Wie een AI-model via een API gebruikt, betaalt per token. En hoeveel tokens een tekst oplevert, hangt sterk af van de taal waarin je schrijft. Dat laat een voorbeeld zien uit The Tokenizer Tax, een analyse van de onderzoeksgroep CLEAR uit eind september, waar AI Wereld nu over schrijft.

In dat voorbeeld gaat het om één zin met dezelfde strekking in drie talen. Met de tokenizer van GPT-5 kost de Engelse versie 13 tokens. De Amhaarse versie, de werktaal van Ethiopië, kost er 78. Bij betaling per token is de invoer voor die tweede zin dus zes keer zo duur, terwijl de Amhaarse zin op het scherm zelfs minder tekens telt.

Waarom de ene taal goedkoper is

Een tokenizer knipt tekst in stukjes: hele woorden, woorddelen of losse tekens. Hij leert welke combinaties vaak voorkomen in het materiaal waarop hij is getraind. Talen die daarin veel voorkomen, zoals Engels, worden in grotere brokken opgeknipt. Zeldzamere talen en schriften vallen uiteen in veel kleine stukjes.

Dat heeft meer gevolgen dan alleen de rekening. Een taal die meer tokens nodig heeft, zit ook eerder aan de limiet van het contextvenster, de hoeveelheid tekst die een model in één keer kan verwerken. Eerder onderzoek uit 2023 liet bovendien zien dat sprekers van sommige talen bij toenmalige OpenAI-modellen tegelijk meer betaalden en slechtere antwoorden kregen.

Geen reden om je abonnement in het Engels te gebruiken

Belangrijk om te weten: dit speelt vooral voor ontwikkelaars en bedrijven die per token afrekenen. Je vaste abonnement op ChatGPT, Claude of Gemini wordt niet goedkoper als je voortaan in het Engels typt.

Ook voor bedrijven is overstappen naar Engels geen automatische besparing. Het antwoord dat je in het Nederlands terug wilt, kost zijn eigen tokens. Een extra vertaalstap kost ook geld, en vertalen kan nuances in klantvragen of vaktermen verliezen. De eerlijke vergelijking is wat een complete taak kost bij dezelfde kwaliteit.

Engels is volgens CLEAR ook niet overal de winnaar. In een vergelijking van 203 combinaties van taal en schrift was per model meestal Engels of vereenvoudigd Chinees het zuinigst. En nieuwe tokenizers kunnen de verhoudingen flink veranderen: bij de komst van GPT-4o daalde een Gujarati-voorbeeldtekst van 145 naar 33 tokens.

En het Nederlands?

Het CLEAR-voorbeeld zegt niets over het Nederlands. AI Insider mat dat eerder wel: Nederlands kost afhankelijk van het model 25 tot 59 procent meer tokens dan Engels. Dat is een stuk minder extreem dan bij het Amhaars, maar voor een Nederlandse toepassing die veel lange documenten verwerkt, loopt het toch op. Bouw je zo'n toepassing, dan loont het om met de tokenizer van je gekozen model te meten wat jouw eigen teksten kosten.