Els models de llenguatge no tracten totes les llengües igual, i ara un equip del laboratori d'IA de la Universitat de Michigan ha mesurat què costa aquesta desigualtat en energia. L'estudi, signat pel doctorand Naihao Deng i la catedràtica Rada Mihalcea, s'ha publicat a les actes de la Conferència sobre Mètodes Empírics en Processament del Llenguatge Natural (EMNLP 2026), un dels congressos amb revisió de referència en aquest camp, amb el títol «The Language–Energy Divide».
Els investigadors van provar tres models oberts —Qwen 3, d'Alibaba; Gemma 3, de Google, i Llama 3.1, de Meta— amb preguntes de comprensió lectora de Belebele, una col·lecció de proves en 122 llengües, i van mesurar el consum amb l'eina ML.Energy, feta a la mateixa universitat. Tots tres models gastaven menys energia en anglès. Generar text en altres llengües costava entre 1,4 i 180 vegades més; la majoria de llengües d'Europa occidental es quedaven en el doble o menys, però l'hindi necessitava unes 7,9 vegades més energia i el bengalí, unes 15,3. La diferència es mantenia amb models més grans i amb processadors diferents, i les llengües que gastaven més solien tenir també respostes menys encertades.
La causa principal és la manera com els models trossegen el text: les llengües menys representades a les dades d'entrenament es parteixen en més fragments (els anomenats *tokens*), i cada fragment consumeix càlcul i memòria. Com que els serveis comercials solen cobrar per fragment, això també vol dir pagar més. Segons els càlculs dels autors, unes 5.200 milions de persones han de gastar més del doble d'energia que un anglòfon per fer servir la IA en la seva primera llengua. Per a una llengua com el català, el resultat recorda que el cost de la IA no és neutral i que les eines pensades per a cada llengua tenen també un sentit d'eficiència.
L'estudi té límits clars. Només inclou tres models oberts, no els grans serveis comercials, i en les proves que no eren multilingües el text es va traduir automàticament de l'anglès, de manera que la qualitat de la traducció pot pesar en els resultats. La nota de la universitat no detalla les xifres per a cada llengua europea ni esmenta el català. Els autors proposen dirigir les consultes a models especialitzats en cada llengua i crear més recursos per a les llengües menys ateses.