvatten. Voorbeelden: GPT-5.5, Claude Opus 4.8, Gemini 3.

LLM-call: één vraag-en-antwoord uitwisseling met een LLM, zonder extra context vanuit jouw bedrijf.

RAG (Retrieval Augmented Generation): een aanpak waarbij AI eerst relevante passages uit jouw documenten ophaalt (retrieval), deze meegeeft aan het model als extra context (augmented) en op basis daarvan een antwoord formuleert (generation). Zo baseert het antwoord zich op feiten uit jouw eigen data, met bronvermelding.

Semantische RAG: een variant van RAG die semantische informatie toevoegt aan je data, waardoor het vragen beter begrijpt.

Embeddings: een wiskundige representatie van tekst waarin de betekenis is opgeslagen. Twee zinnen met dezelfde betekenis krijgen vergelijkbare embeddings, ook als ze andere woorden gebruiken.

Vector search: een zoekmethode die werkt met embeddings. Vindt niet wat letterlijk overeenkomt, maar wat in betekenis dichtbij ligt.