Een AI-kennisassistent op technische documentatie

Voor Xella bouwden we een pilot waarin je technische vragen over Ytong in gewone taal stelt. De assistent zoekt het antwoord in Xella's eigen documentatie: de productpagina's en zo'n 140 PDF's. Elk antwoord linkt naar de exacte pagina in het brondocument, met de passage gemarkeerd. Zo kun je elk getal controleren.

Het probleem: het antwoord staat er al, maar niemand vindt het

Iedereen in de bouw kent Ytong (lees de merkcase). De technische kennis erachter zit in brochures, technische fiches, verwerkingsvoorschriften en tabellen. "Welk Ytong-blok haalt 60 minuten brandwerendheid bij 100 mm?" Het antwoord staat ergens in een PDF, op pagina 9, in een tabel. Een aannemer of architect moet dat nu zelf zoeken, of de technische dienst bellen.

Wat de assistent doet

• Antwoord met bron. Elk antwoord noemt het document en de pagina. Klik je erop, dan opent de PDF naast het antwoord, met de passage blauw en de genoemde waarden geel gemarkeerd.
• Tabellen begrijpen. "Wat is de maximale lengte van een Ytong-dakplaat van 200 mm bij REI120 en een belasting van 2,00 kN/m²?" vraagt om één cel uit een tabel, met de juiste kolom- en rijkop.
• Grafieken maken. "Laat zien hoe de maximale lengte afneemt bij toenemende belasting" geeft een grafiek, opgebouwd uit de tabelwaarden.
• Doorvragen. Op "Is het brandwerend?" geeft de assistent de meest waarschijnlijke antwoorden en vraagt hij welk product je bedoelt, met klikbare keuzes.
• Binnen de grenzen blijven. De assistent antwoordt alleen over Ytong, alleen uit de documentatie, en zegt het als iets er niet in staat.

Hoe het gebouwd is

1. Documenten omzetten. Alle webpagina's en PDF's worden per pagina uitgelezen. Tabellen blijven tabellen: elke rij met de kolomkoppen erbij. Tabellen die alleen als plaatje in een PDF staan, leest een AI-model uit; die waarden worden als automatisch overgenomen gemarkeerd.
2. Zoeken zonder vectordatabase. Een klassieke tekstzoekmachine (BM25) met Nederlandse aanpassingen, zodat "brand" ook "brandwerendheid" vindt. Dezelfde aanpak als in RAG zonder vectordatabase: voorspelbaar en uitlegbaar.
3. Het taalmodel zoekt zelf. Claude krijgt twee gereedschappen: zoeken en een pagina lezen. Het zoekt meerdere keren, leest tabellen als hele pagina en citeert per pagina.
4. Bij een nieuwe PDF wordt alleen dat document opnieuw verwerkt.

Veiligheid en privacy

De pilot staat achter een login. Er zit een limiet op het aantal vragen per IP-adres en per dag. Logs bevatten geen IP-adressen en geen vraagteksten. De pagina's worden niet geïndexeerd. De assistent gebruikt alleen publieke Xella-documentatie.

Wat we leerden

• De moeilijkheid zit in de tabellen, niet in het taalmodel. Het meeste werk ging naar het goed uitlezen van PDF-tabellen.
• Een bron tot op de pagina maakt het verschil. Technische gebruikers vertrouwen een antwoord pas als ze het getal zelf kunnen zien.
• Doorvragen is beter dan gokken. Een onduidelijke vraag krijgt een wedervraag, geen zelfverzekerd fout antwoord.

Wat dit voor jouw organisatie betekent

Heb je productdocumentatie, handleidingen of een kennisbank in PDF's? Dan is een assistent die daar betrouwbaar uit antwoordt dichterbij dan vaak gedacht. Zonder zware infrastructuur, en met een bron bij elk antwoord.

Gepubliceerd op 10 november 2026.