BotChronicles
Een groot taalmodel weet alleen wat in zijn trainingsdata zat, bevroren op een moment in het verleden. Vraag het naar de vergadering van gisteren of de prijswijziging van vorige week en het kan op eigen kracht niet helpen. De technieken die dit gat dichten — retrieval-augmented generation en blijvend geheugen — verklaren waarom de assistenten van 2026 zoveel nuttiger aanvoelen dan hun voorgangers.
Ophalen: antwoorden funderen op echte bronnen
Retrieval-augmented generation, of RAG, is conceptueel eenvoudig. Voordat het antwoordt, doorzoekt het systeem een betrouwbare bron — je documenten, een kennisbank, een live database — haalt de relevante passages eruit en geeft ze als context aan het model. Het model antwoordt vervolgens op basis van die passages in plaats van alleen uit het geheugen. De winst is tweeledig: antwoorden blijven actueel zonder opnieuw te trainen, en ze kunnen vermelden waar de informatie vandaan kwam, wat ze controleerbaar maakt.
Geheugen: continuïteit over gesprekken heen
Geheugen is de andere helft. In plaats van elk gesprek als een schone lei te behandelen, kan een assistent duurzame feiten opslaan — je voorkeuren, lopende projecten, eerdere beslissingen — en ze later oproepen. Goed gedaan verandert dit een toestandloos hulpmiddel in iets wat aanvoelt als een blijvende medewerker. Slordig gedaan wordt het een privacyrisico, en daarom maken de serieuze systemen het geheugen transparant en door de gebruiker beheersbaar: zichtbaar, bewerkbaar en verwijderbaar.
De architectuurles
Het bredere inzicht is dat capaciteit steeds meer in het systeem rond het model zit, niet alleen in het model zelf. Goed ophalen, schone data en goed beheerd geheugen verslaan vaak een groter model dat dat alles mist. In 2026 zit het concurrentievoordeel evenzeer in het leidingwerk van informatie als in ruwe intelligentie.