KI-Sprachmodelle: Tokenbedarf treibt Kosten in seltenen Sprachen

Was passiert ist

KI-Sprachmodelle benötigen für weniger verbreitete Sprachen deutlich mehr Rechenaufwand als für Englisch, und das wirkt sich unmittelbar auf Kosten und Antwortzeiten aus. Laut einer Studie der Coalition for Language Equity in AI Research brauchen große Sprachmodelle (LLMs) für seltenere Sprachen bis zu fünfmal so viele Tokens wie für Englisch.

Tokens sind die Recheneinheiten, in denen Modelle Eingaben verarbeiten und Antworten erzeugen. Ein höherer Tokenbedarf bedeutet deshalb zweierlei: Jede Anfrage wird teurer, und die Antwort braucht länger, bis sie vollständig vorliegt. Betroffen sind damit vor allem Nutzerinnen und Nutzer, die in diesen Sprachen arbeiten, denn sie tragen einen größeren Teil dieser Last.

Computerworld hat die Ergebnisse der Studie aufgegriffen und die ungleiche Kostenstruktur zwischen Sprachen in den Mittelpunkt gestellt. Die Berichterstattung beschränkt sich dabei auf die zentralen Befunde der Untersuchung; weitere Detailzahlen zu einzelnen Sprachen liegen in den verfügbaren Quellen nicht vor.

Warum es wichtig ist

Für Organisationen, die KI im Kundenservice, in Wissensdatenbanken oder in internen Assistenten einsetzen, ist Sprache keine Randfrage. Wer digitale Dienste in mehreren Märkten anbietet, muss die Kostenstruktur je Sprache verstehen, sonst entstehen ungleiche Qualität und ungleiche Preise, ohne dass dies in der Produktplanung sichtbar wird. Die Studie zeigt, dass Gleichbehandlung im digitalen Service nicht automatisch entsteht, nur weil dieselbe Plattform für alle genutzt wird.

Für Führungskräfte in Digitalisierung und Transformation ist der Befund ein Signal, Sprachabdeckung als Betriebsparameter zu behandeln und nicht als nachgelagerte Lokalisierung. Entscheidungen über Modellwahl, Antwortlänge und Preismodelle wirken sich je nach Sprache unterschiedlich aus, und diese Unterschiede lassen sich nur steuern, wenn man sie misst.

Die Renascence-Perspektive

Die meisten Debatten über KI-Kosten drehen sich um Modellgröße und Infrastruktur. Der eigentliche Hebel liegt jedoch im Erlebnis: Eine langsamere Antwort in einer Sprache mit höherem Tokenbedarf ist ein Servicemangel, auch wenn sie in keinem Standard-Dashboard auffällt.

Wer Sprache nur als Kostenposten betrachtet, optimiert am falschen Ende. Die Customer Journey endet nicht bei der Verfügbarkeit eines Modells, sondern bei der Wartezeit, die ein Nutzer in seiner eigenen Sprache tatsächlich erlebt. Ein kundenorientierter Betreiber sollte Antwortzeit und Kosten je Sprachsegment messen, bevor er einen Dienst in neue Märkte ausrollt, und Preis- und Servicemodelle auf diese Daten stützen. Der Tokenbedarf ist damit kein technisches Detail, sondern eine Frage fairer Servicequalität.