RAG uitgelegd voor niet-technische marketeers - wat betekent dit nu echt voor onze contentstrategie?

Laat me RAG zo eenvoudig mogelijk uitleggen.

De bibliotheek-analogie:

Stel dat AI een heel slim persoon is die jaren geleden miljoenen boeken heeft gelezen (trainingsdata). Die kan veel vragen uit het hoofd beantwoorden.

Maar wat als je iets vraagt dat vorige week is gebeurd? Dat weet diegene niet – alleen wat hij eerder las.

RAG is alsof je die persoon een bibliotheekassistent geeft.

Als je een vraag stelt, rent de assistent om relevante boeken te zoeken en geeft de juiste pagina’s aan de slimme persoon. Nu kan die antwoorden met z’n kennis én de nieuwste informatie.

Hoe het technisch werkt (versimpeld):

1. Je stelt een vraag
2. Een retrieval-systeem zoekt naar relevante content (jouw website, artikelen, documentatie)
3. Relevante stukken worden opgehaald en aan de AI gegeven
4. De AI genereert een antwoord met die opgehaalde stukken
5. Het vermeldt waar de informatie vandaan komt

Voor contentmakers:

Jouw content kan nu meteen “opgehaald” worden en vragen beantwoorden – niet alleen als/wanneer het in trainingsdata terechtkomt.

Daarom is contentstructuur zo belangrijk. Het retrieval-systeem moet jouw content vinden én de juiste stukken eruit halen.

Laat me dit vertalen naar concrete acties voor contentstrategie.

Wat maakt content RAG-vriendelijk:

1. Duidelijke sectiestructuur

   • Elke sectie beantwoordt één specifieke vraag
   • Gebruik beschrijvende koppen
   • Begin met het antwoord, werk dan uit

2. Semantische helderheid

   • Benoem onderwerpen expliciet (“Dit artikel legt uit…”)
   • Gebruik overal dezelfde termen
   • Definieer begrippen bij eerste introductie

3. Chunking-vriendelijke opmaak

   • Alinea’s die los leesbaar zijn
   • Elke sectie moet los te halen zijn
   • Lijsten en tabellen voor overzichtelijke info

4. Goede metadata

   • Duidelijke titels die de inhoud beschrijven
   • Precieze meta descriptions
   • Juiste schema markup

De belangrijkste les:

RAG-systemen lezen je hele artikel niet. Ze halen specifieke stukken eruit die relevant lijken voor een vraag. Elke sectie van je content moet op zichzelf kunnen staan.

Denk: “Als AI alleen deze alinea pakt om een vraag te beantwoorden, is die dan begrijpelijk?”

Perspectief van een documentatieschrijver. Wij optimaliseren al ruim een jaar voor RAG.

Wat werkte:

• Verhalende documentatie omgezet naar Q&A waar mogelijk
• Elke sectie een afgerond informatieblok gemaakt
• Duidelijke onderwerpzinnen toegevoegd aan elke sectie
• Consistente benaming voor functies en begrippen gebruikt

Wat niet werkte:

• Lange, doorlopende uitleg die op elkaar voortbouwt
• Belangrijke info verstopt in alinea 5 van een sectie
• Vage koppen als “Overzicht” of “Volgende stappen”
• Verwachten dat de lezer context uit vorige secties haalt

Het mentale model:

Stel je voor dat je content in stukken van 500 woorden wordt gehakt en elk stuk op zichzelf moet kloppen. Want dat is in feite wat RAG doet.

SEO-consultant hier. Ik leg graag het verschil tussen RAG en SEO uit.

Traditionele SEO:

• Optimaliseren voor ranking van hele pagina’s
• Autoriteit opbouwen via backlinks
• Gericht op specifieke zoekwoorden
• Doel: hoog scoren in zoekresultaten

RAG-optimalisatie:

• Optimaliseren voor het ophalen van secties
• Autoriteit is anders belangrijk (staan in goed geïndexeerde bronnen)
• Gericht op onderwerpen en begrippen (semantisch)
• Doel: opgehaald en geciteerd worden bij relevante vragen

Ze overlappen, maar zijn niet identiek:

Een pagina kan #1 staan in Google maar slecht opgehaald worden door RAG (als de structuur slecht is).

Een pagina kan onzichtbaar zijn in Google maar constant worden opgehaald door Perplexity (als die specifieke vragen goed beantwoordt).

De brug:

Doe beide. Goede contentstructuur helpt zowel traditionele SEO als RAG-retrieval. Het extra werk voor RAG zit vooral in optimalisatie op sectieniveau.

Platform-perspectief: verschillende AI-systemen gebruiken RAG op hun eigen manier.

Perplexity: Pure RAG. Zoekt voor elke vraag real-time op het web. Verse content is heel belangrijk.

Google AI Overviews: RAG op basis van Google’s zoekindex. Traditionele SEO blijft belangrijk omdat je geïndexeerd moet zijn.

ChatGPT: Vooral trainingsdata. Gebruikt RAG alleen als browse aanstaat. Minder gevoelig voor actuele content.

Claude: Vergelijkbaar met ChatGPT. Heeft nu websearch maar kern blijft trainingsdata.

Wat betekent dit:

Waar je zichtbaar wilt zijn bepaalt je prioriteiten:

• Perplexity = frisse, goed gestructureerde, crawlbare content
• Google AI = traditionele SEO + goede structuur
• ChatGPT = langetermijn-autoriteit & in trainingsdata komen

Verschillende platforms, verschillende optimalisatiekeuzes.

Korte technische aanvulling over “embeddings”, omdat dat steeds terugkomt.

Wat zijn embeddings?

Je content wordt omgezet naar een lijst met getallen (meestal 768-1536 getallen per stuk). Die getallen vertegenwoordigen de “betekenis” van die tekst.

Hoe retrieval ze gebruikt:

Als je een vraag stelt, wordt je vraag ook omgezet in getallen. Het systeem zoekt contentstukken waarvan de getallen het meest lijken op die van jouw vraag.

Waarom dit relevant is voor content:

Als je content onduidelijk is geschreven, worden de embeddings rommelig. Als je content helder over een onderwerp gaat, zijn embeddings duidelijk en matchen ze goed met vragen.

Praktische implicatie:

Schrijf helder. Benoem je onderwerp expliciet. Gebruik gangbare termen.

Wees niet te slim of indirect. De wiskunde werkt beter als de betekenis overduidelijk is.

Bureauperspectief. Wij doen RAG-specifieke contentaudits voor klanten.

Waar we op letten:

1. Onafhankelijke secties – Kan elke sectie op zichzelf staan?
2. Duidelijkheid van koppen – Beschrijven koppen echt de inhoud?
3. Plaatsing van antwoorden – Staan kernantwoorden aan het begin van secties?
4. Consistentie in terminologie – Overal dezelfde termen?
5. Crawlbaarheid – Kunnen AI-systemen de content daadwerkelijk bereiken?

Veel voorkomende issues:

• Uitstekende content in PDF’s die AI lastig kan lezen
• Belangrijke informatie in afbeeldingen zonder alt-tekst
• Kernantwoorden middenin lange secties verstopt
• Koppen die niet matchen met de inhoud (zoals “Aan de slag” bij gevorderde onderwerpen)

De oplossing:

Vaak is het vooral herstructureren van bestaande content, niet nieuwe maken. De meeste sites hebben goede info, maar zijn slecht verpakt voor RAG-retrieval.

Deze thread was ontzettend leerzaam. Hier mijn samenvatting voor andere contentmarketeers:

Wat RAG voor ons betekent:

RAG is hoe AI onze content real-time vindt en gebruikt. Het is het mechanisme achter AI-citaties.

Belangrijkste actiepunten:

1. Structuur in losse stukken – Elke sectie moet zelfstandig werken
2. Begin met antwoorden – Belangrijkste info eerst, toelichting daarna
3. Gebruik duidelijke, beschrijvende koppen – Geef AI aan waar elke sectie over gaat
4. Houd terminologie consistent – Zelfde woorden voor dezelfde concepten
5. Zorg voor crawlbaarheid – AI moet je content kunnen bereiken
6. Denk op sectieniveau, niet paginaniveau – Optimaliseer de afzonderlijke stukken

Het mentale model:

Jouw content kan worden opgeknipt en de losse stukken worden opgehaald voor specifieke vragen. Optimaliseer daarvoor.

Tools:

Gebruik Am I Cited om te zien welke content daadwerkelijk wordt opgehaald en geciteerd. Analyseer wat werkt.

Dank allemaal voor de uitleg!