AI na hrvatskom i njemačkom 2026: kvaliteta višejezičnih modela i porez na tokene

Gotovo svaki AI cjenik, benchmark i graf brzine mjeren je na engleskom. Tvrtka u Zagrebu, Grazu ili Münchenu radi na hrvatskom ili njemačkom, a tu se mijenjaju dvije stvari: kvaliteta odgovora i broj tokena koji isti tekst treba. Drugo se lako previdi jer pružatelji naplaćuju istu cijenu po tokenu za svaki jezik. Zato smo to sami izmjerili: 488 istovjetnih novinskih tekstova na 12 jezika, propuštenih kroz 7 tokenizatora tvrtki OpenAI, Mistral, Google, Meta, Alibaba i DeepSeek. Zatim smo usporedili što Anthropic, OpenAI i nezavisni istraživači objavljuju o kvaliteti izvan engleskog.

Zašto jezik mijenja račun

Modeli ne čitaju riječi ni slova, nego tokene, dijelove teksta iz fiksnog rječnika koji je tokenizator naučio uglavnom na engleskim podacima. Česte engleske riječi su jedan token. Hrvatske riječi s mnogo padežnih nastavaka ("poduzećima", "odgovornostima") razlažu se na više dijelova. Posljedica: isti sadržaj treba više tokena, a svaki dodatni token se naplaćuje, zauzima mjesto u kontekstnom prozoru i mora se generirati jedan po jedan.

Za test smo koristili FLORES-200 tekstove iz Metinog skupa podataka Belebele, profesionalno prevedene novinske tekstove koji na svakom jeziku kažu točno isto. Hrvatska verzija ima jednako znakova kao engleska (229.000 prema 232.000), ali s OpenAI-jevim tokenizatorom o200k treba 69.600 tokena umjesto 46.900. Engleski u jedan token stavi oko 4,9 znakova, hrvatski 3,3, njemački 4,4.

Najnoviji tokenizatori znatno su smanjili razliku. OpenAI-jev stariji cl100k (GPT-4) trebao je za hrvatski 1,85 puta više tokena, o200k treba 1,48. Mistralov Tekken (1,50) i Googleov tokenizator Gemma 3 (1,47) na istoj su razini. Llama 3, Qwen3 i DeepSeek V3 hrvatskom i dalje naplaćuju 1,78 do 1,84 puta više od engleskog. Njemački je, unatoč dugim složenicama, jeftiniji: 1,30 do 1,58.

Dvanaest jezika, sedam tokenizatora

Obrazac vrijedi u cijeloj Europi: veliki zapadnoeuropski jezici plaćaju najmanje, srednjo- i istočnoeuropski više, a ćirilica najviše. Srpski na ćirilici treba 1,78 puta više od engleskog s o200k, ali 2,92 s cl100k; ukrajinski do 3,0. Hrvatski je u sredini slavenske skupine, nešto jeftiniji od slovenskog, češkog i poljskog.

Anthropic ne objavljuje Claudeov tokenizator, pa Claude nije u našoj tablici. Besplatna API funkcija za brojanje tokena daje točan broj za vaše tekstove, a taj test vrijedi napraviti prije nego što budžetirate aplikaciju na hrvatskom ili njemačkom.

Kvaliteta: njemački je gotovo jednak engleskom

Anthropic objavljuje kako Claude radi na MMLU testu koji su profesionalni prevoditelji preveli na 14 jezika, u odnosu na engleski. Claude Sonnet 4.5 s proširenim razmišljanjem postiže 97,0 % engleskog rezultata na njemačkom, 97,5 % na francuskom i 98,2 % na španjolskom. Manji Claude Haiku 4.5 na njemačkom zadržava 94,3 %. Razlika raste kod jezika s malo podataka za treniranje: svahili 91,1 % i 78,3 %, jorupski 79,7 % i 52,7 %.

OpenAI-jevi rezultati na istom benchmarku pričaju istu priču. Njegov model o3 (high) postiže 90,5 % točnosti na njemačkom, 90,6 % na francuskom i 91,1 % na španjolskom; GPT-4.1 na njemačkom 85,5 %. Manji modeli gube više: GPT-4.1 nano pada na 72,2 %. Pouka za njemački: frontier model je blizu svoje engleske razine, mali model osjetno manje.

Hrvatski: malo službenih brojki, ohrabrujuća istraživanja

Ni Anthropic ni OpenAI ne uključuju hrvatski u objavljene jezične testove, a Mistral ne objavljuje rezultate po jezicima. Najbolji nezavisni izvor je tim CLASSLA (Kuzman Pungeršek, Ljubešić i suradnici, revizija iz veljače 2026.), koji je testirao LLM-ove na hrvatskim, srpskim, bosanskim, slovenskim i engleskim podacima za sentiment, teme vijesti, teme saborskih govora i žanrove web-tekstova. Rezultati:

• Razlika prema engleskom je mala. LLM-ovi su na južnoslavenskim jezicima izgubili 2 do 7 macro-F1 bodova kod sentimenta i 3 do 10 bodova kod težeg zadatka s 22 teme.
• Zatvoreni modeli vode. GPT-5, GPT-4o i Gemini 2.5 Flash bili su najbolji na južnoslavenskim podacima; od ostalih su vodili Mistral Medium 3.1 i Gemma 3. Claude nije bio dio studije.
• Bez treniranja bolje kod širokih zadataka. Kod sentimenta je većina LLM-ova dostigla ili nadmašila BERT model fino podešen na velikom označenom skupu. Kod uskih shema oznaka fino podešeni modeli i dalje su pobjeđivali, i to tri do sedam puta brže.

Tipične slabosti na hrvatskom i njemačkom

• Miješanje varijanti. Hrvatski, srpski i bosanski dijele velik dio podataka za treniranje, pa modeli ponekad u hrvatski tekst ubace srpske riječi ili oblike. U sistemskom upitu navedite varijantu ("hrvatski standardni jezik") i dajte kratak popis pojmova.
• Persiranje. "Vi" ili "ti", "Sie" ili "du": modeli usred razgovora mijenjaju način obraćanja ako im ne kažete koji koristiti.
• Gramatika malih modela. Padeži i sročnost prvi stradaju kad odaberete mali, jeftini model. Testirajte model koji ćete stvarno koristiti, a ne vodeći model iz benchmarka.
• Lokalno znanje. Hrvatski zakoni, institucije i porezna pravila slabo su zastupljeni u podacima za treniranje. Koristite pretraživanje vlastitih dokumenata (vidi RAG) umjesto oslanjanja na memoriju modela.

Pet pravila za višejezične AI projekte

Što to znači za tvrtke u Hrvatskoj i regiji DACH

Za tvrtke s njemačkog govornog područja jezik više nije razlog za čekanje: frontier modeli rade gotovo na engleskoj razini, a oko 30 % dodatnih tokena poznata je stavka troška. Hrvatske tvrtke plaćaju više, oko 50 % s najboljim današnjim tokenizatorima, i kvalitetu moraju same testirati jer veliki pružatelji ne objavljuju brojke za hrvatski. Istraživanja pokazuju da je razlika manja nego što se mislilo. Budžetirajte s vlastitim brojem tokena, ocjenjujte na hrvatskom s hrvatskim govornicima i koristite alate za uštedu (predmemoriranje, batch, usmjeravanje) koji dodatni trošak u praksi čine nebitnim.

Česta pitanja

Je li AI na hrvatskom skuplji nego na engleskom?

Da, kod naplate po tokenu. U našem mjerenju na 488 istovjetnih tekstova hrvatski je trebao 1,47 do 1,85 puta više tokena od engleskog, ovisno o tokenizatoru: 1,48 s OpenAI-jevim o200k_base (GPT-4o do GPT-5), 1,50 s Mistralovim Tekkenom i 1,47 s Gemma 3. Njemački je trebao 1,30 do 1,58 puta više. Budući da je cijena po tokenu ista za sve jezike, isti posao toliko i više stoji.

Koliko su Claude i GPT dobri na njemačkom?

Vrlo blizu engleskom. Na profesionalno prevedenom MMLU testu Anthropic za Claude Sonnet 4.5 navodi 97,0 % engleskog rezultata na njemačkom, a za Claude Haiku 4.5 94,3 %. OpenAI-jev o3 (high) postiže 90,5 % točnosti na njemačkom, otprilike kao na španjolskom ili francuskom.

Koliko su veliki jezični modeli dobri na hrvatskom?

Dobri, ali slabije dokumentirani. Anthropic i OpenAI ne objavljuju rezultate za hrvatski. Studija tima CLASSLA iz 2026. pokazala je da LLM-ovi na klasifikaciji južnoslavenskih tekstova gube samo 2 do 10 macro-F1 bodova u odnosu na engleski te da su najbolji bili GPT-5, GPT-4o i Gemini 2.5 Flash; kod sentimenta su LLM-ovi bez treniranja dostigli ili nadmašili fino podešene BERT modele.

Trebam li upite pisati na engleskom ili na hrvatskom?

Duge, stalne upute na engleskom su jeftinije jer engleski troši najmanje tokena, a modeli ih pouzdano slijede. Jezik odgovora izričito navedite u sistemskom upitu, dodajte primjere na ciljnom jeziku i odgovore ocjenjujte s izvornim govornicima. Tekstovi za korisnike i popisi pojmova trebaju ostati na ciljnom jeziku.