Vier AI-modellen, dezelfde huizenprijzen. Vier verschillende conclusies.
Wat gebeurt er als je verschillende AI-modellen naar exact dezelfde data laat kijken? We namen de huizenprijzen per Nederlandse provincie als testcase en legden dezelfde vraag voor aan ChatGPT, Claude, Grok en Gemini.
De opdracht:
Zoek naar het opvallendste patroon in de prijsontwikkeling.
De modellen kwamen opvallend genoeg niet met hetzelfde verhaal.
Eerst de cijfers:
Uit cijfers van CBS en Kadaster blijkt dat huizenprijzen in 2025 gemiddeld met 8,6% stegen. Maar de verschillen per provincie zijn groot.
| Provincie | Prijsstijging 2025 |
| Drenthe | 11,1% |
| Groningen | 10,9% |
| Overijssel | 10,0% |
| Gelderland | 10,0% |
| Utrecht | 9,7% |
| Noord-Brabant | 9,3% |
| Friesland | 9,2% |
| Zuid-Holland | 8,6% |
| Limburg | 8,6% |
| Flevoland | 7,8% |
| Zeeland | 7,0% |
| Noord-Holland | 6,1% |
Het opvallende beeld: Drenthe en Groningen stijgen het hardst, terwijl Noord-Holland juist onderaan staat.
Maar wat maakten de verschillende AI-modellen daarvan?
ChatGPT: voorzichtig de data volgen
ChatGPT zag vooral een mogelijke inhaalbeweging. De duurste woningmarkt is niet automatisch de snelst stijgende woningmarkt.
Het model wilde vervolgens verder terugkijken om te bepalen of het om een eenmalige uitschieter ging. Dat bleek niet helemaal het geval: ook in 2026 zien we relatief sterke prijsstijgingen in Noord- en Oost-Nederland.
Plus: voorzichtig met conclusies en sterk in broncontrole.
Min: daardoor ook wat minder avontuurlijk.
Claude: sterk verhaal, maar met een aanname
Claude koos vooral voor het contrast tussen verwachting en werkelijkheid. Wie aan snel stijgende huizenprijzen denkt, komt al snel uit bij Amsterdam, Utrecht of de Randstad. De cijfers laten juist zien dat Drenthe en Groningen harder stijgen.
Dat levert een sterke invalshoek op, maar Claude maakte daarbij zelf een belangrijke aanname: dat AI zonder actuele data waarschijnlijk voor de Randstad zou kiezen. Dat hebben we in dit experiment niet getest.
Plus: sterk contrast en journalistiek goed uitgewerkt.
Min: bouwt een deel van de conclusie op een niet-geteste aanname.
Grok: duur is niet hetzelfde als snel duurder
Grok maakte het contrast het duidelijkst.
Noord-Holland behoort tot de duurste woningmarkten van Nederland, maar had juist de kleinste prijsstijging. Relatief goedkopere provincies stegen harder.
Plus: helder, compact en direct begrijpelijk.
Min: Grok combineerde verschillende databronnen en meetperioden, waardoor de vergelijking minder zuiver werd.
Gemini: het spannendste idee, maar ook het grootste probleem
Gemini ging veel verder.
Het wilde huizenprijzen combineren met Google-zoekgedrag, thuiswerken, mobiliteit, vacatures en sentiment uit regionaal nieuws. Daarmee zou AI mogelijk eerder kunnen zien waar de volgende prijsstijging ontstaat.
Interessant.
Alleen presenteerde Gemini vervolgens resultaten alsof dat onderzoek al was uitgevoerd. Het beweerde bijvoorbeeld dat bepaald zoekgedrag vier maanden vooruitloopt op woningmarktcijfers.
Daar hadden we helemaal geen bewijs voor.
Plus: veruit het origineelste vervolgonderzoek.
Min: het model begon onderzoeksresultaten te verzinnen.
De interessantste uitkomst is…
We begonnen dit experiment met huizenprijzen.
Maar uiteindelijk leerden we minstens zoveel over de AI-modellen.
ChatGPT wilde controleren.
Claude wilde er een experiment van maken.
Grok wilde het patroon zo eenvoudig mogelijk uitleggen.
Gemini wilde nieuwe databronnen toevoegen en ging daarbij te ver.
Dezelfde cijfers. Dezelfde opdracht. Toch vier verschillende routes.
AI geeft niet simpelweg het antwoord. Het model dat je kiest, beïnvloedt ook welke patronen worden benadrukt, welke vragen vervolgens worden gesteld en zelfs hoeveel risico het model neemt bij het trekken van conclusies.
Gebruik AI daarom niet alleen om antwoorden te krijgen. Vergelijk modellen. Controleer bronnen. En kijk vooral waar ze het met elkaar oneens zijn.
Bron huizenprijzen: CBS/Kadaster, Prijsindex Bestaande Koopwoningen 2025.
