La elección de una lengua para un modelo de gran lengua( LLM) tiene un impacto significativo en su coste y crea una diferencia entre los angloparlantes y el resto del mundo. Por ejemplo, el chino simplificado cuesta casi el doble, el español 1, 5 veces más y el chan 15 veces más. Una investigación llevada a cabo por la Universidad de Oxford reveló que procesar una frase escrita en birmano con un LML cuesta 198 tokens, mientras que la misma frase en inglés sólo cuesta 17 tokens. El modelo de tokenización utilizado por las empresas de inteligencia artificial convierte los datos introducidos por el usuario en costes informáticos, lo que hace que los modelos a los que se accede fuera de la lengua inglesa sean más caros de acceder y de aprender. Por ejemplo, un ejemplo de tokenización realizado por el tokenizadorGPT3 de OpenAI muestra que la frase" youraffection" sólo tendría dos tokens en inglés y ocho tokens en chino simplificado. A pesar de que la frase en inglés es más larga( 14 caracteres) que en chino simplificado( 4 caracteres), el mayor número de caracteres hace que la implementación de la API en otros idiomas sea más cara.

La relación coste- eficacia del inglés en los gastos relacionados con la inteligencia artificial no tiene parangón, ya que el chino cuesta el doble que el inglés en términos de número de tokens necesarios. Además, las empresas de Inteligencia Artificial aspiran a conseguir una formación recursiva, es decir, a formar modelos de Inteligencia Artificial con sus propios resultados. Otras formas de cuantificar los costes, como el recuento de caracteres del monitor, siguen planteando problemas similares a los de la conversión y no pueden superar la practicidad y los menores costes del inglés. El hecho de que las empresas que introducen los modelos de idiomas grandes tengan su sede mayoritariamente en Estados Unidos contribuye a la diferencia de costes, ya que los costes de utilización más bajos y la mayor disponibilidad de datos de calidad son inherentes a este territorio. Esta disparidad de costes ha llevado a varios países, entre ellos China e India, a desarrollar sus propias iniciativas de formación e implantación de modelos lingüísticos nativos para hacer frente a la innovación que aportan las redes de inteligencia artificial basadas en el inglés.