Hoe AI-zoek werkt: van chunks tot antwoorden met RAG en vector search

Kort antwoord: AI-zoek begrijpt de betekenis en de bedoeling van een vraag in plaats van alleen woorden te vergelijken. Het zet tekst om in getallen (embeddings), zoekt met vector search passages met dezelfde betekenis, haalt actuele bronnen op met Retrieval-Augmented Generation (RAG) en laat een taalmodel daar één antwoord van schrijven, met links naar de gebruikte bronnen.

Wat is AI-zoek?

AI-zoek is een manier van zoeken waarbij het systeem probeert te begrijpen wat je bedoelt, niet alleen welke woorden je typt. Een traditionele zoekmachine geeft een lijst met links. Een AI-zoeksysteem leest meerdere bronnen en schrijft één antwoord, meestal met links naar de pagina’s die het heeft gebruikt.

IBM omschrijft een AI-zoekmachine als een zoekhulpmiddel dat draait op technieken als natural language processing (NLP), machine learning en grote taalmodellen, en dat de context, de intentie en de betekenis van een vraag analyseert in plaats van alleen trefwoorden te indexeren (IBM, What Is an AI Search Engine?).

Voor jou als website-eigenaar betekent dat een tweede soort zichtbaarheid naast je positie in Google: genoemd of geciteerd worden in het antwoord. Meer daarover lees je op AI-zichtbaarheid.

Hoe AI-zoek verschilt van traditioneel zoeken

Beide bestaan naast elkaar. Volgens de AI Overviews-studie van Semrush toonde Google in november 2025 een AI Overview bij 15,69% van de onderzochte zoekwoorden (samengevat door Digital Applied). Dat aandeel verandert en verschilt per onderwerp; kijk daarom naar je eigen zoekopdrachten in Search Console.

De kerncomponenten van AI-zoek

• Grote taalmodellen (LLM’s) lezen tekst en schrijven het antwoord.
• Vector embeddings zetten tekst om in getallen die de betekenis vastleggen.
• Vector search zoekt passages waarvan de betekenis dicht bij de vraag ligt.
• Retrieval-Augmented Generation (RAG) haalt actuele bronnen op voordat het model schrijft.
• Reranking zet de gevonden passages in volgorde van bruikbaarheid.

Databricks beschrijft AI-zoek op dezelfde manier: het systeem interpreteert betekenis, gebruikt taalmodellen en semantisch begrip, en werkt met RAG en vector search (Databricks, What is AI Search?).

Hoe AI-zoek werkt: stap voor stap

1. De vraag begrijpen. Het systeem bepaalt wat je wilt weten, inclusief de context van een vervolgvraag.
2. De vraag opsplitsen. Een ingewikkelde vraag wordt in kleinere zoekopdrachten verdeeld (query fan-out). Google beschrijft dat AI Mode een vraag opdeelt in subonderwerpen en die tegelijk zoekt (Google Zoeken Help).
3. Ophalen. Uit een index of het web worden passages gehaald die bij de vraag passen.
4. Rangschikken en filteren. De bruikbaarste passages komen bovenaan, de rest valt af.
5. Antwoord schrijven. Een taalmodel maakt van de passages één antwoord.
6. Bronnen vermelden. Veel systemen tonen op welke pagina’s het antwoord gebaseerd is.

Voor je content is de volgorde belangrijk: een pagina die niet wordt opgehaald, kan niet worden geciteerd, en een pagina die wel wordt opgehaald maar onduidelijk is, is moeilijk te citeren.

Vector embeddings en vector search: betekenis vangen in getallen

Een embedding zet een stuk tekst om in een lange reeks getallen die de betekenis weergeeft. Teksten met een vergelijkbare betekenis komen in die wiskundige ruimte dicht bij elkaar te liggen, ook als ze andere woorden gebruiken. Vector search zoekt de passages waarvan de getallen het dichtst bij die van de vraag liggen; vaak wordt die nabijheid gemeten met cosine similarity.

Daarom kunnen “hoe vindt AI-zoek antwoorden” en “hoe werkt AI-zoek” bij dezelfde pagina uitkomen. Voor je content betekent dit: een onderwerp in gewone taal goed uitleggen en de echte vraag direct beantwoorden werkt beter dan één exact zoekwoord herhalen.

Retrieval-Augmented Generation (RAG): de brug tussen zoeken en schrijven

RAG verbindt een taalmodel met bronnen buiten zijn trainingsdata. In plaats van alleen te antwoorden uit wat het model ooit heeft geleerd, haalt het systeem eerst relevante documenten op en schrijft het antwoord op basis daarvan.

• Ophalen: het systeem zoekt in een index of op het web naar passages die bij de vraag passen.
• Toevoegen: die passages worden aan de werkcontext van het model toegevoegd.
• Schrijven: het model maakt een antwoord dat op die passages steunt, vaak met bronvermelding.

RAG maakt antwoorden actueler en beter controleerbaar, maar niet foutloos: als de opgehaalde bron niet klopt of onvolledig is, kan het antwoord dat ook zijn. Wat je zelf kunt doen: maak elke sectie op zichzelf te begrijpen. Noem de vraag in de kop, leg vaktermen uit bij het eerste gebruik en toon de publicatiedatum en je bronnen.

De rol van taalmodellen (LLM’s)

Een groot taalmodel is getraind op enorme hoeveelheden tekst en kan daardoor gewone taal begrijpen en schrijven. In AI-zoek doet het twee dingen: het helpt de vraag te begrijpen, en het maakt van de opgehaalde passages een samenhangend antwoord. Het model weet uit zichzelf niet wat er vandaag op het web staat; daarvoor is het ophalen van bronnen (RAG) nodig.

Dezelfde taalmodellen schrijven ook teksten voor websites. Of Google zulke teksten anders behandelt en hoe je ze bewerkt voordat je publiceert, lees je in AI-content en Google.

Chunking: tekst opsplitsen voor verwerking

Lange documenten worden opgedeeld in kleinere stukken tekst, chunks. Die zijn makkelijker te doorzoeken en passen in de beperkte werkruimte (het contextvenster) van een taalmodel. Een systeem kan zo één alinea van je pagina ophalen in plaats van de hele pagina.

Dat is geen reden om je pagina in losse fragmenten te hakken. Google’s Search Liaison Danny Sullivan waarschuwde daar juist voor:

“We don’t want you to turn your content into bite-sized chunks because LLMs like things that are really bite size.”

— Danny Sullivan, Google Search Liaison (Search Off the Record, januari 2026)

Schrijf dus voor de lezer: een kop die de vraag noemt en alinea’s die bij één punt blijven. Dan klopt een stuk tekst ook als het los wordt geciteerd.

De retrieval-lus: van vraag tot antwoord

Je kunt het hele proces zien als een lus die zich bij elke vraag herhaalt:

1. Breed zoeken: eerst worden veel mogelijke passages opgehaald, met vector search en vaak ook klassiek zoeken op trefwoorden (bijvoorbeeld BM25).
2. Ruis eruit: een reranker beoordeelt die passages opnieuw en houdt alleen de bruikbaarste over.
3. Schrijven en controleren: het model schrijft het antwoord en koppelt zinnen aan bronnen.
4. Vervolgvraag: stel je een nieuwe vraag, dan begint de lus opnieuw, met de context van het gesprek erbij.

Mijn eigen homepage laat zien dat ranken en geciteerd worden apart gemeten moeten worden. Bij de basismeting van mijn huidige case study op 28 september 2026 werd de pagina exact geciteerd in Google AI Overviews of Gemini, ChatGPT Search, Perplexity en Claude; Microsoft Copilot noemde het merk, maar linkte niet naar de website. Elk systeem leg ik apart vast, omdat een citaat in het ene systeem niets zegt over de andere.

Waarom AI-antwoorden verschillen

Dezelfde vraag kan verschillende antwoorden opleveren. Dat komt doordat taalmodellen niet elke keer exact dezelfde tekst schrijven, doordat het ophalen en rangschikken van bronnen per systeem, locatie en moment verschilt, en doordat het web zelf verandert. Een enkele test is daarom een momentopname. Vergelijk liever dezelfde vragen in meerdere systemen en op meerdere momenten.

De toekomst van AI-zoek

AI wordt verder in zoekmachines ingebouwd, antwoorden worden persoonlijker en houden meer rekening met context, en AI-assistenten gaan steeds vaker zelf taken uitvoeren. Wat niet verandert: een duidelijk antwoord, controleerbare feiten, een herkenbare auteur en een pagina die makkelijk te lezen is. Pagina’s die daarop gebouwd zijn, werken in een lijst met links én in een gegenereerd antwoord. Welke SEO-taken AI kan overnemen en welke niet, lees je in AI in SEO: toepassingen, grenzen en de toekomst.

Veelgestelde vragen over hoe AI-zoek werkt

Hoe begrijpt AI-zoek mijn vraag?

Het analyseert de betekenis en de bedoeling van de hele vraag en zet die om in een embedding, zodat het teksten met dezelfde betekenis kan vinden, ook als de woorden anders zijn.

Wat is het verschil tussen AI-zoek en traditioneel zoeken?

Traditioneel zoeken geeft een gerangschikte lijst links, vooral op basis van trefwoorden. AI-zoek schrijft één antwoord uit meerdere bronnen, vergelijkt op betekenis en vermeldt meestal de gebruikte pagina’s.

Wat is RAG?

Retrieval-Augmented Generation: het systeem haalt eerst relevante documenten op, voegt die toe aan de context van het taalmodel en laat het model daarop een antwoord schrijven.

Wat zijn vector embeddings?

Getallenreeksen die de betekenis van een tekst vastleggen. Teksten met een vergelijkbare betekenis liggen dicht bij elkaar, en daar zoekt vector search op.

Hoe zorg ik dat mijn pagina in AI-antwoorden wordt genoemd?

Beantwoord de vraag direct aan het begin van elke sectie, laat eigen ervaring en benoemde bronnen zien, gebruik duidelijke koppen en meet de echte AI-antwoorden vóór en na een wijziging. Een garantie op een vermelding bestaat niet.

Bronnen: IBM · Databricks · Google Zoeken Help (AI Mode) · Digital Applied (Semrush-gegevens) · PPC Land