Schreibt ein KI-Agent so gut Deutsch wie Englisch?

Zwei Dinge ändern sich, wenn ein Agent auf Deutsch wechselt, und nur eines davon ist das, worüber sich alle sorgen. Die Kostenänderung ist real, messbar und stabil: In 63 veröffentlichten Artikelpaaren auf Englisch und Deutsch verbrauchte die deutsche Fassung im Median 21,5 % mehr Tokens als die englische — bei weniger Wörtern. Die Qualitätsänderung ist die, nach der alle fragen, und die ehrliche Antwort lautet: Die veröffentlichte Evidenz trägt die Zahlen nicht, die dazu herumgereicht werden. Hier steht, was beide Seiten tatsächlich zeigen — und wie Sie Ihren eigenen Fall prüfen.

Die Sorge ist konkret und berechtigt. Ihr Agent soll Ihrer Kundschaft auf Deutsch schreiben, und Sie befürchten, dass dabei etwas herauskommt, das ordentlich wirkt und doch fein danebenliegt — das Register leicht verrutscht, die Formulierung leicht übersetzt, genau die Sorte Text, die ein deutscher Kunde sofort bemerkt und nie anspricht.

Zwei Dinge ändern sich tatsächlich, wenn ein Agent auf Deutsch arbeitet, und die verbreitete Sorge zielt auf das falsche davon.

Die Kostenänderung ist real und messbar. In 63 veröffentlichten Artikelpaaren auf Englisch und Deutsch verbrauchten die deutschen Fassungen unter OpenAIs aktuellem Encoding im Median 21,5 % mehr Tokens als die englischen. Abgerechnet wird pro Token — deutsche Ausgaben kosten also mehr in der Erzeugung und mehr in der Rückgabe an das Modell.

Die Qualitätsänderung fällt kleiner aus als beworben, und die kursierenden Zahlen messen überwiegend nicht das, was sie zu messen vorgeben. Das ist der nützlichere Befund, und er braucht den Rest dieses Artikels.

Warum kostet Deutsch im Betrieb mehr als Englisch?

Sprachmodelle rechnen nach Tokens ab, nicht nach Wörtern. Ein Token ist ein Fragment — mal ein ganzes Wort, oft ein Teil davon — und der Tokenizer entscheidet, wie fein eine Sprache zerlegt wird. Deutsch wird feiner zerlegt als Englisch.

Um das zu beziffern, haben wir unseren eigenen zweisprachigen Bestand gemessen: 63 Artikelpaare, auf dieser Seite auf Englisch und Deutsch veröffentlicht. Beide Hälften wurden vom selben Herausgeber für dieselbe Leserschaft zur Veröffentlichung geschrieben. Es sind keine maschinellen Übersetzungen — und genau darauf kommt es an, denn maschinell übersetzte Textbestände erben die Eigenheiten des Übersetzers und sagen nichts darüber, was echtes zweisprachiges Schreiben kostet.

Zwei Punkte in dieser Tabelle wiegen schwerer als die Schlagzeile.

Der Aufschlag hat sich bewegt. Unter dem Encoding der Vorgängergeneration zeigte derselbe Bestand einen Medianaufschlag von 50,4 %. Das aktuelle Encoding senkt ihn auf 21,5 %. Tokenizer-Generationen verändern, was nicht-englische Sprachen kosten — jede Zahl dazu hat also ein Haltbarkeitsdatum, diese eingeschlossen.

Drei Paare liefen andersherum. Bei drei von 63 Artikeln kostete die deutsche Fassung weniger Tokens als die englische. Es handelt sich um eine deutliche Tendenz, nicht um ein Gesetz: Ein Text voller Produktnamen und zitierter englischer Begriffe kann sie umkehren.

Es liegt nicht daran, dass Deutsch wortreicher wäre

Die deutschen Fassungen dieser Artikel kamen mit weniger Wörtern aus als die englischen und kosteten trotzdem mehr. Deshalb lässt sich der Aufschlag nicht durch knapperes Schreiben wegargumentieren.

Die deutschen Fassungen kamen mit rund 9 % weniger Wörtern aus als die englischen und mit lediglich 8 % mehr Zeichen. Trotzdem kosteten sie 21,5 % mehr Tokens. Pro Wort brauchte Deutsch 36,9 % mehr Tokens als Englisch.

Deutsch ist hier nicht wortreicher. Es ist dichter — lange Komposita tragen in einem Wort, was Englisch auf drei verteilt — und genau diese Dichte bestraft der Tokenizer.

Ein Satz zeigt es. The data protection officer approves the request sind sieben Wörter und acht Tokens. Der Datenschutzbeauftragte genehmigt die Anfrage sind sechs Wörter und elf Tokens. Zwei deutsche Wörter machen sieben davon aus: Datenschutz | be | auftrag | te und gene | hm | igt. Jedes dieser Bruchstücke wird abgerechnet.

Was die Lesbarkeit für Menschen verdichtet, kostet an der Schnittstelle Geld.

Woran erkennt man KI-geschriebenes Deutsch?

Verräterisch ist die Wortwahl, nicht die Grammatik. Ein Translationese-Klassifikator stufte 60,2 % der deutschen Ausgaben eines Modells als übersetzungsartig ein, während die muttersprachliche Annotatorin der Studie bei vergleichbarem Material keine einzige der annotierten Stichprobe so einstufte. Bei einem schwächeren Modell markierte sie 37,5 % als übersetzt, davon 12,5 % als möglicherweise beides.

Diese Evidenz stammt aus einer auf der COLM 2026 vorgestellten Studie. Sie hat untersucht, ob von mehrsprachigen Modellen erzeugter Text — erzeugter, nicht übersetzter — die statistischen Spuren einer Übersetzung trägt. Untersucht wurden fünf Sprachen, mit menschlichen Annotationen für zwei davon, darunter Deutsch.

Eine Maschine erkennt, dass das Deutsch von einer Maschine stammt. Beim stärkeren Modell erkannte es eine muttersprachliche Leserin nicht.

Die ehrliche Antwort auf „wird meine Kundschaft das merken" hängt also am Modell — und der Unterschied zwischen Modellen ist größer als der zwischen Sprachen.

Praktisch wird es bei dem, was der Annotatorin auffiel. Die Arbeit hält fest, dass die Begründungen ungewöhnliche Wörter oder Wortkombinationen nannten und nicht etwa auffällige Häufigkeiten gebräuchlicher Wörter. Keine kaputte Grammatik. Keine falschen Fakten. Wortwahl — ein Wort, das korrekt ist, aber nicht das, das eine deutsche Fachkraft gewählt hätte.

Genau dieser Fehlermodus beschädigt Kundenbeziehungen, und genau ihn wird ein Benchmark-Wert nie sichtbar machen. Er ist zugleich der am leichtesten behebbare: Wortwahl reagiert gut auf ein Glossar und eine Handvoll echter Beispiele — anders als ein Denkfehler.

Die Autorinnen und Autoren bieten zwei Erklärungen an, die man kennen sollte. Englisch und Deutsch sind ein häufiges Paar in parallelen Trainingsdaten, weshalb vermutlich mehr übersetztes Deutsch im Training steckt als bei ressourcenärmeren Sprachen. Und die Struktureigenschaften des Deutschen — Verbzweitstellung, Verbendstellung im Nebensatz — verlangen echtes Umbauen beim Wechsel aus dem Englischen statt einer Zuordnung Wortstellung für Wortstellung.

Beides weist in dieselbe Richtung: Die Nähe des Deutschen zum Englischen ist Teil des Problems, kein Schutz davor. Das fügt sich in das größere Bild dessen, worin KI-Agenten wirklich schwach sind — die Ausfälle liegen selten dort, wo man sie erwartet.

Was können die deutschen Benchmarks wirklich aussagen?

Wer nach einer Zahl zur Deutschqualität sucht, findet eine. Das Problem ist ihre Entstehung — und die beiden meistzitierten Quellen tragen nicht, was ihnen zugeschrieben wird.

Wer nach Benchmark-Werten für Deutsch sucht, findet Zahlen. Das Problem liegt darin, wie sie entstanden sind.

Die erste Zeile untergräbt still die meisten kursierenden deutschen Benchmark-Zahlen. Wurde ein Benchmark maschinell ins Deutsche übersetzt, ist der Deutschwert eines Modells zum Teil ein Wert für das Deutsch des Übersetzungssystems. Das ist ein echter Störeffekt und keine Spitzfindigkeit — und genau deshalb hat die Generaldirektion Übersetzung der Europäischen Kommission EU MMLU überhaupt gebaut. Ihre erklärte Begründung: Bestehende Datensätze zeigten oft nicht, wie gut ein Modell in anderen Sprachen abschneidet.

Die Konventionen, die kein Benchmark prüft

Alle oben genannten Benchmarks messen Wissen oder Schlussfolgern. Keiner misst, ob das Deutsch für die empfangende Person angemessen ist — und darum geht es einem Unternehmen zum größten Teil.

Siezen oder Duzen. Das Deutsche kennt eine Höflichkeitsunterscheidung, die das Englische nicht hat, und sie in einer Kunden-E-Mail falsch zu treffen ist ein echter Fehler ohne englische Entsprechung. Kein Wissensbenchmark prüft das. Es muss eine ausdrückliche Anweisung und ein Prüfpunkt sein — die deutschen Inhalte dieser Seite schreiben durchgängig das förmliche Sie als feste Regel vor, nicht als Vorliebe, die das Modell erschließen soll.

Anrede- und Grußformeln. Die deutsche Geschäftskorrespondenz hat eingespielte Formen. Ein Modell mit guten Werten bei deutschen Sachfragen kann einen Brief trotzdem so eröffnen, als wäre er auf Englisch verfasst worden.

Terminologie, die nicht übersetzt gehört. Produkt- und Werkzeugnamen bleiben im deutschen Geschäftstext englisch — Gmail, Slack, Notion. Ein Modell, das sie übersetzt, erzeugt Text, der grammatisch einwandfrei und für die Leserschaft sofort falsch ist.

Regionale Varianten. Österreichisches und Schweizer Deutsch unterscheiden sich im Wortschatz und, für die Schweiz, in der Orthografie. Nichts an der hier angeführten Evidenz hat das gemessen, und es wird dazu nichts behauptet.

Das sind keine Modellschwächen. Es sind Lücken in der Spezifikation — dem Modell wurde es nie gesagt, und kein Benchmark hätte Ihnen gesagt, dass es gesagt werden muss. Das gehört in dieselbe Kategorie wie Zuverlässigkeit allgemein: Das System tut, wozu es zugeschnitten wurde, und der Zuschnitt ist die eigentliche Arbeit.

So prüfen Sie Ihr eigenes Deutsch an einem Nachmittag

Sie brauchen keinen Benchmark. Sie brauchen zwanzig echte Nachrichten und eine muttersprachliche Person.

Zwanzig Stichproben liefern kein Konfidenzintervall. Sie zeigen das Muster, und mehr braucht die Entscheidung nicht. Liegen nahezu alle Änderungen auf dem ersten Stapel, ist es ein Spezifikationsproblem und diese Woche lösbar. Ist der zweite Stapel voll, hilft kein noch so gutes Prompting.

Was dieser Artikel nicht leistet

Die Tokenmessung betrifft einen Bestand — 63 Artikelpaare aus einem Fachgebiet, in gleichbleibendem Register, geschrieben von Menschen, die beruflich so schreiben. Ihr Verhältnis wird anders ausfallen. Die Methode ist offengelegt, damit Sie sie nachrechnen können, statt ihr zu vertrauen.

Die Qualitätsevidenz ist dünner, als allen lieb wäre. Die menschlichen Annotationsstichproben der COLM-Studie sind klein und decken zwei Modelle ab; die Autorinnen und Autoren sagen das selbst. Es ist die beste unmittelbar einschlägige Evidenz, die vorliegt — und es sind trotzdem zwei Modelle und eine kleine Stichprobe. Nichts davon trägt die Aussage, ein bestimmtes Modell sei im Deutschen um einen bestimmten Prozentsatz schlechter. Genau deshalb steht sie hier nicht.

Nichts hiervon betrifft Übersetzungsqualität, die eine andere Aufgabe ist als Erzeugung. Nichts betrifft österreichisches oder Schweizer Deutsch. Und nichts hat gesprochenes Deutsch oder Transkription gemessen, wo die Grenzen des Lesbaren eine eigene Frage mit eigener Evidenz sind.

Die belastbare Zusammenfassung ist kurz. Deutsch kostet im Betrieb rund ein Fünftel mehr, und der Aufschlag sinkt mit besseren Tokenizern. Die Deutschqualität liegt näher am Englischen als die Sorge nahelegt, das verräterische Merkmal ist die Wortwahl und nicht die Grammatik, und der Abstand zwischen zwei Modellen ist größer als der zwischen zwei Sprachen.

Häufig gestellte Fragen

Schreiben KI-Modelle so gut Deutsch wie Englisch? Für allgemeine Geschäftskorrespondenz näher dran als vermutet, aber nicht gleichwertig. Eine 2026 auf der COLM vorgestellte Studie hat gemessen, ob von mehrsprachigen Modellen erzeugter Text die statistischen Spuren einer Übersetzung trägt. Ein Klassifikator stufte 60,2 % der deutschen Ausgaben eines Modells als übersetzungsartig ein, während die muttersprachliche Annotatorin der Studie in der annotierten Stichprobe keine einzige so einstufte. Bei einem schwächeren Modell waren es 37,5 %. Aufgefallen sind ihr ungewöhnliche Wortwahlen, nicht fehlerhafte Grammatik.

Warum kostet Deutsch bei einem KI-Agenten mehr als Englisch? Weil Tokenizer Deutsch in mehr Teile zerlegen. In 63 veröffentlichten Artikelpaaren auf Englisch und Deutsch, gemessen mit OpenAIs Encoding o200k_base, verbrauchten die deutschen Fassungen im Median 21,5 % mehr Tokens als die englischen. Das liegt nicht an größerer Wortfülle — dieselben deutschen Texte kamen mit rund 9 % weniger Wörtern aus. Komposita und Flexionen werden in mehr Subwort-Tokens zerlegt, und abgerechnet wird pro Token.

Gibt es einen Benchmark, der die Deutschqualität von KI zeigt? Keinen sauberen. Die meisten mehrsprachigen Benchmark-Werte für Deutsch stammen aus maschinell ins Deutsche übersetzten Benchmarks — das European LLM Leaderboard von OpenGPT-X hat ARC, HellaSwag, TruthfulQA, GSM8K und MMLU mit DeepL in 21 europäische Sprachen übersetzt. Die Generaldirektion Übersetzung der Europäischen Kommission hat im Juli 2026 EU MMLU genau deswegen veröffentlicht: mit rund 250 studentischen Übersetzerinnen und Übersetzern über 16 EU-Sprachen statt maschineller Übersetzung.

Siezt oder duzt ein KI-Agent auf Deutsch? Das, was die Anweisung vorgibt — und es muss vorgegeben werden. Register ist nichts, was ein Wissensbenchmark misst. Ein Modell mit guten Werten bei deutschen Sachfragen sagt deshalb nichts darüber aus, ob es Ihre Kundschaft korrekt anspricht. Behandeln Sie die Wahl zwischen Siezen und Duzen ebenso wie Anrede- und Grußformeln als ausdrückliche Anweisung und als Prüfpunkt, nicht als etwas, das das Modell aus dem Kontext erschließt.

Wie prüfe ich, ob das Deutsch eines KI-Agenten für meine Kundschaft ausreicht? Nehmen Sie zwanzig echte, bereits versandte Nachrichten, lassen Sie den Agenten seine Fassung erstellen und lassen Sie eine muttersprachliche Person nur die Stellen markieren, die sie vor dem Versand ändern würde. Zählen Sie die Änderungen und sehen Sie sich ihre Art an. Probleme bei Wortwahl und Register lassen sich mit Anweisungen und Beispielen beheben, inhaltliche und strukturelle nicht. Zwanzig Beispiele genügen, um das Muster zu erkennen.

Quellen

1. Tokenmessung: 63 veröffentlichte Artikelpaare auf Englisch und Deutsch von dieser Seite, gemessen am 24. August 2026 mit tiktoken 0.14.0 unter den Encodings o200k_base und cl100k_base. Frontmatter, MDX-Komponenten, Tabellen und Linksyntax wurden entfernt; gemessen wurde ausschließlich der Fließtext. Median, Mittelwert, Spannweite und Paarzahlen wie in den Tabellen oben. Das Messskript wird mit den Arbeitsunterlagen des Artikels aufbewahrt, damit die Werte nachvollziehbar bleiben.
2. Maria Valentini, Téa Wright, Julisa Granados, Eliana Colunga und Katharina von der Wense, An Investigation of Translationese in the Generations of Multilingual Large Language Models, COLM 2026, arXiv-Preprint vom 18. August 2026. Quelle für die Werte von Klassifikator und muttersprachlicher Annotation, die Begründungen der Annotation sowie die Erklärungen zu parallelen Trainingsdaten und Wortstellung.
3. Yu Fan u. a., LEXam: Benchmarking Legal Reasoning on 340 Law Exams, ICLR 2026. Quelle für den Aufbau des Benchmarks und für die Feststellung, dass die englischen und deutschen Fragen unabhängige Elemente und keine parallelen Übersetzungen sind.
4. Europäische Kommission, Generaldirektion Übersetzung, Towards fair multilingual AI: EU MMLU, a new EU benchmark for LLMs, 22. Juli 2026. Quelle für Methode, Umfang und erklärte Begründung des Datensatzes.
5. OpenGPT-X-Konsortium, koordiniert von Fraunhofer IAIS mit der TU Dresden, European LLM Leaderboard, 12. Juli 2024. Quelle für die maschinelle Übersetzung der nicht-englischen Benchmarks mit DeepL.
6. Yafu Li u. a., Lost in Literalism: How Supervised Training Shapes Translationese in LLMs, 6. März 2025. Quelle für Translationese als Verzerrung aus dem überwachten Feintuning und nicht als feste Fähigkeitsgrenze.