Usare un’intelligenza artificiale in francese può consumare più token che porle esattamente la stessa domanda in inglese. Uno studio di Thomas Serval, pubblicato nel settembre 2026, misura un sovraccosto dal 31 al 58% per il francese, a seconda del tokenizer utilizzato. Questa differenza invisibile può aumentare la spesa per le API, ridurre la quantità di conversazione conservabile nel contesto e cambiare le condizioni in cui il modello produce le risposte.

Ci siamo abituati a considerare ChatGPT un interlocutore universale. Gli parliamo nella nostra lingua, risponde e l’illusione funziona così bene che quasi nessuno si chiede cosa accada tra la frase digitata e la sua comprensione da parte della macchina. Eppure, in questo meccanismo le lingue non sono uguali. Alcune entrano nel sistema quasi naturalmente; altre devono pagare un pedaggio aggiuntivo.

Perché una frase francese consuma più token?

Un’intelligenza artificiale non legge le frasi come noi. Prima che un modello linguistico possa elaborarle, un componente chiamato tokenizer suddivide il testo in frammenti detti token. Questi possono corrispondere a parole intere, parti di parole o singoli caratteri.

OpenAI propone una regola approssimativa per l’inglese comune: un token equivale a circa quattro caratteri, ossia tre quarti di una parola. Ma questa stima non vale allo stesso modo per tutte le lingue.

Il motivo è tecnico. I tokenizer imparano a segmentare in modo efficiente le sequenze incontrate durante la loro progettazione. Quando i dati impiegati sono dominati dall’inglese, molte sequenze inglesi diventano unità facilmente riconoscibili. Espressioni equivalenti in francese possono invece essere spezzate in più frammenti.

Una parola inglese frequente può quindi occupare un solo token, mentre l’equivalente francese ne richiede talvolta due o tre. Il fenomeno è ancora più marcato con alcuni sistemi di scrittura non latini.

Non basta però distinguere tra lingue ricche di risorse e lingue meno rappresentate. Un’inchiesta di Rest of World sui lavori della Coalition for Language Equity in AI Research sottolinea che il sistema di scrittura stesso influisce fortemente sulla frammentazione. Arabo e hindi possono quindi subire penalizzazioni non spiegabili semplicemente dal numero dei parlanti.

Quanto costa davvero questa tassa linguistica?

Le cifre sono abbastanza rilevanti da andare oltre la semplice curiosità tecnica.

Secondo lo studio di Thomas Serval, affiliato alla NEOMA Business School e condotto sul corpus multilingue NTREX-128, il francese richiede da 1,31 a 1,58 volte più token dell’inglese, a seconda dei sistemi analizzati. Il confronto riguarda sette tokenizer associati, tra gli altri, a OpenAI, Meta, Alibaba, DeepSeek, Google, Mistral e Anthropic.

Un’altra analisi, pubblicata nel maggio 2026 da Prompt Inspiration, stima un sovraccosto medio di circa il 48% per i prompt scritti in francese. La stima è dello stesso ordine di grandezza dello studio precedente, ma i metodi di calcolo non sono necessariamente identici. Sarebbe quindi scorretto presentare questa percentuale come una costante valida per tutte le conversazioni e tutti i modelli.

Altrove le differenze possono essere molto maggiori. Secondo i lavori della Coalition for Language Equity in AI Research riportati da Rest of World, tra le venti lingue più usate su Internet il rapporto tra le meno costose e le più costose varia da 1,5 a 5. Estendendo l’analisi a duecento lingue, il divario può arrivare a un fattore 17.

Che cosa significano queste cifre in fattura?

Facciamo un esempio puramente illustrativo. Se un’elaborazione in inglese costa 10 euro in token, un aumento del 48% porta la spesa equivalente a 14,80 euro, a parità di tariffa per token. Per un servizio che gestisce ogni giorno molte richieste, questa differenza si ripete a ogni utilizzo.

Occorre tuttavia distinguere due situazioni. Chi paga un abbonamento fisso a ChatGPT non riceve automaticamente una fattura più alta perché scrive in francese. Uno sviluppatore o un’azienda che utilizza un’API fatturata a token può invece sostenere concretamente questo consumo aggiuntivo.

Advertising

Il vero problema, quindi, non è soltanto pagare di più: è ottenere una capacità di elaborazione diversa a parità di budget o di limite di token.

Perché questa differenza può peggiorare le risposte?

Ogni modello dispone di una finestra di contesto, cioè di un numero limitato di token che può considerare durante il lavoro. La finestra comprende, tra le altre cose, istruzioni, messaggi precedenti e documenti forniti.

Se due conversazioni esprimono lo stesso contenuto ma quella in francese richiede più token, non occupano lo stesso spazio nella finestra. La conversazione francese può raggiungere i limiti più rapidamente.

Immaginiamo un insegnante privato virtuale. Segue uno studente e ricorda errori, difficoltà e spiegazioni già fornite. Se questa cronologia consuma più token nella lingua dello studente, il servizio ha meno spazio per conservare le informazioni utili all’apprendimento.

È proprio l’esempio citato da Pratyush Choudhury, cofondatore di Activate AI, nell’inchiesta di Rest of World. La penalizzazione linguistica può così diventare uno svantaggio didattico.

È però necessaria una precisazione fondamentale: consumare più token non significa automaticamente che il modello ragioni peggio. La frammentazione aumenta la pressione sul contesto e può accrescere la latenza, ma non dimostra da sola un calo sistematico della qualità intellettuale delle risposte.

Uno studio accademico presentato a EMNLP nel 2023, dedicato ai costi e all’utilità dell’API OpenAI in ventidue lingue, documenta comunque una disuguaglianza più ampia: molti utenti di lingue diverse dall’inglese affrontano costi superiori ottenendo prestazioni meno favorevoli.

In altre parole, ci sono due problemi distinti che possono sommarsi: il modo in cui le frasi vengono suddivise e la capacità del modello di lavorare bene in ciascuna lingua. Confonderli impedirebbe di capire che cosa migliorare davvero.

Tutti i modelli di IA penalizzano il francese allo stesso modo?

No. La scelta del tokenizer cambia sensibilmente il costo linguistico.

Nel confronto pubblicato da Thomas Serval, Mistral Tekken risulta il tokenizer che penalizza meno il francese tra i sette sistemi esaminati. Il risultato suggerisce che parte della disuguaglianza può essere corretta direttamente nella progettazione tecnica.

Una raccolta di dati presentata da Prompt Inspiration attribuisce inoltre a Gemini 3.1 e Qwen 3.6 un coefficiente complessivo di sovraccosto pari a 1,17 rispetto all’inglese, nelle lingue valutate. Al contrario, riporta un coefficiente medio di 2,07 per Anthropic e un rapporto di 3,11 per un prompt in hindi tramite la sua API.

Questi confronti richiedono cautela. Gli ultimi dati provengono da una compilazione secondaria e non bastano a stabilire una classifica universale dei modelli. Soprattutto, un tokenizer economico non è necessariamente abbinato al modello che risponde meglio. Qualità delle risposte, capacità di ragionamento e consumo di token vanno valutati separatamente.

Si può eliminare questa penalizzazione linguistica?

La risposta è incoraggiante: il sovraccosto non è una fatalità matematica. Dipende in parte da scelte tecniche.

Lo studio di Thomas Serval presenta in particolare un tokenizer appositamente adattato al francese che riduce il consumo di token dell’11,5% rispetto ai sistemi standard esaminati. Il prototipo mostra anche situazioni in cui è meno efficiente. Non è quindi una soluzione miracolosa, ma una dimostrazione concreta che un’altra progettazione è possibile.

Un’altra strada consiste nel migliorare la rappresentazione delle lingue nelle risorse usate per sviluppare i sistemi. Il progetto RESPIN, citato da Rest of World, raccoglie dati testuali e vocali da parlanti nativi di trentotto dialetti.

Gli utenti possono già adottare alcune abitudini per limitare gli effetti del problema:

  • Confrontare i tokenizer quando il costo di un’API è importante, anziché scegliere soltanto in base al prezzo dichiarato per milione di token.
  • Monitorare la dimensione delle cronologie nelle conversazioni lunghe o negli assistenti che gestiscono molti documenti.
  • Provare formulazioni diverse con uno strumento di visualizzazione come OpenAI Tokenizer, per capire come viene suddiviso il testo.
  • Valutare i modelli nella lingua realmente utilizzata, non soltanto attraverso benchmark in inglese.

Tradurre sistematicamente le richieste in inglese può talvolta far risparmiare token, ma non è una soluzione universale. Aggiunge un passaggio, può alterare le sfumature del messaggio e non garantisce una risposta finale migliore.

Il problema va ben oltre il prezzo di ChatGPT

Questo squilibrio tecnico rivela una questione più profonda: perché una lingua dovrebbe avere meno capacità di elaborazione di un’altra per esprimere le stesse idee?

Nei software tradizionali, cambiare la lingua dell’interfaccia generalmente non riduce la quantità di lavoro che un utente può svolgere. Con i modelli linguistici, questa equivalenza non è più garantita. La lingua diventa una variabile economica e tecnica, anche quando resta invisibile sullo schermo.

Gli utenti francofoni non sono necessariamente i più svantaggiati. I divari rilevati per alcune lingue regionali e d’oltremare, che nelle osservazioni intorno allo studio di Thomas Serval possono raggiungere un consumo pari a 3,3 volte quello inglese, ricordano che il problema supera le grandi lingue internazionali.

A mio parere, il vero progresso non consisterà soltanto nel rendere i modelli più intelligenti. Consisterà anche nell’assicurare che questa intelligenza non costi strutturalmente di più in base alla lingua in cui le si parla. Un’IA che si proclama universale non dovrebbe imporre un pedaggio invisibile a chi non usa l’inglese.

Domande frequenti

Perché lo stesso testo in francese o arabo usa più token che in inglese?

I tokenizer riconoscono più efficacemente alcune sequenze frequenti nei dati usati per progettarli, spesso dominati dall’inglese. Il francese e le lingue con altri sistemi di scrittura possono richiedere più frammenti per rappresentare un contenuto equivalente. L’entità del divario dipende dal tokenizer e dalla lingua.

ChatGPT costa di più se si scrive in francese?

Un abbonamento fisso non diventa automaticamente più caro per un utente francofono. Le API fatturate a token possono invece costare di più: lo studio di Thomas Serval rileva dal 31 al 58% di token aggiuntivi per il francese, secondo i tokenizer confrontati. Il consumo può incidere anche sui limiti di contesto.

ChatGPT ragiona peggio in francese?

Un maggiore consumo di token non dimostra direttamente una minore qualità del ragionamento. Può però ridurre lo spazio disponibile per cronologia e documenti, influenzando alcune attività lunghe. Lo studio presentato a EMNLP nel 2023 documenta inoltre differenze di prestazioni e costi tra le lingue.

Quali modelli riducono meglio la tassa linguistica?

Nello studio di Thomas Serval, dedicato in particolare al francese, Mistral Tekken presenta il sovraccosto minore tra i sette tokenizer esaminati. Altri confronti evidenziano Gemini e Qwen nelle misure multilingui. Il risultato dipende però dal corpus e dal tokenizer: prima di scegliere un modello bisogna confrontare anche la qualità delle risposte.

Fonti