Wer eine künstliche Intelligenz auf Französisch nutzt, verbraucht möglicherweise mehr Tokens als bei exakt derselben Frage auf Englisch. Eine im September 2026 veröffentlichte Studie von Thomas Serval beziffert die Mehrkosten für Französisch je nach Tokenizer auf 31 bis 58 %. Dieser unsichtbare Unterschied kann API-Rechnungen erhöhen, den im Kontext verfügbaren Gesprächsverlauf verkürzen und die Bedingungen beeinflussen, unter denen das Modell Antworten erzeugt.

Wir betrachten ChatGPT längst als universellen Gesprächspartner. Man spricht in seiner eigenen Sprache mit ihm, es antwortet, und das funktioniert so gut, dass kaum jemand fragt, was zwischen der Eingabe eines Satzes und dessen Verarbeitung durch die Maschine geschieht. Doch die Sprachen sind in diesem Mechanismus nicht gleichgestellt. Manche passen nahezu mühelos ins System, andere zahlen einen zusätzlichen Aufpreis.

Warum benötigt ein französischer Satz mehr Tokens?

Eine künstliche Intelligenz liest Sätze nicht wie wir. Bevor ein Sprachmodell sie verarbeiten kann, zerlegt eine Komponente namens Tokenizer den Text in Einheiten, sogenannte Tokens. Diese können ganzen Wörtern, Wortteilen oder einzelnen Zeichen entsprechen.

OpenAI nennt für gewöhnliches Englisch eine grobe Faustregel: Ein Token entspricht etwa vier Zeichen oder drei Vierteln eines Wortes. Diese Näherung gilt jedoch nicht für alle Sprachen gleichermaßen.

Der Grund ist technischer Natur. Tokenizer lernen, die Zeichenfolgen effizient aufzuteilen, die ihnen bei ihrer Entwicklung begegnen. Wenn die verwendeten Daten überwiegend englisch sind, werden viele englische Sequenzen zu leicht erkennbaren Einheiten. Gleichbedeutende französische Ausdrücke können dagegen in mehrere Teile zerfallen.

So kann ein häufiges englisches Wort in ein einziges Token passen, während sein französisches Gegenstück manchmal zwei oder drei Tokens benötigt. Bei manchen nichtlateinischen Schriftsystemen fällt dieser Effekt noch deutlicher aus.

Allerdings reicht es nicht aus, zwischen ressourcenreichen und weniger vertretenen Sprachen zu unterscheiden. Ein Bericht von Rest of World über die Arbeit der Coalition for Language Equity in AI Research betont, dass auch das Schriftsystem selbst die Zerlegung erheblich beeinflusst. Arabisch oder Hindi können deshalb Nachteile erfahren, die sich nicht allein durch die Zahl ihrer Sprecher erklären lassen.

Wie teuer ist diese Sprachsteuer tatsächlich?

Die Zahlen sind zu bedeutsam, um bloß eine technische Kuriosität zu sein.

Laut der Studie von Thomas Serval von der NEOMA Business School, die auf dem mehrsprachigen Korpus NTREX-128 basiert, benötigt Französisch je nach untersuchtem System 1,31- bis 1,58-mal so viele Tokens wie Englisch. Verglichen wurden sieben Tokenizer, unter anderem von OpenAI, Meta, Alibaba, DeepSeek, Google, Mistral und Anthropic.

Eine weitere, im Mai 2026 von Prompt Inspiration veröffentlichte Analyse nennt für französische Prompts durchschnittliche Mehrkosten von rund 48 %. Das liegt in einer ähnlichen Größenordnung, doch die Berechnungsmethoden müssen nicht identisch sein. Es wäre daher falsch, diesen Wert als feste Größe für alle Gespräche und Modelle auszugeben.

In anderen Sprachen können die Unterschiede noch deutlich größer sein. Laut den von Rest of World beschriebenen Untersuchungen der Coalition for Language Equity in AI Research liegt der Kostenfaktor zwischen der günstigsten und der teuersten der zwanzig meistgenutzten Internetsprachen bei 1,5 bis 5. Bei einer Ausweitung auf zweihundert Sprachen kann der Faktor 17 erreichen.

Was bedeuten diese Zahlen für die Rechnung?

Ein rein illustratives Beispiel: Kostet eine Verarbeitung auf Englisch 10 Euro an Tokens, würde ein Aufschlag von 48 % bei identischem Preis pro Token die entsprechenden Kosten auf 14,80 Euro erhöhen. Bei einem Dienst, der täglich viele Anfragen verarbeitet, wiederholt sich dieser Unterschied mit jeder Nutzung.

Dabei sind zwei Fälle zu unterscheiden. Wer ein ChatGPT-Abonnement zum Festpreis bezahlt, erhält nicht automatisch eine höhere Rechnung, nur weil er Französisch schreibt. Entwickler oder Unternehmen, die eine nach Tokens abgerechnete API nutzen, können hingegen tatsächlich höhere Verbrauchskosten tragen.

Werbung

Das eigentliche Problem besteht also nicht nur darin, mehr zu bezahlen, sondern bei gleichem Budget oder Tokenlimit eine andere Verarbeitungskapazität zu erhalten.

Warum kann dieser Unterschied die Antworten verschlechtern?

Jedes Modell verfügt über ein Kontextfenster, also eine begrenzte Zahl von Tokens, die es bei seiner Arbeit berücksichtigen kann. Darin befinden sich unter anderem Anweisungen, frühere Nachrichten und übermittelte Dokumente.

Wenn zwei Gespräche denselben Inhalt ausdrücken, die französische Fassung aber mehr Tokens benötigt, beanspruchen sie unterschiedlich viel Platz in diesem Fenster. Das französische Gespräch stößt möglicherweise früher an seine Grenzen.

Stellen wir uns einen virtuellen Nachhilfelehrer vor. Er begleitet einen Schüler, merkt sich dessen Fehler, Schwierigkeiten und bereits gegebene Erklärungen. Wenn dieser Verlauf in der Sprache des Schülers mehr Tokens verbraucht, bleibt dem Dienst weniger Platz für Informationen, die für die Betreuung wichtig sind.

Genau dieses Beispiel nennt Pratyush Choudhury, Mitgründer von Activate AI, im Bericht von Rest of World. Der sprachliche Nachteil kann damit zu einem pädagogischen Nachteil werden.

Eine wichtige Einschränkung bleibt: Mehr Tokens zu verbrauchen bedeutet nicht automatisch, dass das Modell schlechter schlussfolgert. Die stärkere Fragmentierung belastet das Kontextfenster und kann die Latenz erhöhen, belegt für sich genommen aber keine systematische Verschlechterung der inhaltlichen Antwortqualität.

Eine 2023 auf der EMNLP vorgestellte wissenschaftliche Studie zu Kosten und Nutzen der OpenAI-API in 22 Sprachen dokumentiert dennoch eine umfassendere Ungleichheit: Viele Nutzer nichtenglischer Sprachen tragen höhere Kosten und erhalten zugleich ungünstigere Leistungen.

Es gibt also zwei unterschiedliche Probleme, die zusammen auftreten können: die Zerlegung der Sätze und die Fähigkeit des Modells, in der jeweiligen Sprache gute Ergebnisse zu liefern. Wer beides verwechselt, erkennt nicht, was tatsächlich verbessert werden muss.

Benachteiligen alle KI-Modelle Französisch gleichermaßen?

Nein. Die Wahl des Tokenizers beeinflusst die sprachbedingten Kosten erheblich.

Im Vergleich von Thomas Serval erweist sich Mistral Tekken unter den sieben untersuchten Systemen als der Tokenizer mit dem geringsten Nachteil für Französisch. Das deutet darauf hin, dass sich ein Teil der Ungleichheit direkt durch technische Gestaltung beheben lässt.

Eine Zusammenstellung von Prompt Inspiration nennt für Gemini 3.1 und Qwen 3.6 außerdem einen über die untersuchten Sprachen gemittelten Mehrkostenfaktor von 1,17 gegenüber Englisch. Für Anthropic führt sie dagegen einen Durchschnittsfaktor von 2,07 und für einen Hindi-Prompt über dessen API ein Verhältnis von 3,11 an.

Solche Vergleiche sind mit Vorsicht zu betrachten. Die zuletzt genannten Zahlen stammen aus einer sekundären Zusammenstellung und erlauben keine allgemeingültige Rangliste der Modelle. Vor allem gilt: Ein sparsamer Tokenizer gehört nicht zwangsläufig zu dem Modell mit den besten Antworten. Antwortqualität, Schlussfolgerungsfähigkeit und Tokenverbrauch müssen getrennt bewertet werden.

Lässt sich dieser sprachbedingte Nachteil beseitigen?

Die gute Nachricht: Die Mehrkosten sind keine mathematische Notwendigkeit. Sie entstehen teilweise durch technische Entscheidungen.

Thomas Servals Studie stellt unter anderem einen speziell für Französisch angepassten Tokenizer vor, der den Tokenverbrauch gegenüber den untersuchten Standardsystemen um 11,5 % reduziert. In manchen Situationen schneidet der Prototyp allerdings schlechter ab. Er ist daher keine Wunderlösung, zeigt aber konkret, dass ein anderer Ansatz möglich ist.

Ein weiterer Ansatz besteht darin, Sprachen in den Ressourcen für die Systementwicklung besser zu repräsentieren. Das von Rest of World erwähnte Projekt RESPIN sammelt dafür Text- und Sprachdaten von Muttersprachlern aus 38 Dialekten.

Nutzer können die Auswirkungen schon heute mit einigen Maßnahmen begrenzen:

  • Tokenizer vergleichen, wenn API-Kosten wichtig sind, statt nur auf den ausgewiesenen Preis pro Million Tokens zu achten.
  • Die Länge von Gesprächsverläufen überwachen, insbesondere bei langen Unterhaltungen oder Assistenten, die viele Dokumente verarbeiten.
  • Formulierungen testen, etwa mit einem Visualisierungstool wie OpenAI Tokenizer, um die Zerlegung des Textes zu verstehen.
  • Modelle in der tatsächlich verwendeten Sprache bewerten und nicht nur anhand englischsprachiger Benchmarks.

Anfragen grundsätzlich ins Englische zu übersetzen, könnte manchmal Tokens sparen, ist aber keine allgemeingültige Lösung. Es erfordert einen zusätzlichen Schritt, kann sprachliche Feinheiten verändern und garantiert keine bessere endgültige Antwort.

Das Problem reicht weit über den Preis von ChatGPT hinaus

Diese technische Verzerrung wirft eine grundlegendere Frage auf: Warum sollte eine Sprache weniger Verarbeitungskapazität erhalten als eine andere, wenn beide dieselben Gedanken ausdrücken?

Bei herkömmlicher Software verringert ein Wechsel der Oberflächensprache normalerweise nicht die Menge an Arbeit, die ein Nutzer erledigen kann. Bei Sprachmodellen ist diese Gleichwertigkeit nicht mehr gewährleistet. Die Sprache wird zu einem wirtschaftlichen und technischen Faktor, selbst wenn er auf dem Bildschirm unsichtbar bleibt.

Französischsprachige Nutzer sind nicht unbedingt am stärksten benachteiligt. Die für bestimmte Regional- und Überseesprachen festgestellten Unterschiede, die in den Beobachtungen rund um Thomas Servals Studie bis zum 3,3-Fachen des englischen Verbrauchs reichen, zeigen, dass die Frage weit über große Weltsprachen hinausgeht.

Meiner Ansicht nach wird der wirkliche Fortschritt nicht nur darin bestehen, Modelle intelligenter zu machen. Ebenso wichtig ist, dass diese Intelligenz nicht allein aufgrund der verwendeten Sprache strukturell mehr kostet. Eine angeblich universelle KI sollte Menschen, die nicht Englisch sprechen, keine unsichtbare Maut auferlegen.

Häufig gestellte Fragen

Warum braucht derselbe Text auf Französisch oder Arabisch mehr Tokens als auf Englisch?

Tokenizer erkennen bestimmte häufige Zeichenfolgen aus ihren Entwicklungsdaten besonders effizient; diese Daten sind oft englisch geprägt. Französisch und Sprachen mit anderen Schriftsystemen benötigen für denselben Inhalt möglicherweise mehr Fragmente. Wie groß der Unterschied ist, hängt von der Sprache und dem Tokenizer ab.

Ist ChatGPT teurer, wenn man auf Französisch schreibt?

Ein Festpreisabonnement wird für französischsprachige Nutzer nicht automatisch teurer. Nach Tokens abgerechnete APIs können dagegen höhere Kosten verursachen: Thomas Servals Studie ermittelt je nach verglichenem Tokenizer für Französisch 31 bis 58 % zusätzliche Tokens. Dieser Verbrauch kann auch die Kontextgrenzen stärker beanspruchen.

Denkt ChatGPT auf Französisch schlechter?

Ein höherer Tokenverbrauch beweist nicht unmittelbar eine geringere Qualität der Schlussfolgerungen. Er kann aber den verfügbaren Platz für Gesprächsverlauf und Dokumente verringern und damit manche umfangreichen Aufgaben beeinträchtigen. Die 2023 auf der EMNLP veröffentlichte Studie dokumentiert zudem Unterschiede bei Leistung und Kosten zwischen Sprachen.

Welche Modelle verringern die Sprachsteuer am stärksten?

In Thomas Servals Studie, die sich unter anderem mit Französisch befasst, weist Mistral Tekken unter sieben untersuchten Tokenizern den geringsten Aufschlag auf. Andere Vergleiche heben Gemini und Qwen bei mehrsprachigen Messungen hervor. Das Ergebnis hängt jedoch vom Korpus und Tokenizer ab: Vor der Modellwahl sollte man auch die Antwortqualität vergleichen.

Quellen