KI auf Deutsch und Kroatisch 2026: Qualität mehrsprachiger LLMs und die Token-Steuer

Fast jede KI-Preisliste, jeder Benchmark und jedes Geschwindigkeitsranking wird auf Englisch gemessen. Ein Unternehmen in München, Wien oder Zagreb arbeitet aber auf Deutsch oder Kroatisch, und dort ändern sich zwei Dinge: die Qualität der Antworten und die Zahl der Tokens, die derselbe Text braucht. Das Zweite wird leicht übersehen, weil die Anbieter in jeder Sprache denselben Preis pro Token verlangen. Wir haben es selbst gemessen: 488 identische Nachrichtentexte in 12 Sprachen, durch 7 Tokenizer von OpenAI, Mistral, Google, Meta, Alibaba und DeepSeek. Dann haben wir verglichen, was Anthropic, OpenAI und unabhängige Forscher über die Qualität außerhalb des Englischen berichten.

Warum die Sprache die Rechnung verändert

Modelle lesen keine Wörter oder Buchstaben, sondern Tokens: Textstücke aus einem festen Vokabular, das der Tokenizer überwiegend aus englischen Daten gelernt hat. Häufige englische Wörter sind ein Token. Deutsche Komposita ("Datenschutzfolgenabschätzung") und kroatische Wörter mit vielen Kasusendungen ("poduzećima") werden in mehrere Stücke zerlegt. Die Folge: Derselbe Inhalt braucht mehr Tokens, und jedes zusätzliche Token wird berechnet, belegt Platz im Kontextfenster und muss einzeln generiert werden.

Unser Test nutzte die FLORES-200-Texte aus Metas Datensatz Belebele, professionell übersetzte Nachrichtentexte, die in jeder Sprache genau dasselbe sagen. Die deutsche Fassung ist 17 % länger als die englische (271.000 statt 232.000 Zeichen) und braucht mit OpenAIs Tokenizer o200k 61.300 statt 46.900 Tokens. Englisch packt etwa 4,9 Zeichen in ein Token, Deutsch 4,4, Kroatisch 3,3.

Die neuesten Tokenizer haben den Abstand deutlich verkleinert. OpenAIs älterer cl100k (GPT-4) brauchte für Deutsch 1,58-mal so viele Tokens, o200k braucht 1,31. Mistrals Tekken (1,30) und Googles Gemma-3-Tokenizer (1,32) liegen gleichauf. Llama 3, Qwen3 und DeepSeek V3 berechnen Deutsch weiterhin das 1,51- bis 1,58-Fache. Kroatisch ist mit 1,47 bis 1,85 teurer.

Zwölf Sprachen, sieben Tokenizer

Das Muster gilt europaweit: Die großen westeuropäischen Sprachen zahlen am wenigsten, mittel- und osteuropäische mehr, kyrillische am meisten. Serbisch in kyrillischer Schrift braucht mit o200k das 1,78-Fache des Englischen, mit cl100k aber das 2,92-Fache, Ukrainisch bis zum 3,0-Fachen. Deutsch liegt praktisch gleichauf mit Französisch und Spanisch.

Anthropic veröffentlicht Claudes Tokenizer nicht, deshalb fehlt Claude in unserer Tabelle. Der kostenlose Token-Zähl-Endpunkt der API liefert die genaue Zahl für Ihre eigenen Texte, und dieser Test lohnt sich, bevor Sie eine deutsch- oder kroatischsprachige Anwendung budgetieren.

Qualität: Deutsch ist fast gleichauf mit Englisch

Anthropic veröffentlicht, wie Claude auf einem von professionellen Übersetzern in 14 Sprachen übertragenen MMLU abschneidet, relativ zu Englisch. Claude Sonnet 4.5 mit Extended Thinking erreicht auf Deutsch 97,0 % seines englischen Werts, auf Französisch 97,5 % und auf Spanisch 98,2 %. Das kleinere Claude Haiku 4.5 hält auf Deutsch 94,3 %. Bei Sprachen mit wenig Trainingsdaten wächst die Lücke: Swahili 91,1 % bzw. 78,3 %, Yoruba 79,7 % bzw. 52,7 %.

OpenAIs Werte auf demselben Benchmark bestätigen das. Sein Modell o3 (high) erreicht auf Deutsch 90,5 % Genauigkeit, auf Französisch 90,6 % und auf Spanisch 91,1 %; GPT-4.1 kommt auf Deutsch auf 85,5 %. Kleinere Modelle verlieren mehr: GPT-4.1 nano fällt auf 72,2 %. Die Lehre für Deutsch: Ein Frontier-Modell liegt nahe an seinem englischen Niveau, ein kleines Modell spürbar weniger.

Kroatisch: wenige offizielle Zahlen, ermutigende Forschung

Weder Anthropic noch OpenAI nehmen Kroatisch in ihre veröffentlichten Sprachtests auf, und Mistral veröffentlicht keine Werte pro Sprache. Die beste unabhängige Quelle ist das CLASSLA-Team (Kuzman Pungeršek, Ljubešić u. a., überarbeitet im Februar 2026), das LLMs auf kroatischen, serbischen, bosnischen, slowenischen und englischen Daten für Sentiment, Nachrichtenthemen, Parlamentsthemen und Web-Genres getestet hat. Die Ergebnisse:

• Der Abstand zu Englisch ist klein. LLMs verloren auf südslawischen Sprachen 2 bis 7 Macro-F1-Punkte beim Sentiment und 3 bis 10 Punkte bei der schwierigeren Themenaufgabe mit 22 Labels.
• Geschlossene Modelle führen. GPT-5, GPT-4o und Gemini 2.5 Flash schnitten auf südslawischen Daten am besten ab; dahinter führten Mistral Medium 3.1 und Gemma 3. Claude war nicht Teil der Studie.
• Zero-Shot schlägt Training bei breiten Aufgaben. Beim Sentiment erreichten oder übertrafen die meisten LLMs ein BERT-Modell, das auf einem großen annotierten Datensatz feinabgestimmt war. Bei engen Label-Schemata gewannen feinabgestimmte Modelle weiterhin und waren drei- bis siebenmal schneller.

Typische Schwachstellen auf Deutsch und Kroatisch

• Anrede. "Sie" oder "du", "Vi" oder "ti": Modelle wechseln mitten im Gespräch das Register, wenn man ihnen nicht sagt, welches gilt.
• Regionale Varianten. Österreichisches und Schweizer Deutsch (Jänner, Matura, kein ß in der Schweiz) gehen leicht im bundesdeutschen Standard unter; Kroatisch wird gelegentlich mit serbischen Wörtern vermischt. Nennen Sie die Variante im System-Prompt und geben Sie eine kurze Terminologieliste mit.
• Grammatik kleiner Modelle. Fälle und Kongruenz leiden zuerst, wenn Sie ein kleines, günstiges Modell wählen. Testen Sie das Modell, das Sie tatsächlich einsetzen, nicht das Flaggschiff aus dem Benchmark.
• Lokales Wissen. Landesrecht, Behörden und Steuerregeln sind in Trainingsdaten dünn vertreten. Nutzen Sie die Suche in eigenen Dokumenten (siehe RAG), statt sich auf das Gedächtnis des Modells zu verlassen.

Fünf Regeln für mehrsprachige KI-Projekte

Was das für Unternehmen in der DACH-Region und in Kroatien bedeutet

Für deutschsprachige Unternehmen ist die Sprache kein Grund mehr zu warten: Frontier-Modelle arbeiten fast auf englischem Niveau, und der Token-Aufschlag von rund 30 % ist ein bekannter Kostenposten, den man einplanen kann. Kroatische Unternehmen zahlen mehr, rund 50 % mit den besten aktuellen Tokenizern, und müssen die Qualität selbst testen, weil die großen Anbieter keine Zahlen für Kroatisch veröffentlichen. Budgetieren Sie mit Ihren eigenen Token-Zahlen, bewerten Sie in der Zielsprache mit Muttersprachlern und nutzen Sie die Sparwerkzeuge (Caching, Batch, Routing), die den Aufschlag in der Praxis bedeutungslos machen.

Häufig gestellte Fragen

Ist KI auf Deutsch teurer als auf Englisch?

Ja, bei Abrechnung pro Token. In unserer Messung an 488 identischen Texten brauchte Deutsch je nach Tokenizer 1,30- bis 1,58-mal so viele Tokens wie Englisch: 1,31 mit OpenAIs o200k_base (GPT-4o bis GPT-5), 1,30 mit Mistrals Tekken und 1,32 mit Gemma 3. Kroatisch brauchte 1,47- bis 1,85-mal so viele. Da der Preis pro Token in jeder Sprache gleich ist, kostet dieselbe Arbeit entsprechend mehr.

Wie gut sind Claude und GPT auf Deutsch?

Sehr nah am Englischen. Auf einem professionell übersetzten MMLU-Test meldet Anthropic für Claude Sonnet 4.5 auf Deutsch 97,0 % der englischen Leistung, für Claude Haiku 4.5 94,3 %. OpenAIs o3 (high) erreicht auf Deutsch 90,5 % Genauigkeit, etwa so viel wie auf Spanisch oder Französisch.

Wie gut sind große Sprachmodelle auf Kroatisch?

Gut, aber schlechter dokumentiert. Anthropic und OpenAI veröffentlichen keine Werte für Kroatisch. Eine Studie des CLASSLA-Teams von 2026 zeigt, dass LLMs bei der Klassifikation südslawischer Texte nur 2 bis 10 Macro-F1-Punkte gegenüber Englisch verlieren; am besten waren GPT-5, GPT-4o und Gemini 2.5 Flash.

Sollte ich Prompts auf Englisch oder auf Deutsch schreiben?

Lange, feste Anweisungen auf Englisch sind günstiger, weil Englisch die wenigsten Tokens braucht, und Modelle befolgen sie zuverlässig. Legen Sie die Antwortsprache im System-Prompt ausdrücklich fest, geben Sie Beispiele in der Zielsprache und lassen Sie die Antworten von Muttersprachlern bewerten. Kundentexte und Terminologielisten bleiben in der Zielsprache.