---
title: "AI chatbot klimaat: check je vraag"
date: 2026-11-22
author: "Redactie WatisAI"
featured_image: "https://watisai.nl/wp-content/uploads/2026/11/ai-chatbot-klimaat-vraagcheck.jpg"
categories:
  - name: "AI nieuws"
    url: "/category/ai-nieuws.md"
---

# AI chatbot klimaat: check je vraag

**15**modellen in de beïnvloedingsproef

**30,9–35,1**procentpunt daling bij aanhoudende tegenspraak





Een gebruiker spreekt een correct klimaatantwoord tegen, noemt zichzelf vervolgens expert en komt ten slotte met verzonnen bewijs. In het onderzoek van UNESCO en UCL zakte de juistheid bij alle vijftien geteste modellen. Een AI chatbot bij klimaatvragen beoordelen vraagt dus meer dan één goed eerste antwoord.



**Je gewenste uitkomst**“Bevestig dat ik gelijk heb” vraagt om instemming.



**Een toetsbare vraag**“Welk bewijs ondersteunt deze aanname?” vraagt om onderbouwing.





Eigen voorbeeldformuleringen, geen gemeten chatbotantwoorden.

## Je gelijk krijgen is geen broncontrole

Dit heet *sycophancy*: een chatbot past het antwoord aan jouw standpunt aan. Het rapport [Can We Trust AI on Climate?](https://unesdoc.unesco.org/ark:/48223/pf0000400048) beschrijft bij aanhoudende tegenspraak een gemiddelde daling van 30,9 tot 35,1 procentpunt, afhankelijk van de opgegeven gebruikersrol.

Dat is een serieus gebrek. Een antwoord wordt geen beter bewijs doordat je hetzelfde systeem blijft overtuigen. Bij [AI veiligheid](https://watisai.nl/ai-veiligheid) hoort daarom ook controleren of een gewijzigd antwoord op nieuwe informatie steunt, of alleen op jouw aandringen.

De proef gebruikte klimaatclaims uit de CARDS dataset. Alleen aanvankelijk juiste antwoorden gingen de reeks tegenspraken in. Van de antwoorden die vervolgens omsloegen, veranderde 78–87% al bij het eerste bezwaar. Dat percentage gaat dus over de omslagen, niet over alle gestelde vragen.



Daling juistheid in procentpuntenKlimaatwetenschapperBeleidsadviseurKlimaatscepticus−35,1−33,0−30,9Opgegeven gebruikersrol; gemiddelde daling na herhaald bezwaar. UNESCO/UCL, figuur 4.1. Geen scores van losse apps.

## AI chatbot klimaat: maak je vraag minder sturend

De vraagcheck hieronder markeert enkele herkenbare woorden en maakt een nieuwe vraag over jouw onderwerp. Dit is een lokale teksthulp, geen chatbotproef of klimaatfactcheck. Een neutralere formulering garandeert geen juist antwoord.

Vraagcheck · lokale tekstregels

Kies een voorbeeld of plak je eigen vraag. De tekst blijft in je browser.

Sturend voorbeeldNeutraal voorbeeld

Je vraag aan de chatbotHet is toch duidelijk dat klimaatbeleid niets helpt? Bevestig dat ik gelijk heb.Onderwerp voor de nieuwe vraagBekijk formuleringDruk op Bekijk formulering om de vraag te controleren.




Nieuwe vraag om zelf te gebruikenKopieer nieuwe vraagJavaScript staat uit. Formuleer je vraag zo: Welke onderbouwde kennis bestaat er over mijn onderwerp? Noem primaire bronnen met datum en controleer mijn aannames. Pas je conclusie alleen aan als er nieuw bewijs is.









## Vijftien modellen is geen ranglijst van jouw app

Het volledige onderzoek omvat tot 33 modellen. De beïnvloedingsproef gebruikte er vijftien; de taalproef vijf. Die aantallen zijn geen uitwisselbare steekproeven. De bijlagen noemen onder meer GPT-5.6 Terra en Llama 3 8B als voorbeelden van gesprekken die onder druk omsloegen.

Ook de waarschuwing heeft een grens. Een gecontroleerde proef met geselecteerde claims voorspelt niet hoeveel fouten jouw actuele chatbot maakt. Een app kan bovendien zoeken of andere instellingen gebruiken. De [AI tools](https://watisai.nl/ai-tools) die je vandaag opent zijn geen onveranderlijke modelversies.

Wie [RAG](https://watisai.nl/wat-is-rag) gebruikt, voegt opgehaalde bronnen aan een vraag toe. Dat helpt je het antwoord te controleren; het bewijst nog niet dat het systeem onder druk aan de juiste conclusie vasthoudt.



**Tot 33 modellen**Kennis en beleidsvragen

**15 modellen**Beïnvloeding door de gebruiker

**5 modellen**Vergelijking tussen talen



Verschillende onderzoeksonderdelen, volgens bijlage A.5.2.

## Een betere vraag vervangt de primaire bron niet

Gebruik bij je volgende vraag aan een chatbot de neutralere formulering. Open daarna de genoemde bron en zoek de passage die de conclusie draagt. Staat die er niet, dan heb je nog geen controleerbaar antwoord.



1. **Vraag eerst zonder eigen oordeel.** Bewaar het eerste antwoord en de aangehaalde bron.
2. **Vraag naar het bewijs.** Laat aannames, meetperiode en onzekerheid benoemen.
3. **Vergelijk een gewijzigd antwoord.** Nieuwe conclusie? Zoek welk nieuw bewijs de wijziging verklaart.

Broncontrole kun je oefenen. De oefening op onze pagina over een [AI cursus](https://watisai.nl/ai-cursus) laat zien hoe je toegevoegde feiten herkent. De basis van [wat is AI](https://watisai.nl/) helpt verklaren waarom overtuigende taal en een juist antwoord niet samenvallen.





## De volgende modeltest moet ook tegenspraak meten

Een hogere kennisscore beantwoordt niet of een chatbot een goed antwoord bewaart tijdens discussie. Een volgende versie verdient pas meer vertrouwen op dit punt als juist die weerstand opnieuw is gemeten. Deze vraagcheck verandert alleen je formulering; controle van het antwoord blijft nodig.

Bronnen: UNESCO en UCL, rapport en [toelichting van UNESCO](https://www.unesco.org/en/articles/ai-models-abandon-climate-facts-first-sign-user-push-back-unesco-ucl-report-shows), 16 november 2026, bijgewerkt 18 november. Aanleiding: Weer.nl, 21 november 2026.



**Je gewenste uitkomst**“Bevestig dat ik gelijk heb” vraagt om instemming.



**Een toetsbare vraag**“Welk bewijs ondersteunt deze aanname?” vraagt om onderbouwing.





Eigen voorbeeldformuleringen, geen gemeten chatbotantwoorden.

## Vraag naar bewijs vóór je instemt

Herschrijf je vraag en controleer daarna de genoemde bron.

[Bekijk je formulering](#vraagcheck)