Vragen beantwoorden uit je eigen documenten met bronvermelding. Een AI-kennisbank op basis van retrieval (RAG), zonder dat het model je data 'leert'.
Een AI-kennisbank beantwoordt vragen uit je eigen documenten (handboeken, voorwaarden, procedures) en noemt bij elk antwoord de bron waar het vandaan komt. EIGHTY8 bouwt die kennisbank in je bestaande werkplek: het model leert je data niet, het zoekt per vraag de juiste passage op en houdt op bij wat er niet in staat.
Waar staat ook alweer de opzegtermijn, de klachtenprocedure, de instelling van dat ene apparaat? Het antwoord bestaat bijna altijd. Op een gedeelde schijf, in een mail van twee jaar geleden, in het hoofd van de collega die het ooit opschreef. Dus begint de zoektocht: drie mappen open, vier versies van hetzelfde document, en uiteindelijk maar even aan iemand vragen. Die collega laat zijn eigen werk vallen, antwoordt uit het geheugen, en over een paar maanden is hij er niet meer.
De optelsom is herkenbaar: nieuwe medewerkers die weken nodig hebben om de procedures te vinden, supportvragen waarvan het antwoord op bladzijde twaalf van een handboek staat, en documentatie die wél is bijgewerkt maar door niemand meer gevonden wordt. Het probleem is zelden dat de kennis ontbreekt. Het probleem is dat ze niet op te roepen is op het moment dat je haar nodig hebt.
De basis is een verzameling documenten die jij aanwijst: handboeken, voorwaarden, procedures, productinformatie, uitgewerkte supportvragen. Die teksten worden in kleine passages verdeeld en geïndexeerd op betekenis. Een vraag over 'verlooptijd' vindt dan ook de alinea die over 'einde van de overeenkomst' gaat, zonder dat iemand die woorden ooit als trefwoord heeft gezet.
Stelt iemand een vraag, dan zoekt het systeem eerst de passages die erover gaan en stuurt die, samen met de vraag, naar een taalmodel met één instructie: antwoord alléén uit dit materiaal en noem bij elk antwoord waar het vandaan komt. De lezer ziet het antwoord mét verwijzing naar document en alinea, en kan in één klik het origineel openen. Staat het antwoord er niet in, dan zegt de kennisbank dat en zet de vraag door naar een mens. Ze verzint niets.
Er is geen training aan te pas gekomen. Een aangepast document wordt opnieuw geïndexeerd en is daarna meteen vindbaar; het model zelf verandert niet. Wat de mens blijft doen: beslissen welke bronnen mee mogen doen, ze onderhouden, en af en toe een antwoord lezen om te zien of de formulering nog klopt. Eerlijk erbij: een kennisbank maakt zichtbaar wat er in je documentatie staat, ook de tegenstrijdigheden. Is die rommelig, dan is opruimen de eerste stap, niet de automatisering.
Een kennisbank staat of valt met de bronnen en de rechten eromheen. De vier dingen hieronder leggen we in de discovery samen op tafel.
Het werkt voor organisaties met veel tekst en terugkerende vragen: juridische dienstverleners met clausules en procedures, IT-bedrijven die dezelfde configuratievraag tienden keer beantwoorden, gemeenten en publieke organisaties die moeten kunnen uitleggen waar een uitspraak vandaan komt. Hoe vaker dezelfde passage wordt opgezocht, hoe sneller de kennisbank zichzelf terugverdient.
Het werkt níet als de documentatie zelf verouderd of tegenstrijdig is. Dan geeft hij netjes antwoorden die niet kloppen, en dat is erger dan geen antwoord. Ook niet als de vragen vooral om berekeningen of planningen gaan: die los je op met vaste regels en een database, niet met een zoekstap. En voor een team van twee mensen die elkaar gewoon kunnen aanspreken, is een kennisbank een duurdere route naar hetzelfde antwoord.
In onze eigen app draait een assistent die antwoordt uit onze eigen documentatie en werkafspraken, met de bron erbij (we gebruiken hem zelf elke dag, dus we voelen ook waar hij tekortschiet. Naast de app staat er een publieke assistent op onze site die geaard is in de site-copy en vragen die hij niet kan beantwoorden doorgeeft aan een mens. Wat die casus bewust weglaat: gebruikscijfers en evaluatiescores) die horen bij ons eigen bedrijf, niet op een verkooppagina.
De omvang hangt af van het aantal bronnen, de toegangsregels en hoe de kennisbank in de werkplek wordt ingebouwd. We scopen vooraf wat er gebouwd wordt, zetten de aannames op papier en rekenen af op nacalculatie. Er is geen standaardpakket voor een kennisbank, want geen twee documentatiebossen zijn gelijk.
Een chatbot op je site bedient bezoekers en antwoordt uit wat daar publiek op staat. Een kennisbank staat in de werkplek van je team, antwoordt uit interne documenten met een bronverwijzing per antwoord en houdt rekening met wie de vraag stelt. De chatbot helpt je klanten, de kennisbank helpt je medewerkers. En veel organisaties hebben uiteindelijk allebei nodig.
Nee, en dat is een ontwerpkeuze aan het begin, geen bijzaak achteraf. Per bron leggen we vast of hij meedoet, wie hem mag raadplegen en of persoonsgegevens uit de index blijven. Een procedure is voor iedereen in het team; een klantcontract is voor het dossier van die klant. Vragen en antwoorden worden gelogd, zodat je later kunt terugzien wat er opgezocht is.
De kennisbank zegt dan dat het antwoord er niet in staat in plaats van iets aannemelijks te verzinnen. Soms kan ze wel de dichtstbijzijnde passage tonen met de kanttekening dat de vraag er niet volledig in beantwoord wordt, en bij terugkerende onbeantwoorde vragen ziet de redacteur dat als signaal: hier ontbreekt documentatie. Het gat wordt zichtbaar in plaats van weggestopt.
Een aangepast document wordt opnieuw geïndexeerd en is daarna direct vindbaar in zijn nieuwe versie; de oude versie verdwijnt uit de zoekresultaten. Hoe snel dat gaat (meteen of op een vast moment per dag) is een instelling die we samen kiezen. Omdat het model niet getraind wordt op je teksten, hoef je niet te wachten op een duur herstelproces voordat een kleine wijziging doorwerkt.
EIGHTY8