Suomi ja tokenit
Kielimallit eivät lue kirjaimia vaan tokeneita, ja suomi pilkkoutuu tokeneiksi tehottomammin kuin englanti. Kukaan ei ole julkaissut siitä lukua, joten mittasimme sen itse.
Paljonko suomi maksaa enemmän kuin englanti?
Suomi kuluttaa 1.51× enemmän tokeneita kuin sama asiasisältö englanniksi. Toisin sanoen sama viesti, sama sopimus ja sama raportti maksaa rajapinnassa noin 51 prosenttia enemmän suomeksi, ja konteksti-ikkunaan mahtuu suomenkielistä tekstiä noin 66 prosenttia siitä, mitä siihen mahtuisi englanniksi. Mittasimme tämän 8 rinnakkaisella tekstiparilla o200k_base-enkoodauksella 13.9.2026.
Kuukausitilausta maksavalle luku ei näy laskussa: 20 €/kk on sama hinta riippumatta kielestä. Merkitys on kahdessa muussa paikassa. Jos käytät rajapintaa, maksat tokeneista ja siis kielestä. Ja jos käsittelet pitkiä dokumentteja, konteksti-ikkuna loppuu kesken aikaisemmin kuin englanninkielinen ohje antaa ymmärtää.
Mittaustulos tekstityypeittäin
Kerroin ei ole vakio. Se vaihtelee sen mukaan, kuinka paljon tekstissä on taivutettuja muotoja ja yhdyssanoja. Alla jokainen tekstipari erikseen, suurimmasta kertoimesta pienimpään.
| Teksti | Tokenit suomeksi | Tokenit englanniksi | Kerroin |
|---|---|---|---|
| Tuotekuvaus | 121 | 72 | 1.68× |
| Kokousmuistio | 132 | 83 | 1.59× |
| Prompti kielimallille | 134 | 86 | 1.56× |
| Markkinointiteksti | 102 | 68 | 1.5× |
| Sopimusteksti | 116 | 78 | 1.49× |
| Tekninen ohje | 130 | 88 | 1.48× |
| Asiakasviesti | 111 | 80 | 1.39× |
| Työpaikkailmoitus | 118 | 85 | 1.39× |
| Yhteensä | 964 | 640 | 1.51× |
Suurin kerroin osui tekstiin "Tuotekuvaus" (1.68×) ja pienin tekstiin "Työpaikkailmoitus" (1.39×). Ero selittyy rekisterillä: mitä virallisempaa ja termipainotteisempaa suomi on, sitä pidemmiksi sanat kasvavat ja sitä useampaan palaseen ne hajoavat. Puhekielinen, lyhytlauseinen suomi on tokenitaloudellisempaa kuin hallinnollinen suomi.
Vanhemmalla cl100k_base-enkoodauksella sama korpus antaa kertoimen 1.98×. Uudempi sanasto on siis suomelle hieman armollisempi, mutta ero on pieni – kyse ei ole ongelmasta, joka korjaantuisi seuraavassa mallisukupolvessa itsestään.
Mitä tämä tarkoittaa käytännössä
Mittauksen mukaan yhteen tokeniin mahtuu suomeksi noin 3.38 merkkiä. Tavallinen A4-liuska on noin 3 000 merkkiä, joten yksi sivu suomenkielistä tekstiä on karkeasti 888 tokenia. Sadankahdenkymmenenkahdeksantuhannen tokenin konteksti-ikkunaan mahtuu siis noin 144 sivua suomea – ja siihen lukuun sisältyy vielä koko keskusteluhistoria ja mallin oma vastaus, jotka syövät samasta ikkunasta.
Suomeksi yksi sana on keskimäärin 2.72 tokenia, kun englannissa vastaava luku on 1.1. Tämä on se kohta, jossa ero syntyy: englannin yleisimmät sanat ovat mallin sanastossa kokonaisina, suomen taivutetut muodot eivät.
Käytännön seuraus ei ole se, että suomeksi kannattaisi lopettaa kirjoittaminen. Se on se, että konteksti-ikkunan koko on suomalaiselle käyttäjälle painavampi valintakriteeri kuin englanninkieliset vertailut antavat ymmärtää, ja että rajapintaa käyttävän kannattaa laskea budjettinsa suomen kertoimella eikä englannin.
Kolme asiaa, jotka oikeasti auttavat
Ensimmäinen ja tehokkain on olla syöttämättä koko dokumenttia silloin, kun tarvitaan yksi luku siitä. Kymmenensivuinen liite maksaa saman riippumatta siitä, luetko siitä yhden rivin vai kaiken, ja se maksaa uudelleen joka viestillä, koska koko keskustelu lähetetään mukana joka kerta.
Toinen on aloittaa uusi keskustelu, kun aihe vaihtuu. Pitkä keskusteluhistoria on mukavuutta, josta maksat joka viestissä uudestaan, ja se on myös yleisin syy siihen että malli alkaa vastata epätarkasti: ikkuna täyttyy vanhalla, eikä uudelle jää tilaa.
Kolmas on kirjoittaa ohjeet englanniksi ja sisältö suomeksi, jos ja vain jos käytät rajapintaa isolla volyymilla. Malli ymmärtää englanninkielisen ohjeen yhtä hyvin ja se on lyhyempi tokeneina. Kuukausitilauksessa tästä ei ole mitään hyötyä, joten älä monimutkaista arkeasi turhaan.
Miten tämä on mitattu
Kahdeksan rinnakkaista tekstiparia, sama asiasisältö suomeksi ja englanniksi, kirjoitettu käsin tätä mittausta varten. Ei konekäännetty, koska konekäännös myötäilee lähdekielen rakennetta ja painaisi suomen kerrointa keinotekoisesti alas. Tokenit laskettu OpenAI:n omilla enkoodauksilla gpt-tokenizer-kirjastolla.
Mittaus on ajettu 13.9.2026 kirjastolla gpt-tokenizer 2.9.0. Skripti ja koko
rinnakkaiskorpus ovat mukana sivuston lähdekoodissa tiedostossa scripts/tokenit.mjs, joten mittaus on toistettavissa
sellaisenaan. Tämä sivu ei sisällä yhtään lukua, jota skripti ei ole
tuottanut.
Tarkistimme ennen mittausta, onko luku jo julkaistu jossain. Kaksi alan laajinta kielivertailua ei kata suomea lainkaan: toinen listaa yksitoista kieltä ilman suomea, toinen jättää agglutinoivat kielet – suomen, unkarin, viron ja turkin – kokonaan pois. Siksi tämä mittaus on olemassa.
Liittyvät sivut
Käsitteet auki: mikä on token ja mikä on konteksti-ikkuna. Jos tokeneiden hinta kiinnostaa siksi että vertailet tilauksia, kaikkien työkalujen hinnat ovat yhdellä sivulla. Kielen laadun eroja mallien välillä käsittelemme ChatGPT vs Claude -vertailussa, ja suomeksi promptaamisen käytännön puolta promptausoppaassa.
Usein kysytyt kysymykset
Kannattaako kielimallia käyttää englanniksi, jos suomi maksaa enemmän?
Ei automaattisesti. Tokeneiden ero on todellinen, mutta kuukausitilauksessa se ei näy laskussa lainkaan – ChatGPT Plus, Claude Pro ja Gemini maksavat saman verran riippumatta siitä, millä kielellä kirjoitat. Ero näkyy kahdessa paikassa: rajapinnan käytössä, jossa maksat tokeneista, ja konteksti-ikkunassa, joka täyttyy suomeksi nopeammin. Jos kumpikaan ei koske sinua, kirjoita suomeksi – käännösvaiheessa menetetty tarkkuus maksaa enemmän kuin tokenit.
Miksi suomi pilkkoutuu tehottomammin kuin englanti?
Kielimallien sanastot on rakennettu pääosin englanninkielisestä aineistosta, joten yleiset englannin sanat ovat sanastossa kokonaisina. Suomi on agglutinoiva kieli: sama merkitys ilmaistaan liittämällä päätteitä vartaloon, jolloin syntyy valtava määrä eri sanamuotoja, joista suurin osa ei mahdu sanastoon omana yksikkönään. Sana kuten "taloudenhoitajallammekin" pilkkoutuu useaksi palaseksi, kun englannin vastine koostuu muutamasta kokonaisesta sanasta. Yhdyssanat ja pitkät vokaaliyhdistelmät vahvistavat samaa ilmiötä.
Koskeeko tämä myös muita malleja kuin OpenAI:n?
Ilmiö koskee kaikkia, mutta kerroin vaihtelee. Mittauksemme käyttää OpenAI:n omia enkoodauksia, koska ne ovat julkisesti saatavilla ja niitä voi ajaa itse. Anthropicin ja Googlen tokenisoijat ovat erilaisia eivätkä yhtä avoimesti tarkistettavissa, mutta perussyy on sama: sanasto on rakennettu englantipainotteisesta aineistosta. Suunta on siis sama kaikilla, tarkka luku ei.
Voiko tokeneita säästää kirjoittamalla lyhyemmin?
Kyllä, ja se on ainoa keino, joka toimii heti. Suurin yksittäinen säästö ei kuitenkaan tule promptin tiivistämisestä vaan siitä, ettei koko dokumenttia syötetä keskusteluun silloin kun tarvitaan vain sen yksi luku. Toinen käytännön keino on aloittaa uusi keskustelu, kun aihe vaihtuu: vanha keskusteluhistoria kulkee mukana joka viestissä ja maksaa joka kerta uudestaan.
Miten tämä vaikuttaa pitkien dokumenttien käsittelyyn?
Tämä on ilmiön käytännössä merkittävin seuraus. Konteksti-ikkuna ilmoitetaan aina tokeneina, ei sivuina, joten sama ilmoitettu ikkuna vetää suomenkielistä tekstiä selvästi vähemmän kuin englanninkielistä. Jos työsi on pitkien suomenkielisten sopimusten tai raporttien käsittelyä, ikkunan koko on sinulle tärkeämpi valintakriteeri kuin useimmille, ja ero mallien välillä kannattaa tarkistaa ennen tilausta.
Miten tämä luku on mitattu ja voinko tarkistaa sen itse?
Kahdeksan tekstiparia, sama asiasisältö suomeksi ja englanniksi, kirjoitettuna käsin tätä mittausta varten – ei konekäännettynä, koska konekäännös myötäilee lähdekielen rakennetta ja painaisi suomen kerrointa keinotekoisesti alaspäin. Tokenit on laskettu OpenAI:n omilla enkoodauksilla. Mittausskripti korpuksineen on mukana sivuston lähdekoodissa, joten kuka tahansa voi ajaa saman mittauksen ja saada saman luvun.