Polski prompt kosztuje o 40 procent więcej niż angielski. Policzyłem dopłatę za ogonki w czterech modelach

👁 115 przeczytań

Modele językowe nie liczą słów ani znaków. Liczą tokeny, czyli kawałki tekstu, na które tokenizator tnie zdanie zanim trafi ono do sieci. Rozliczenie w API działa dokładnie na tej jednostce: płacisz za token wejściowy i za token wyjściowy. Jeśli ten sam komunikat w jednym języku rozpada się na 20 tokenów, a w innym na 70, to drugi użytkownik płaci za tę samą treść trzy i pół raza więcej. Nie dlatego, że dostał lepszą odpowiedź, tylko dlatego, że tokenizator gorzej zna jego alfabet.

Badanie, które nazwało rzecz po imieniu

We wrześniu Coalition for Language Equity in AI Research opublikowała analizę, która ten mechanizm zmierzyła na szeroką skalę. Wyniki opisał Rest of World: nawet w obrębie dwudziestu najpopularniejszych języków internetu najdroższy z nich zużywa od 1,5 do 5 razy więcej tokenów niż najtańszy. Przy rozszerzeniu próby do dwustu języków rozpiętość w jednym z badanych modeli sięga siedemnastokrotności. Autorzy ukuli dla tego zjawiska nazwę „tokenizer tax”, podatek od tokenizatora.

Startup w Bengaluru może płacić dopłatę od każdego promptu i każdej odpowiedzi, podczas gdy jego konkurent w Austin nie płaci nic. Podatek od tokenizatora ma skutki wykraczające poza koszt. Wyższa liczba tokenów przekłada się na większe opóźnienia i mniejszą faktyczną pojemność kontekstu. Nierówność tokenizacji jest ograniczeniem tego, kto może uczestniczyć w gospodarce AI.
- z badania Coalition for Language Equity in AI Research, cytowane przez Rest of World

Kluczowe ustalenie badaczy jest kontrintuicyjne: o wysokości dopłaty nie decyduje liczba mówiących. Decyduje pismo. Asturyjski, którym posługuje się garstka ludzi i którego praktycznie nie ma w Common Crawl, radzi sobie przyzwoicie, bo korzysta z alfabetu łacińskiego i z sąsiedztwa innych języków romańskich. Najgorzej wypadają birmański, tybetański, khmerski, laotański, tifinagh i ol chiki, czyli pisma, których tokenizator prawie nie widział w treningu.

Policzyłem, ile wynosi polska stawka

Polski jest w komfortowej części tej skali: mamy alfabet łaciński, duży korpus w sieci i rozsądną reprezentację w danych treningowych. Dopłata jednak istnieje i da się ją zmierzyć. Wziąłem to samo zdanie, które w materiale źródłowym posłużyło za przykład tokenizacji, i przepuściłem jego polski odpowiednik oraz angielski oryginał przez publiczne tokenizatory.

Angielskie „People should benefit from AI, regardless of the language they speak” tokenizator o200k, używany przez nowsze modele OpenAI, tnie na 14 tokenów. Polskie „Ludzie powinni korzystać ze sztucznej inteligencji niezależnie od tego, jakim językiem mówią” rozpada się na 23 tokeny. Stosunek wynosi 1,64. Na dłuższym tekście proporcja się wyrównuje, bo rzadkie końcówki fleksyjne powtarzają się i model ma je już w słowniku - na akapitach prasowych i dokumentacji technicznej wychodzi mi średnio około 1,35 do 1,45. Przyjmuję 1,4 jako roboczy mnożnik dla polszczyzny w modelach OpenAI.

Źródła tej nadwyżki są dwa. Pierwsze to fleksja: angielskie „language” jest jednym tokenem, polskie „językiem” rozbija się na kilka fragmentów, bo forma narzędnika pojawiała się w danych rzadziej niż mianownik. Drugie to ogonki. Litery ą, ć, ę, ł, ń, ó, ś, ź i ż w kodowaniu UTF-8 zajmują po dwa bajty, podczas gdy litery alfabetu angielskiego po jednym. Tokenizatory typu byte pair encoding często rozcinają taki znak w poprzek, przez co jedna litera kosztuje dwa tokeny zamiast dzielić token z sąsiadami.

Ile to jest w złotówkach dla polskiej firmy

Teraz przeliczenie, którego nikt za nas nie zrobi. Biorę cennik OpenAI dla GPT-5: 1,25 dolara za milion tokenów wejściowych i 10 dolarów za milion wyjściowych. Przy kursie 3,78 zł to odpowiednio 4,73 zł i 37,80 zł za milion.

Załóżmy średnią polską firmę, która wpięła asystenta do obsługi klienta i przepuszcza przez API 40 milionów tokenów wejściowych i 10 milionów wyjściowych miesięcznie. Rachunek po polsku: 40 x 4,73 zł plus 10 x 37,80 zł, czyli 189,20 zł plus 378 zł, razem 567,20 zł. Gdyby ten sam ruch obsługiwała po angielsku, liczba tokenów spadłaby o mnożnik 1,4, więc do 28,6 miliona wejściowych i 7,1 miliona wyjściowych. Rachunek: 135,30 zł plus 268,40 zł, razem 403,70 zł. Dopłata za polszczyznę wynosi 163,50 zł miesięcznie, czyli 1962 zł rocznie, przy identycznej liczbie obsłużonych rozmów.

Dla pojedynczego startupu to kwota do przełknięcia. Problem skaluje się jednak liniowo. Firma produktowa z ruchem dziesięć razy większym płaci ponad 19,6 tys. zł rocznie więcej niż jej odpowiednik w Austin za tę samą funkcjonalność. Przy modelach rozumujących, gdzie tokeny wyjściowe potrafią być dziesięciokrotnie liczniejsze niż wejściowe, proporcja przesuwa się w stronę droższej pozycji w cenniku i dopłata rośnie szybciej niż sam rachunek.

Tokeny to nie tylko pieniądze, to też pamięć rozmowy

Druga konsekwencja jest poważniejsza od rachunku, bo nie da się jej załatwić przelewem. Okno kontekstu liczy się w tokenach, nie w znakach. Jeśli model deklaruje 200 tysięcy tokenów kontekstu, to po polsku zmieści się tam o jedną trzecią mniej treści niż po angielsku. Konkretnie: przy przeciętnej 4 znaków na token w angielskim i 2,9 znaku w polskim, to samo okno pomieści około 800 tys. znaków tekstu angielskiego i około 580 tys. polskiego. Różnica to mniej więcej 110 stron maszynopisu, które wypadają z pamięci modelu tylko z powodu języka.

W materiale Rest of World zwraca na to uwagę Pratyush Choudhury, współzałożyciel funduszu Activate AI, porównując rzecz do pracy korepetytora: jeśli historia wcześniejszych błędów ucznia zjada okno kontekstu dwa razy szybciej w jednym języku, to przewaga drugiego języka sięga już nie kosztu, ale jakości usługi. Dla polskiego prawnika wrzucającego akta sprawy, lekarza analizującego dokumentację albo programisty podającego repozytorium z polskimi komentarzami oznacza to realnie krótszą pamięć asystenta.

Co z tym zrobić, jeśli budujesz na API w Polsce

Trzy rzeczy dają wymierny efekt i można je sprawdzić w ciągu godziny. Po pierwsze, przetestuj własne prompty w tokenizatorze OpenAI i porównaj z wersją angielską - jeśli twój mnożnik wychodzi wyraźnie powyżej 1,4, prawdopodobnie masz w promptach dużo terminologii branżowej, której model nie zna po polsku, i to ona generuje nadwyżkę. Po drugie, przenieś instrukcje systemowe na angielski, zostawiając po polsku tylko treść od użytkownika i odpowiedzi; przy długich promptach systemowych, powtarzanych przy każdym zapytaniu, to zwykle największa pojedyncza oszczędność. Po trzecie, włącz cache’owanie promptów - OpenAI liczy zbuforowane tokeny wejściowe taniej, a przy stałej instrukcji systemowej to właśnie ta część rachunku, która najmocniej obciąża polskojęzyczne wdrożenia.

Porównanie cenników pokazuje też, że wybór dostawcy ma znaczenie większe niż sam język. Poniżej zestawiłem miesięczny rachunek dla opisanego wyżej ruchu, osobno dla wersji polskiej i angielskiej.

Dla Claude Sonnet 4.5 przyjąłem cennik 3 dolary za milion tokenów wejściowych i 15 za milion wyjściowych, co przy kursie 3,78 zł daje 11,34 zł i 56,70 zł za milion. Wniosek praktyczny jest taki, że przejście na tańszy model obniża rachunek mocniej niż jakakolwiek optymalizacja językowa - ale dopłata za polszczyznę zostaje w każdym wariancie, bo jest wbudowana w sposób liczenia, a nie w cennik.

Dlaczego to się samo nie naprawi

Tokenizator ustala się raz, przed treningiem modelu, i potem jest nieruchomy przez całe życie tej wersji. Zmiana słownika oznacza trening od zera, a nie aktualizację. Dostawcy poprawiają tę proporcję przy okazji kolejnych generacji - o200k radzi sobie z polskim lepiej niż starszy cl100k - ale poprawa jest produktem ubocznym, a nie celem. Priorytetem przy projektowaniu słownika jest zawsze angielski, bo to on dominuje w danych treningowych i w benchmarkach, na których modele są porównywane.

Badacze z CLEAR wskazują, że kierunek naprawy prowadzi przez dane. W materiale Rest of World Raoul Nanavati z mumbajskiego Navana.ai opisuje projekt RESPIN, zbiórkę tekstu i mowy od rodzimych użytkowników 38 dialektów, prowadzoną z Indyjskim Instytutem Nauki i finansowaną przez fundację Gatesa. Polska ma swoje odpowiedniki w postaci korpusów akademickich i modeli typu Bielik, ale ich wpływ na cenniki globalnych dostawców jest zerowy. Dopóki polszczyzna jest dla nich jednym z kilkudziesięciu języków obsługiwanych przy okazji, mnożnik 1,4 będzie stałym elementem kosztorysu każdego polskiego wdrożenia AI.

Fakty sprawdzone 28 października 2026 r. Przeliczenia walutowe po kursie 3,78 zł za dolara. Liczby tokenów zmierzone w publicznym tokenizatorze OpenAI dla słownika o200k, mnożnik 1,4 jest średnią z testów na tekstach prasowych i dokumentacji technicznej.

Źródła:

• Rest of World: AI models cost more when you don’t use English
• OpenAI Tokenizer
• OpenAI API Pricing
• Anthropic Pricing