Grounding: antwoorden met de grond onder de voeten

Een taalmodel voorspelt tekst; het weet niet uit zichzelf wat waar is. Grounding voegt een ophaalstap toe: eerst relevante documenten zoeken, dan het antwoord daarop baseren en de bronnen tonen. Daarmee daalt het aantal verzonnen details aanzienlijk en wordt een antwoord controleerbaar. Elk serieus AI-zoekproduct werkt tegenwoordig gegrond.

De vraag wordt omgezet naar een of meer zoekopdrachten, kandidaat-documenten worden opgehaald en in stukken geknipt, de meest relevante stukken gaan mee als context naar het model, en het model schrijft het antwoord met verwijzing naar die stukken. Dit is de RAG-architectuur. Elke stap is een selectiemoment waarop jouw content kan afvallen.

Een passage die zelfstandig leesbaar is, een feit bevat dat controleerbaar is, een datum draagt en toewijsbaar is aan een organisatie of auteur. Cijfers met bron, definities in één zin, prijsindicaties met peildatum en stappenplannen met genummerde stappen zijn typische groundingsbronnen. Vage claims zonder onderbouwing zijn dat niet.

Schrijf per kernvraag een passage van vijftig tot honderd woorden die het antwoord volledig bevat. Herhaal het onderwerp expliciet zodat de passage losgeknipt begrijpelijk blijft. Zet een zichtbare bijwerkdatum en een auteur met aantoonbare expertise erbij. Zorg dat de tekst zonder JavaScript in de HTML staat. En zorg dat dezelfde feiten elders — profielen, gidsen, vakmedia — hetzelfde luiden.

Grounding verkleint hallucinaties maar sluit ze niet uit: modellen kunnen bronnen verkeerd samenvatten of feiten uit verschillende bronnen door elkaar halen. Daarom blijft monitoring nodig. Zie je een structureel onjuiste bewering over jouw merk, publiceer dan een expliciete, goed vindbare correctie in plaats van te hopen dat het vanzelf verdwijnt.