Hoe werkt grounding, en waarom het je belangrijkste ontwerpbeslissing is

Grounding is het verbinden van een taalmodel aan feitelijke, actuele en geautoriseerde data, zodat antwoorden gebaseerd zijn op jouw bronnen in plaats van op wat het model ooit tijdens training zag. Het is het verschil tussen een indrukwekkende demo en een systeem dat je aan je auditor durft te laten zien.

Hoe het werkt in Microsoft 365 Copilot

Bij een vraag bepaalt Copilot eerst welke tenant-data relevant is, via Microsoft Graph en de Semantic Index. Cruciaal is security trimming: het filteren van resultaten op de permissies van de vragende gebruiker gebeurt op query-tijd, vóórdat er iets naar het model gaat. Het model ziet dus nooit content waar de gebruiker geen recht op heeft, Copilot verhoogt nooit privileges, het erft ze. De opgehaalde passages gaan mee in de prompt, en het model formuleert het antwoord op basis daarvan, met citaties naar de bronnen.

In de praktijk faalt grounding op twee tegengestelde manieren, en allebei in deze retrieval-laag. Onder-retrieval: kritieke kennis leeft buiten Microsoft 365 en zit dus niet in de Graph of de Semantic Index, dat los je op met Graph Connectors die externe bronnen inclusief hun toegangsrechten indexeren. Over-retrieval: verkeerd gedeelde sites en te ruime permissies zorgen dat Copilot documenten oppikt die iemand technisch mag zien, maar functioneel nooit had mogen kunnen zien. En let op: security trimming respecteert de bestaande permissies, óók de foute. Het corrigeert oversharing niet, het maakt die zichtbaar. Trimming is de vangrail, niet de oplossing; oversharing opruimen is een voorwaarde, geen bijzaak.

Belangrijk architectuurinzicht: de kwaliteit van Copilot-antwoorden is dus vooral een functie van je informatiehuishouding. Verouderde documenten en wildgroei in SharePoint worden zichtbaar in elk antwoord. Copilot-governance begint bij contentgovernance, en houd bij een uitrol rekening met de opbouwperiode van de Semantic Index, want direct na livegang verwachten gebruikers perfecte resultaten terwijl de index nog aan het indexeren is.

Hoe het werkt in eigen oplossingen

In een eigen RAG-oplossing bouw je hetzelfde mechanisme expliciet: indexeren in Azure AI Search, relevante passages ophalen bij elke vraag, en het model instrueren om uitsluitend daarop te antwoorden. Jij bepaalt de drempels: hoe relevant moet een passage zijn, wanneer weigert het systeem, hoe streng is de bronvermelding.

Die vrijheid is ook de valkuil. De drie meest voorkomende fouten: retrieval die de verkeerde passages ophaalt (chunking-probleem), geen expliciet weigeringsgedrag (het model vult gaten met eigen kennis), en geen logging van wat er is opgehaald (waardoor je hallucinaties niet kunt diagnosticeren). En het grootste verschil met Copilot: bij zelfbouw ben jíj verantwoordelijk voor het correct nabouwen van elke ACL in je vector store, precies de plek waar datalekken ontstaan. Grounding vermindert hallucinatie overigens wel, maar elimineert die niet; leer gebruikers citaties te controleren.

Waarom dit je eerste ontwerpbeslissing is

Vrijwel elke andere keuze, modelgrootte, prompts, kosten, is achteraf bij te sturen. Maar of je systeem antwoorden mag geven zonder bron, hoe streng het weigert en hoe herleidbaar elk antwoord is: dat zit in het fundament. Wie grounding "er later bij doet", bouwt eerst een overtuigende bron van onzin en daarna alsnog het echte systeem. Begin bij grounding; de rest is tuning.