Twee manieren om AI over je data te bevragen
Zowel RAG als NotebookLM lossen hetzelfde probleem op: een taalmodel weet standaard niets van jouw specifieke documenten. Beide voegen die context toe, maar op fundamenteel verschillende manieren en met verschillende afwegingen.
Wat is RAG?
RAG staat voor Retrieval-Augmented Generation. Het is een techniek waarbij relevante tekstfragmenten uit een kennisbasis worden opgehaald en als context worden meegegeven aan een taalmodel, dat daarmee een antwoord genereert.
NotebookLM: eenvoud voorop
NotebookLM is een gebruiksvriendelijke Google-tool zonder code. Je uploadt documenten en de AI beantwoordt vragen op basis van die bronnen. Alles gebeurt in een browser-interface.
Sterke punten:
- Geen technische kennis vereist
- Direct beschikbaar, geen setup
- Bronverwijzingen zijn zichtbaar in elk antwoord
- Audio Overviews (podcast-achtige samenvattingen)
- Gedeelde notebooks in betaalde abonnementen
Beperkingen:
- Een vast maximum aantal bronnen per notebook, afhankelijk van je abonnement
- Geen publieke consumenten-API (er is wel een Enterprise-API, zie hieronder)
- Standaard niet integreerbaar in je eigen applicatie
- Je data wordt verwerkt door Google (privacyoverweging)
- Je kunt de retrieval-logica niet zelf aanpassen
Brongrenzen en API in 2026
Het gratis abonnement biedt tot 100 notebooks met elk maximaal 50 bronnen en 500.000 woorden per bron. Betaalde abonnementen (Plus, Pro en Ultra) verhogen die limieten stapsgewijs. Google publiceert per tier andere getallen, dus controleer de actuele waarden op de officiele pricing- en helppagina's voor je een keuze maakt. Sinds 2026 bestaat er bovendien een officiele NotebookLM Enterprise-API via Google Cloud (Gemini Enterprise, op het moment van schrijven in Preview); voor de gewone consumentenversie is er nog geen publieke API.
RAG: kracht en flexibiliteit
RAG is een techniek die je zelf implementeert. Je bouwt een pipeline: documenten worden ingelezen, omgezet naar embeddings, opgeslagen in een vectordatabase en bij elke vraag worden de relevante passages opgehaald.
Sterke punten:
- Volledig aanpasbaar (embedding-modellen, retrieval-strategie, taalmodel)
- Integreerbaar in elke applicatie
- Schaalbaar tot miljoenen documenten
- Controleerbaar dankzij transparante retrieval-logica
- Keuze uit lokale of cloudmodellen voor betere privacy
- Eigenaarschap over je eigen data en infrastructuur
Beperkingen:
- Technische kennis vereist (Python, vectordatabases)
- Onderhoud en hosting komen voor je eigen rekening
- Een investering in initiele setup-tijd
- Kosten voor vectordatabase en taalmodel-API
Vergelijkingstabel
| Criterium | NotebookLM | RAG |
|---|---|---|
| Technische kennis | Geen | Python en ML-kennis |
| Setup-tijd | Minuten | Uren tot dagen |
| Schaalbaarheid | Beperkt per notebook | Miljoenen documenten |
| API-integratie | Alleen Enterprise (Preview) | Ja, volledig |
| Privacy (zelf hosten) | Nee | Ja, met lokale modellen |
| Kosten | Abonnement | Gebruiksafhankelijk |
| Aanpasbaarheid | Laag | Hoog |
Wanneer kies je voor NotebookLM?
- Je bent een individuele gebruiker of kenniswerker
- Je werkt met enkele tientallen documenten per project
- Je wilt snel een antwoord zonder technische setup
- Je doet onderzoek voor eigen gebruik
- Je gebruikt de Audio Overview-functie regelmatig
Wanneer kies je voor RAG?
RAG past bij deze situaties
Kies voor een eigen RAG-implementatie als je een applicatie bouwt waarbij gebruikers vragen stellen over een kennisbasis, je meer documenten doorzoekbaar wilt maken dan een notebook aankan, je de retrieval-logica wilt aanpassen (hybride zoeken, reranking), je on-premise of lokaal wilt werken voor privacy, of je de AI-functionaliteit wilt koppelen aan een bestaand systeem.
RAG implementeren: basisarchitectuur
Onderstaand voorbeeld bouwt een volledig lokale RAG-pipeline met Ollama (taalmodel en embeddings) en Chroma als vectordatabase. Lokaal draaien betekent dat je documenten je eigen machine niet verlaten.
from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import OllamaEmbeddings
from langchain_community.llms import Ollama
from langchain.chains import RetrievalQA
from langchain_community.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
def bouw_rag_systeem(document_paden):
embedding = OllamaEmbeddings(model='nomic-embed-text')
tekst_splitter = RecursiveCharacterTextSplitter(
chunk_size=1000,
chunk_overlap=200,
)
alle_chunks = []
for pad in document_paden:
loader = PyPDFLoader(pad)
documenten = loader.load()
chunks = tekst_splitter.split_documents(documenten)
alle_chunks.extend(chunks)
vectorstore = Chroma.from_documents(
alle_chunks,
embedding,
persist_directory='./vectordb',
)
llm = Ollama(model='llama3.1:8b')
qa_chain = RetrievalQA.from_chain_type(
llm=llm,
retriever=vectorstore.as_retriever(search_kwargs={'k': 5}),
return_source_documents=True,
)
return qa_chain
Let op de chunk-instellingen
De chunk_size en chunk_overlap bepalen sterk hoe goed je retrieval werkt. Te grote chunks verwateren de relevantie, te kleine chunks verliezen context. Begin met 1000 tekens en 200 overlap en stel bij op basis van je eigen documenten.
Kan ik RAG en NotebookLM combineren?
Niet binnen een gedeelde pipeline, maar je kunt ze prima naast elkaar gebruiken voor verschillende doeleinden: NotebookLM voor snelle, persoonlijke analyses en een eigen RAG-systeem voor je productieapplicatie.
Welke vectordatabase is geschikt voor beginners?
Chroma draait lokaal en vraagt nauwelijks setup, en Pinecone biedt een gratis cloud-tier. Voor productie kiezen veel teams later voor Weaviate of Qdrant.
Is RAG altijd beter dan fine-tuning?
Voor kennisbasis-toepassingen is RAG meestal handiger, omdat je de kennisbasis kunt bijwerken zonder het model opnieuw te trainen. Fine-tuning is juist sterker voor het vastleggen van een schrijfstijl of het verbeteren van domeinspecifieke redenering.
Hoe nauwkeurig zijn RAG-antwoorden?
De nauwkeurigheid hangt af van de kwaliteit van je documenten, de chunking-strategie en het gekozen taalmodel. Goed afgestelde systemen halen vaak een hoge nauwkeurigheid op domeinspecifieke vragen, maar meet dit altijd op je eigen data met een evaluatieset.
Kan NotebookLM voor klantenservice worden ingezet?
De consumentenversie heeft geen publieke API en is daardoor niet integreerbaar in een klantenservice-systeem. Wil je iets inbouwen in je eigen software, gebruik dan RAG of de NotebookLM Enterprise-API.
Verlaten mijn documenten mijn omgeving bij een lokale RAG-opstelling?
Nee. Met lokale modellen via Ollama en een lokale vectordatabase zoals Chroma blijven zowel je documenten als de gegenereerde antwoorden op je eigen machine, zonder dat data naar een externe dienst gaat.