Är det bättre att prompta på engelska?

”Men är det inte bättre att skriva på engelska?”

Frågan dyker ibland upp på mina utbildningar. Någon har hört att AI fungerar bättre på engelska. Någon annan har läst att svenska kräver fler tokens. Och där sitter vi med svenska dokument, en svensk arbetsuppgift och börjar undra om vi borde översätta allt innan vi ens har kommit igång.

Jag brukar svara att jag själv gärna skriver på svenska. Framför allt för att jag vill kunna förklara vad jag menar, med de nyanser som uppgiften behöver. Om jag tappar något av det när jag byter språk har vi redan förlorat något, innan modellen har börjat arbeta.

Men frågan förtjänar mer än ett lugnande besked. Det finns verkliga skillnader mellan hur språk behandlas, och forskning som visar när engelska kan hjälpa. Jag ville därför titta närmare på vad vi faktiskt vet.

För ju mer man gräver i frågan, desto tydligare blir det att ordet ”bättre” kan betyda många olika saker.

Kort summering

Svenska kräver ofta fler tokens än engelska, men skillnaden varierar mellan modeller och texter.

Det kan påverka kostnaden och hur mycket text som ryms. Det säger däremot inte automatiskt att svaret blir sämre.

Använd gärna svenska när uppgiften, underlaget och mottagaren är svenska. Testa engelska vid svår problemlösning, men jämför hela slutresultatet.

Tydliga instruktioner och bra underlag är mer användbara att börja med än en regel om att alltid byta språk.

Det som försvinner på vägen

Tänk att du ska få hjälp att skriva information till studerande inför deras praktik. Du vet vilka missförstånd som brukar uppstå. Vilken formulering som behöver vara tydlig. Vad handledaren redan känner till och vad som måste förklaras.

Den kunskapen är en del av det du ger modellen. Mycket av den sitter i hur du beskriver situationen.

Om du först ska formulera allt på engelska kan det förstås gå alldeles utmärkt. Men kanske förenklar du ett resonemang för att du inte hittar rätt ord. Kanske får ett svenskt utbildningsbegrepp en motsvarighet som nästan betyder samma sak. Kanske blir instruktionen lite kortare, för att det är lättare så.

Då har vi ändrat mer än språket. Vi har också ändrat underlaget.

Det är den avvägningen jag brukar landa i på utbildningar. En möjlig fördel för modellen måste vägas mot hur väl jag kan förklara vad jag behöver. Jag ska inte tvinga mig själv att prompta på engelska om jag samtidigt blir sämre på att beskriva uppgiften.

Det säger inte att alla språk fungerar lika bra. Men det påminner oss om att även människans arbete behöver räknas in när vi bedömer hur bra verktyget fungerar.

Vad är det där med tokens?

En språkmodell arbetar inte med ord på riktigt samma sätt som vi läser dem. Texten delas upp i mindre enheter, tokens. En token kan vara ett helt ord, en del av ett ord eller ett tecken. Det beror på vilken tokenizer modellen använder, alltså systemet som gör uppdelningen.

Tänk på det som en uppsättning byggbitar. Finns en passande lång bit kan den användas direkt. Annars behöver samma text byggas av flera mindre bitar.

Vilka bitar som finns beror bland annat på träningsmaterialet och hur tokenizern konstruerats. Språkens böjningar, sammansättningar och skriftsystem spelar också in. Engelska har ofta fått en effektiv representation i vanliga modeller, men ”det finns mer engelska på internet” är inte hela förklaringen.

I en NeurIPS-studie från 2023 jämförde forskare innehållsligt motsvarande texter på 200 språk. Med tokenizern cl100k_base, som då användes för GPT-3.5 och GPT-4, krävde svenska ungefär 58 procent fler tokens än engelska i det undersökta materialet.

Det är en riktig skillnad. Men det är också ett historiskt resultat för en bestämd tokenizer och en bestämd textsamling. Det är inte en fast växelkurs mellan svenska och engelska.

Samma studie gav svenska betydligt mindre skillnader med andra tokenizrar. Vi behöver alltså fråga vilken modell och tokenizer en siffra kommer från innan vi använder den som råd.

Andra språk visar varför gamla tumregler blir fel

Svenska är långt ifrån det enda språket som påverkas. I samma studie krävde japanska ungefär 2,3 gånger och arabiska ungefär tre gånger så många tokens som engelska. För vissa språk var skillnaden ännu större.

Utvecklingen har samtidigt gått framåt. När OpenAI presenterade GPT-4o 2024 visade företaget exempel på en effektivare tokenisering. Ett exempel på gujarati gick från 145 till 33 tokens och ett på telugu från 159 till 45. Det engelska exemplet gick från 27 till 24.

Det här var utvalda exempel, inte genomsnitt för hela språken. Men de illustrerar en viktig sak: tekniska förändringar kan göra stor skillnad. Ett påstående om hur många tokens ett språk ”kräver” åldras när tokenizern förändras.

Nyare forskning försöker också förstå varför skillnaderna finns kvar. En studie från 2025 med omkring 7 000 tokenizrar och 97 språk visar att ojämn mängd träningsdata inte förklarar allt. Även tekniska designval påverkar.

Modellutvecklarna arbetar dessutom med mer flerspråkig träning. Qwen3:s tekniska rapport från 2025 beskriver exempelvis stöd för 119 språk och dialekter. Det är en bredare satsning, men en lista över språk som stöds är fortfarande inget löfte om att modellen är lika bra på alla.

Det finns något hoppfullt i det här. Skillnaderna är inte naturlagar som vi bara måste anpassa oss till. De påverkas av val som människor gör när modellerna byggs.

Samtidigt behöver vi vara noggranna med vad vi tar med oss från forskningen. En siffra från en viss modellgeneration kan hjälpa oss att förstå ett problem. Den behöver inte vara ett bra råd för den tjänst vi använder i dag.

Fler tokens är inte ett betyg på förståelsen

Här uppstår ofta ett tankehopp. Om svenska tar fler tokens måste det väl vara jobbigare för modellen, och då borde svaret bli sämre?

Tokenisering kan påverka vad en modell lär sig och hur effektivt den arbetar. Men kvaliteten beror också på vilken data modellen har tränats på, vad den har tränats att göra och hur uppgiften är utformad.

I Tokenizer Choice for LLM Training från 2024 undersökte forskare 24 modeller. Ett av resultaten är att mått på hur effektivt texten delas upp inte alltid förutsäger modellens kvalitet. Att räkna tokens räcker alltså inte för att veta hur bra ett svar kommer att bli.

Vi behöver hålla isär åtminstone tre frågor:

Hur många tokens behövs för att representera texten?

Hur bra löser modellen uppgiften?

Hur mycket kostar hela arbetet fram till ett användbart resultat?

Det går att vinna på den första och förlora på de andra. En kortare engelsk instruktion hjälper inte särskilt mycket om den har tappat en viktig förutsättning. Och ett välformulerat svar kan fortfarande missförstå vad ”handledarbedömning” betyder i just din verksamhet.

Jag tycker att det här liknar många andra samtal om digitalisering. Vi hittar något som går att mäta, och efter ett tag börjar måttet stå för hela nyttan. Här är tokenantalet konkret och lätt att jämföra. Arbetet med att upptäcka en felaktig nyans eller skriva om ett svar syns betydligt sämre.

Men det arbetet försvinner inte för att det saknas i jämförelsen. Någon behöver fortfarande göra det.

När kan engelska faktiskt vara bättre?

Det finns studier där engelska eller ett engelskt mellanled förbättrar resultatet, bland annat på matematiska problemlösningsuppgifter. Det ger en anledning att testa, särskilt när uppgiften inte är beroende av svenska uttryck eller svenska förhållanden.

Men även här varierar resultaten.

I Is Translation All You Need? från 2025 jämfördes bland annat direkta frågor och olika översättningsupplägg. Engelska mellanled kunde ge tydliga förbättringar på matematikuppgifter. På verkliga användarfrågor kunde däremot direktfrågor på användarens språk fungera bättre, beroende på modell och språk.

Modellerna i studien var bland annat GPT-3.5 och Llama 2. Det är värdefull kunskap om hur resultaten kan variera, men ingen aktuell topplista över dagens tjänster.

Även forskning från 2026 om flerspråkigt resonemang pekar på att vinsten med engelska varierar och att fel i översättningen kan påverka resultatet.

Jag skulle därför se engelska som ett alternativ att undersöka när du fastnar med exempelvis ett tekniskt problem, en beräkning eller en logisk uppgift. Särskilt om dokumentationen och fackbegreppen redan är engelska.

Du behöver inte heller välja ett enda språk för allt. Det går att ställa en svensk fråga om engelsk dokumentation och behålla kod, kommandon och tekniska begrepp i original. Det viktiga är att uppgiften förblir tydlig.

Svenska är ibland en del av själva uppgiften

Om du vill skriva ett medlemsutskick till en svensk förening är svensk ton en del av kvaliteten. Om du granskar ett svenskt styrdokument är begreppens exakta innebörd en del av innehållet. Då kan en omväg genom engelska skapa merarbete.

Ett svar kan vara grammatiskt korrekt men ändå kännas översatt. Det kan bli onödigt högtidligt, fyllt av superlativ eller formulerat på ett sätt som inte passar mottagaren. På utbildningar brukar jag därför prata om att vägleda modellen även i hur den använder svenskan.

”Använd det svenska språket väl” kan vara en början. Ännu mer användbart är att förklara vad det betyder i sammanhanget:

Skriv på naturlig svenska för våra handledare. Använd vardagliga ord och korta stycken. Behåll våra utbildningsbegrepp. Undvik säljton och överdrivna formuleringar. Utgå från exemplen nedan för att hitta rätt ton.

Det ger modellen något konkret att arbeta med. Ett par bra textförebilder kan också göra önskemålet lättare att tolka.

Forskningen behöver för övrigt ta hänsyn till samma sak. Ett amerikanskt prov som översatts till svenska testar inte automatiskt allt vi behöver i svensk arbetsvardag. Global MMLU från 2025 visar att kulturellt präglade frågor påverkar hur modeller bör utvärderas.

Det finns också svenska originaltest, som SweSAT-1.0, byggt på högskoleprovsfrågor. Det tillför ett viktigt perspektiv, men inte heller ett högskoleprov mäter hur bra en modell hjälper dig att formulera begriplig information till en viss målgrupp.

För det behöver vi också pröva den på våra egna uppgifter.

”Tänk på engelska” är ingen magisk lösning

Ett annat vanligt råd är att skriva något i stil med: ”Tänk på engelska, men svara på svenska.”

Det kan vara en instruktion värd att testa. Däremot bör vi vara försiktiga med förklaringen att alla modeller egentligen tänker på engelska och sedan översätter.

Modellens interna beräkningar är inte en vanlig text som vi kan läsa direkt. De resonemang som en tjänst visar är inte heller en fullständig beskrivning av allt som händer i modellen. Vi kan därför inte använda språkvalet i ett synligt resonemang som bevis för ett universellt internt tankespråk.

Dessutom tränas olika modeller på olika språkblandningar och med olika metoder. Det finns ingen anledning att utgå från att en och samma beskrivning passar alla.

Vill du prova instruktionen, bedöm vad som händer med svaret. Blir beräkningen rätt? Bevaras förutsättningarna? Blir förklaringen begriplig? Det är mer användbart än att lita på en berättelse om vilket språk modellen egentligen tänker på.

Blir svenska dyrare och mer energikrävande?

För den som använder ett API och betalar per token kan fler svenska tokens ge en högre kostnad. Ett fast kontextfönster, alltså utrymmet för text som modellen kan hantera i ett anrop, kan också rymma mindre innehåll.

Men räkna på hela uppgiften. En engelsk prompt kan kräva en översättning först och mer redigering efteråt. Input och output kan ha olika priser. Vissa tjänster debiterar också andra komponenter, exempelvis resonemangstokens. För en vanlig användare med ett chattabonnemang syns skillnaden inte nödvändigtvis som ett högre pris per fråga.

Energi är ytterligare en fråga. Det går inte att säga att 40 procent fler tokens automatiskt betyder 40 procent mer el.

En energistudie från 2026 mätte en öppen modell på 122 språk och fann stora skillnader. De påverkades bland annat av svarslängd, repetitiva genereringar och hur körningen utnyttjade hårdvaran. Resultaten är viktiga, men kan inte direkt överföras till varje kommersiell AI-tjänst.

Min praktiska slutsats är att vi bör undvika onödigt långa och upprepade körningar, och följa upp vad som faktiskt ger nytta. Det finns inte stöd för en enkel regel att svenskar av klimatskäl alltid borde prompta på engelska.

Prova på något du faktiskt behöver göra

Det finns en risk att en sådan här genomgång slutar i ”det beror på”, och sedan lämnar läsaren med precis lika mycket arbete som tidigare. Så vill jag inte riktigt lämna det.

Börja gärna med svenska när uppgiften och underlaget är svenska. Lägg lite omsorg på att förklara sammanhanget och vad du vill få hjälp med. Om resultatet inte räcker, eller om du har ett återkommande arbetsflöde där små skillnader kan få stor betydelse, är det värt att jämföra.

Välj några uppgifter du känner väl. En sammanfattning, ett resonemang som behöver granskas eller ett problem du vill lösa. Använd material som du får lägga in i tjänsten. Skriv först ner vad ett bra resultat måste innehålla. Annars är det lätt att välja den text som låter bäst i stället för den som faktiskt hjälper dig.

Gör sedan en svensk och en engelsk version av instruktionen, med samma information, i separata samtal med samma modell och inställningar. Kontrollera översättningen. Om du råkar förtydliga uppgiften samtidigt som du byter språk blir det svårt att veta vad förbättringen berodde på.

Behöver du slutresultatet på svenska ska också den engelska vägen bedömas där den slutar. Har rätt betydelse följt med hela vägen? Har något blivit mer allmänt, mer tvärsäkert eller mindre användbart? Och hur mycket behövde du själv rätta?

Låt gärna en kollega jämföra svaren utan att först veta vilket upplägg som gav vilket svar. Prova på fler än ett exempel, eftersom modellens svar kan variera. Det behöver inte bli ett stort projekt för att ge er bättre underlag än en allmän regel från sociala medier.

För tusentals automatiserade körningar är det klokt att mäta kvalitet och faktisk kostnad mer systematiskt. För ett enstaka mejlutkast är det ofta rimligare att fråga vilken väg som gav en användbar text med minst omarbete. Båda jämförelserna har ett värde, men de svarar på lite olika frågor.

Vem ska anpassa sig till vem?

Jag återkommer till situationen på kursen. Vi har ett verktyg som kan hjälpa människor att skriva, förstå och undersöka sådant de tidigare kanske inte haft tid eller möjlighet att göra. Och ganska snart börjar vi diskutera om vi först måste byta språk för att få använda det ordentligt.

Ibland är det en rimlig anpassning. Den som redan arbetar med engelsk dokumentation kanske inte ens upplever det som ett byte. Den som får ett tydligt bättre resultat på ett svårt problem kan ha goda skäl att fortsätta så.

Men om rådet blir att alla borde skriva på engelska riskerar vi att göra tröskeln högre för dem som har mest att vinna på hjälpen. Då kan den som kan sitt arbete väl, men känner sig mindre säker på engelska, börja tvivla på om den egna beskrivningen duger.

Det tycker jag är värt att stanna vid. Språket bär också våra erfarenheter: vad vi menar med en rimlig bedömning, hur vi beskriver ett svårt samtal och vilka ord som gör information begriplig för den som ska använda den. Det finns ett värde i att kunna ta med det in i arbetet med AI.

Så mitt svar på kursfrågan är fortfarande att jag gärna börjar på svenska. Med en viktig fortsättning: jag vill bedöma vad som kommer ut, vara beredd att pröva andra vägar och ändra arbetssätt när det finns skäl för det.

Vi behöver förstå tekniken tillräckligt väl för att använda den med omdöme. Vi behöver också hålla fast vid vad vi ville ha hjälp med från början.

När du använder AI, vilket språk hjälper dig att få med det du faktiskt vet om uppgiften, och hur märker du att den kunskapen har följt med hela vägen till svaret?

Detta är en personlig reflektion av Tobias Landén, Qlok, med utgångspunkt i en återkommande kursfråga och forskning om flerspråkiga språkmodeller. Har du märkt skillnad när du byter språk, eller funderar du på vad som passar i ert arbete? Hör gärna av dig. Vi gillar att tänka högt om det här tillsammans med andra.

Att kika vidare på

Petrov med flera, 2023: tokenisering på 200 språk. Historiska skillnader, inklusive svenska.

Ali med flera, 2024: tokenizer och modellkvalitet. Varför tokenantal inte räcker som kvalitetsmått.

Liu med flera, 2025: när översättning hjälper. Jämför olika uppgifter och språkupplägg.

Global MMLU, 2025. Om språk, kultur och hur vi mäter förmåga.

The Language–Energy Divide, 2026. Energi i en specifik flerspråkig modellkörning.

Forskningsunderlaget är granskat i november 2026. Modellresultat och tekniska villkor förändras; exemplen ovan är knutna till respektive studie.