Det samme spørsmålet kan koste mer å behandle med KI på fransk enn på engelsk, fordi de to versjonene ikke nødvendigvis deles inn i like mange tokener. I en sammenligning av 1 997 oversatte presseutsagn presentert av Alain Goudey i oktober 2026 brukte franske versjoner 1,31 til 1,58 ganger så mange tokener som engelske, avhengig av tokenisereren. Dette kan påvirke API-regningen og hvor mye tekst modellen kan undersøke.

Forskjellen er lite synlig: På skjermen virker to forespørsler like. Men i systemet kan de oppta ulik plass. Språklig likestilling handler dermed ikke bare om kvaliteten på svarene, men også om hvordan maskinen teller innholdet den får.

Hvorfor kan en fransk setning bruke flere tokener?

En språkmodell mottar ikke bare ord skilt med mellomrom. En tokeniserer deler teksten inn i enheter kalt tokener. En enhet kan være et helt ord, en orddel, et tegn eller et mellomrom. Sjeldne eller oppdiktede ord kan bli delt opp i flere biter.

Dette er ingen universell grammatikkregel. Det avhenger av modellens tokeniserer. Samme tekst kan gi ulike tellinger i to systemer. Å sammenligne bare antall ord på fransk og engelsk er derfor som å beregne en regning med feil måleenhet.

Språk og skriftsystem påvirker også resultatet. Rest of World påpeker at et språks sjeldenhet ikke alene forklarer forskjellene. I forskning fra 2025 fant Teklehaymanot og Nejdl problemer med enkelte ikke-latinske skriftsystemer og språk med kompleks morfologi. Funnene er ingen endelig rangering av alle språk.

Hvor mye kan forskjellen koste?

For API-er som tar betalt per token, må man skille mellom tokener sendt inn og tokener generert i svaret. Flere inndatatokener kan øke denne delen av prisen ved samme sats. Totalprisen avhenger også av svarlengden og modellens egne priser.

Goudeys sammenligning gir et konkret bilde: Blant 1 997 oversatte setninger trengte fransk 31 til 58 prosent flere tokener enn engelsk, avhengig av tokenisereren. Det er ikke et automatisk pristillegg fra leverandørene eller en regel for alle spørsmål, men en målt forskjell i et bestemt materiale.

I oktober 2026 rapporterte Rest of World forskjeller på 1,5 til 5 ganger mellom ytterpunktene blant tjue språk. Ved utvidelse til to hundre språk nådde forskjellen opptil sytten ganger i én modell. Dette belyser ulikhet i infrastrukturen, ikke prisen på en fransktalendes neste samtale.

Hvorfor blir det også mindre plass til dokumenter?

Prisen er bare den synlige delen. En modell har et begrenset kontekstvindu, også målt i tokener. Plassen deles mellom spørsmålet, tidligere meldinger, dokumenter og svaret som skal skrives. Et token som brukes ett sted, kan ikke brukes et annet sted i samme vindu.

Tenk deg et arbeidsforhold der en lang samtale følger flere dokumenter som skal analyseres. Hvis samtalen og dokumentene bruker flere tokener, er det mindre plass til andre filer eller nyttig historikk. Det handler ikke bare om budsjettet, men om hva verktøyet kan ha tilgjengelig når det svarer.

Slik får «tilgang til KI-verktøy» en konkret betydning. To personer med samme modell og kontekstgrense får ikke nødvendigvis plass til like mye nyttig innhold på sine språk. Det betyr ikke at svarene alltid er dårligere på ett språk, men at arbeidsrommet kan være ulikt.

Hvordan måle forskjellen i egne tekster?

Ikke let etter én universell prosent. Gjør heller en test som kan gjentas. Velg en typisk instruksjon, et dokumentutdrag eller et spørsmål du ofte stiller. Lag franske og engelske versjoner med mest mulig lik betydning. Ikke sammenlign en detaljert forespørsel med et sammendrag.

• Velg modellen du vil bruke. Tokenisereren er like viktig som språket; en annen modell kan gi misvisende resultater.
• Tell begge inndataene hver for seg. Sammenlign tokener, ikke bare ord eller tegn.
• Beregn også utdataene. Et langt svar kan endre regnestykket; bruk riktige satser for inn- og utdata.
• Gjenta med flere vanlige tekster. Ett eksempel beskriver ikke nødvendigvis hverdagsbruken.

Med Vantaige-kalkulatoren kan du lime inn tekst, velge leverandør og modell og få et tokenantall og et anslag over API-kostnadene. Det er et nyttig utgangspunkt, ikke en garantert faktura: Mengden tekst som faktisk genereres, kan avvike fra simuleringen.

En viktig forholdsregel er å ikke sammenligne tokeniserere uten å se på prisene. En APIYI-test rapporterte 1 630 utdatatokener med Gemini 3 Flash mot 812 med DeepSeek V3.2 ved fransk oversettelse av samme kinesiske artikkel. Dette alene viser ikke hvilken modell som er billigst.

Bør man da skrive til KI på engelsk?

Ikke nødvendigvis. Arbeider du på fransk, kan franske instruksjoner være enklere å kontrollere, rette og bruke i sluttdokumentet. Engelsk er verdt å teste ved store mengder eller betydelige API-kostnader, men vinner ikke alltid. Sammenlign hele oppgaven, ikke en enkelt setning.

Etter mitt syn handler det ikke om å presse alle over til et dominerende språk for å spare tokener. Det handler om å synliggjøre kostnaden. Brukere bør vite hvor mye kapasitet teksten krever før de velger modell eller lager et stort dokument. Det som kan måles, kan diskuteres; det usynlige fremstår lett som en naturlig grense.

Vanlige spørsmål

Hvorfor bruker like lange tekster ulikt antall tokener?

Fordi en tokeniserer ikke alltid deler teksten ord for ord. Delene varierer med ord, språk, skrift og modell. Tekster som ser like lange ut, kan derfor få ulike antall tokener.

Er fransk alltid dyrere enn engelsk?

Nei, det er ingen absolutt regel. Goudeys sammenligning av 1 997 oversatte setninger fant høyere tokenforbruk på fransk, men forskjellen varierte med tokenisereren. For en bestemt forespørsel må begge versjoner telles og modellens priser brukes.

Hvordan påvirker det dokumentanalyse?

Kontekstvinduet har en tokengrense og må romme meldinger, dokumenter og svar. Hvis samme innhold bruker flere tokener, blir det mindre plass til resten. Virkningen avhenger av modell, tekst og samtale.

Hvordan sjekker jeg kostnaden for egne spørsmål?

Lag to formuleringer med samme betydning og tell tokenene med den aktuelle modellens tokeniserer. Vantaige kan anslå tokenantall og API-kostnad. Skill mellom inndata og utdata, og se resultatet som et anslag.