Waarom AI slimmer klinkt in het Engels
Door Chatday Editorial Team ·
Je vraagt een AI iets in het Nederlands, Pools of Turks en het antwoord komt snel en vloeiend binnen. Je stelt exact dezelfde vraag in het Engels en er gebeurt iets subtiels. Het antwoord is net wat scherper. Beter geordend. Zelfverzekerder.
Je verbeeldt het je niet, en het ligt niet aan hoe jij schrijft. Het verschil is echt, het is gemeten, en het komt door iets simpels: deze modellen hebben bijna alles in het Engels gelezen.
Het internet dat deze modellen lazen, is vooral Engels
Taalmodellen leren door enorme hoeveelheden tekst van het web te lezen. En dat web is flink uit balans.
Een overzicht van de grote webarchieven die hiervoor worden gebruikt, bekeek een kopie uit eind 2023 van Common Crawl, een openbare verzameling van miljarden pagina’s. Ongeveer 44% daarvan was Engels. De tweede taal op de lijst, Duits, kwam op zo’n 5%. De rest verdeelde wat overbleef.
Vergelijk dat met de echte wereld. Taaldatabases komen op ruwweg 1,5 miljard mensen die Engels spreken, inclusief iedereen die het als tweede taal leerde, oftewel ongeveer één op de zes mensen. Een taal die een zesde van de mensheid gebruikt, levert dus bijna de helft van het leesvoer.
Het model kiest niet bewust voor Engels. Het oefent er alleen veel meer mee. Elke uitdrukking, elke kromme formulering, elk raar randgeval komt in het Engels duizenden keren vaker voor dan in het Catalaans of Vietnamees, en oefening is wat telt.
Je AI denkt waarschijnlijk in het Engels voordat hij antwoordt
Nu het deel dat mensen verrast. Als jij in je eigen taal schrijft, redeneert het model daar niet per se in.
Een studie uit 2025 onderzocht wat er echt gebeurt in meertalige modellen terwijl ze antwoorden. De onderzoekers zagen dat deze systemen hun belangrijkste beslissingen nemen in een representatieruimte die dicht bij het Engels ligt, ongeacht welke taal erin en eruit gaat. In hun woorden: het model maakt eerst iets Engelsvormigs voor de betekenisdragende woorden en zet dat daarna om naar de doeltaal.
Denk aan een briljante collega die opgroeide met Engelse boeken en nu op jouw kantoor werkt. Ze begrijpt je prima. Maar ergens halverwege gebeurt het denken in haar eerste taal, en wat jij terugkrijgt is door een vertaalstap gegaan.
Meestal merk je er niets van. Je merkt het als de grap niet landt, als een uitdrukking woord voor woord vertaald binnenkomt, of als de toon technisch klopt maar sociaal niet.
Waarom jouw taal duurder kan zijn en sneller vol zit
Er is een tweede, meer mechanische reden, en die heeft niets met intelligentie te maken.
Voordat een model je tekst leest, hakt het die in kleine stukjes die tokens heten. Grofweg is een token een stukje van een woord. Dat hakken is vooral op Engels afgestemd, dus Engels krijgt efficiënte stukjes terwijl andere talen in veel meer stukken uiteenvallen.
Onderzoek hiernaar vond dat dezelfde zin in sommige talen tot 15 keer meer tokens kan kosten dan in het Engels. Talen zonder Latijns alfabet komen er het slechtst vanaf.
Daar volgen drie dingen uit, en je voelt ze alle drie:
- Je loopt eerder tegen limieten aan. Het werkgeheugen van de AI wordt in tokens geteld, dus hetzelfde document vreet er in jouw taal meer van.
- Het kan duurder zijn. Waar een dienst per token rekent, kost dezelfde taak meer in een taal die in meer stukjes uiteenvalt.
- Het kan trager voelen. Meer stukjes betekent meer werk voor het model.
Niets hiervan is een straf. Het is een bijwerking van een ontwerp dat op Engelse tekst is afgestemd, en het kleurt je ervaring zonder dat je het doorhebt.
Hoe groot is het verschil echt?
Groot genoeg om uit te maken, en erg ongelijk verdeeld. Een meertalige test genaamd MMLU-ProX zette dezelfde set van bijna 12.000 examenvragen om in 29 talen, wat een schone vergelijking oplevert: dezelfde vragen, andere taal, hetzelfde model.
Het patroon was consistent. Modellen deden het goed in talen met veel tekst online en zakten weg bij talen met weinig materiaal, met verschillen tot zo’n 24 procentpunt tussen de sterkste en de zwakste. Bij een test waar een goede score rond de 70 ligt, is 24 punten verlies het verschil tussen een zelfverzekerde expert en een wankele student.
| Waar jouw taal staat | Om wie het gaat | Wat je kunt verwachten |
|---|---|---|
| Zeer goed vertegenwoordigd | Engels | Scherpste redenering, beste uitdrukkingen, betrouwbaarste opmaak |
| Goed vertegenwoordigd | Nederlands, Duits, Spaans, Frans, Chinees, Japans | Dicht bij Engels voor dagelijks werk, af en toe een stijve zin |
| Gemiddeld vertegenwoordigd | Veel Europese en Aziatische talen met minder online tekst | Goede antwoorden, vertaalde toon, meer missers bij lokale details |
| Nauwelijks vertegenwoordigd | Kleinere talen en de meeste Afrikaanse talen | Duidelijk zwakkere redenering, meer zelfverzekerde fouten, alles controleren |
Twee eerlijke kanttekeningen. Je dagelijkse vragen zijn veel makkelijker dan een examen, dus het verschil dat jij merkt is meestal kleiner dan op papier. En deze cijfers verschuiven om de paar maanden, wat ons bij het goede nieuws brengt.
Het gat wordt kleiner, en dat is bewust
Labs hebben ontdekt dat trainen met meer talen geen liefdadigheid is maar een verbetering.
Een artikel uit 2026 testte dit direct en concludeerde dat talen toevoegen tijdens de training de resultaten over de hele linie verbetert. Talen met weinig data winnen veel, talen met veel data blijven stabiel in plaats van achteruit te gaan, en zelfs één niet-Engelse taal toevoegen maakte ook het Engels van het model beter. De auteurs noemen trainen op alleen Engels grotendeels suboptimaal.
Daarom klinkt elke generatie modellen in jouw taal iets natuurlijker dan de vorige. En daarom loont het om de tips hieronder om de paar maanden te herhalen: welke AI het beste is in jouw taal blijft veranderen.
Vier manieren om betere antwoorden te krijgen in jouw taal
1. Noem de taal en ook het register
Schrijf niet gewoon in je taal en hoop er het beste van. Zeg het erbij. Bijvoorbeeld: antwoord in het Nederlands, in gewone spreektaal, zoals een mens het echt zou zeggen.
Dat laatste stuk doet het meeste werk. Zonder aanwijzing schuiven modellen richting een formele stem die naar vertaling ruikt, want zo ziet het meeste niet-Engelse materiaal op internet eruit.
2. Laat zien hoe jij schrijft
Plak twee of drie zinnen die je zelf hebt geschreven en vraag het model die stem aan te houden. Dat werkt veel beter dan de gewenste toon omschrijven, en het is de snelste remedie tegen het kunstmatige gevoel in AI-tekst, in elke taal.
3. Bij moeilijke vragen: denken en antwoorden scheiden
Is een vraag echt lastig, stel hem dan eens in het Engels en vraag het antwoord in jouw taal. Gezien die Engelsvormige tussenstap helpt dat soms.
Soms. Niet altijd. Het kost je één extra bericht om erachter te komen, en als het denkwerk het moeilijke deel is, is die test de moeite waard.
4. Wissel van model, niet van prompt
Dit probeert bijna niemand, en meestal wint juist dit. Verschillende labs trainen op andere taalmengsels, dus hun sterke punten in jouw taal lopen verder uiteen dan hun marketing suggereert. Dezelfde prompt kan in het ene model prachtig landen en in het andere houterig klinken, een specifiek geval van de bredere reden waarom AI-modellen verschillende antwoorden geven.
Gemini 3.1 Pro en Claude Sonnet 5 zijn goede startpunten, maar geloof ons niet op ons woord. Haal je eigen prompt door een paar modellen en kijk welke klinkt als iemand uit jouw omgeving.
De drieprompttest voor elk nieuw model
Wil je weten of een model iets waard is in jouw taal, dan helpen ranglijsten niet. Dertig seconden zelf testen wel. Dit is waar wij naar kijken, en wat elk punt vangt:
- Een uitdrukking of een grap. Vraag om uitleg van een gezegde dat alleen mensen van hier gebruiken. Dit ontmaskert modellen die vertalen in plaats van begrijpen.
- Een lokaal detail. Stel een praktische vraag die specifiek is voor waar je woont en controleer het antwoord daarna. Dit ontmaskert zelfverzekerd verzinnen, de duurste fout die er is.
- Een kort stukje in jouw stem. Een bericht aan een collega, in je normale register. Dit ontmaskert stijfheid, verkeerde formaliteit en die onmiskenbare vertaalgeur.
Doe die drie in twee of drie modellen. Binnen een paar minuten heb je een favoriet, en dat is misschien niet de bekendste.
Waar dit allemaal niet helpt
Even eerlijk over de grenzen: geen enkele prompt voegt kennis toe die het model nooit heeft gehad.
Heeft jouw taal weinig online aanwezigheid, dan zit het gat in de training en dicht geen slimme instructie dat. Lokale regels, regionale juridische details en dorpsspecifieke zaken zijn precies waar modellen het meest overtuigd verzinnen, in elke taal, en waar je moet controleren voordat je iets doet.
Bij alles met echte gevolgen, een contract, een medische brief, een officieel formulier, behandel je AI-uitvoer als een eerste versie en laat je iemand meelezen die de taal beheerst. En als het werk puur vertalen is in plaats van gesprek, wint een vertaaltool die daarvoor gebouwd is het van een chatvenster. Die werkwijze liepen we door in hoe je alles vertaalt met AI.
De korte versie
AI is niet slimmer in het Engels. Hij is er alleen beter belezen en beter geoefend, en de technologie erachter is daarop afgestemd. Dat gat wordt met elke generatie kleiner, sneller dan de meeste mensen doorhebben, omdat labs ontdekten dat een model meer talen leren het in alle talen beter maakt.
Tot het dicht is, is de oplossing niet je taal opgeven. De oplossing is precies zeggen wat je wilt, het model je stem laten zien, en stoppen met aannemen dat de eerste AI die je probeerde jouw taal het beste spreekt.