Wat is Agentic RAG? En waarom je servicedesk het nodig heeft

Agentic RAG (Retrieval Augmented Generation) is een AI-architectuur waarbij autonome agents zelf bepalen welke informatie ze ophalen, wanneer ze dat doen en hoe ze erop handelen. Voor IT-servicedesks betekent dit AI die kennisbanken doorzoekt, tickethistorie ophaalt, de CMDB raadpleegt en vervolgens het beste oplossingspad bepaalt, allemaal zonder handmatige aansturing.

Hoe verschilt Agentic RAG van standaard RAG?

Standaard RAG volgt een simpel patroon: een gebruiker stelt een vraag, het systeem haalt relevante documenten op en de AI genereert een antwoord. Het is reactief en bestaat uit één stap.

Agentic RAG gaat verder. De AI-agent bepaalt actief zijn eigen ophaalstrategie. Hij begint misschien met het lezen van een binnenkomend ticket, realiseert zich dat er meer context nodig is, haalt de tickethistorie van de gebruiker op, controleert de CMDB voor het betrokken apparaat, doorzoekt de kennisbank naar vergelijkbare problemen, en combineert dat alles tot een oplossing. Als de eerste zoekopdracht geen bruikbare resultaten oplevert, herformuleert hij en probeert het opnieuw.

Zie het zo: standaard RAG is als een bibliothecaris één vraag stellen. Agentic RAG is als een onderzoeker inhuren die weet welke bronnen hij moet raadplegen, welke vragen hij moet stellen en hoe hij alles moet samenvoegen tot een bruikbaar rapport.

Waarom is dit belangrijk voor ITSM?

Servicedesktickets zijn zelden eenvoudig. Een melding als "mijn laptop blijft hangen" kan tientallen oorzaken hebben. Om het efficiënt op te lossen moet je meerdere bronnen raadplegen:

• Kennisbank: Is dit probleem eerder opgelost?
• Tickethistorie: Heeft deze gebruiker recent hetzelfde probleem gemeld?
• CMDB: Welk model, OS-versie en welke software staat er op het apparaat?
• Wijzigingsrecords: Is er recent een change geweest die dit kan verklaren?

Een traditionele chatbot doorzoekt één bron en hoopt op het beste. Een agentic RAG-systeem orkestreert over al deze bronnen, volgt een keten van redenering tot het een betrouwbare oplossing bereikt.

Hoe ziet Agentic RAG er in de praktijk uit?

Een praktisch voorbeeld. Een medewerker dient een ticket in: "Kan niet verbinden met de VPN vanuit huis."

1. De agent leest het ticket en identificeert het onderwerp: VPN-connectiviteit.
2. Hij doorzoekt de kennisbank naar VPN-troubleshooting artikelen en vindt drie relevante handleidingen.
3. Hij controleert de tickethistorie van de gebruiker en ziet een vergelijkbaar ticket van twee maanden geleden, opgelost door het VPN-clientprofiel te resetten.
4. Hij raadpleegt de CMDB en ziet dat het apparaat een verouderde VPN-clientversie draait.
5. Hij combineert alles: de meest waarschijnlijke oplossing is het updaten van de VPN-client, en als dat niet werkt, het profiel resetten.
6. Hij stelt een antwoord op met stapsgewijze instructies.

Die hele keten gebeurt in seconden. Geen mens hoefde vijf verschillende systemen te doorzoeken.

Hoe kun je Agentic RAG op je servicedesk gaan gebruiken?

Je hoeft dit niet zelf te bouwen. ITSM Autopilot implementeert agentic retrieval als kernfunctie. Koppel je ITSM-platform (Freshservice, ServiceNow, TOPdesk, Zendesk, Jira Service Management of HaloITSM) in 15 minuten, en de AI-agent begint tickets te analyseren met je bestaande kennisbank en ticketdata.

Begin met schaduwmodus zodat je precies kunt zien wat de agent ophaalt en hoe hij redeneert voordat een antwoord je eindgebruikers bereikt. Voeg geleidelijk meer kennisbronnen en tools toe naarmate het vertrouwen groeit.

Het mooie van agentic RAG is dat het beter wordt naarmate je kennisbank groeit. Elk opgelost ticket kan een nieuw artikel worden via geautomatiseerd kennisbeheer, wat de agent beter materiaal geeft voor toekomstige zoekopdrachten. Het is een versterkend effect.

Wat is het verschil tussen Agentic RAG en een eenvoudige kennisbankzoekopdracht?

Een eenvoudige zoekopdracht matcht op trefwoorden. Agentic RAG begrijpt de intentie, volgt redeneringketens, bevraagt meerdere systemen en synthetiseert de resultaten. Het is het verschil tussen een zoekmachine en een ervaren analist.

Veelgestelde vragen

Heeft Agentic RAG een perfecte kennisbank nodig om te werken?

Nee. Agentic RAG werkt met de kennis die je vandaag hebt. Het haalt informatie op uit meerdere bronnen, dus zelfs als je kennisbank hiaten heeft, kan de agent context halen uit tickethistorie, CMDB-data en andere gekoppelde systemen. Na verloop van tijd vult je kennisbank die hiaten naarmate er nieuwe artikelen worden aangemaakt uit opgeloste tickets.

Kan Agentic RAG tickets afhandelen die niet overeenkomen met bestaande kennis?

Ja. Wanneer de agent geen betrouwbare oplossing vindt, escaleert hij naar een menselijke agent met alle context die hij heeft verzameld. Dit betekent dat de mens begint met een volledig briefing in plaats van een leeg ticket, wat aanzienlijke tijd bespaart, ook wanneer volledige automatisering niet mogelijk is.

Hoe verschilt Agentic RAG van AI-chatbots?

De meeste AI-chatbots gebruiken basis-RAG of patroonherkenning. Ze antwoorden vanuit een vaste set reacties of één enkele kennisbron. Agentic RAG-agents plannen zelfstandig hun ophaalstrategie, raadplegen meerdere systemen en redeneren over het beste pad. Lees meer over dit verschil in ons artikel over AI vs chatbots op de servicedesk.