Gender-API vs. ChatGPT: Was soll das Geschlecht eines Namens bestimmen?
Beide können dir sagen, dass Sandra meist weiblich ist. Nur eines von beiden kann dir sagen, woher es das weiß, dir nächstes Jahr dieselbe Antwort geben und eine Million Namen vorab kalkulieren.
Die kurze Antwort
- Nimm ein LLM, wenn du eine Einschätzung zu einer Handvoll Namen brauchst oder Text, den man lesen kann — eine Erklärung, eine Herkunft, eine Anrede.
- Nimm eine Namensdatenbank, wenn die Antwort morgen identisch sein muss, mit Belegen kommen muss, pro Datensatz kalkulierbar sein muss oder einer Frage des Datenschutzbeauftragten standhalten muss.
- In großen Mengen entscheidet nicht die Genauigkeit, sondern die Nachvollziehbarkeit. 9,124,598 Vornamen aus 192 Ländern, jede Antwort mit ihrer eigenen Stichprobengröße — gegen eine Generierung, die ihren Rechenweg nicht zeigen kann.
- Beides lässt sich gut verbinden. Gib dem Modell die API als Werkzeug — wir stellen dafür einen gehosteten MCP-Server bereit — dann kommt das Label aus den Daten und die Formulierung vom Modell.
Was die beiden Dinge tatsächlich sind
Gender-API.com ist ein Abfragedienst auf einer Namensdatenbank. 9,124,598 Vornamen, aufgeschlüsselt nach dem Land, in dem sie beobachtet wurden, 192 Länder unterstützt. Du schickst einen Namen und bekommst ein Geschlecht, eine Wahrscheinlichkeit und die Anzahl der Stichproben zurück, auf denen die Antwort beruht. Nichts davon wird generiert.
ChatGPT — und jedes andere allgemeine Sprachmodell — ist ein Textgenerator. Es weiß, dass „Sandra“ in weiblichen Zusammenhängen vorkommt, weil sich das Wort im Trainingstext so verhalten hat. Das ist ein wirklich brauchbares Signal, und bei verbreiteten Namen liefert es das richtige Label. Aber es gibt in der Architektur nichts, was speichert, wie viele Sandras in Portugal weiblich waren — also gibt es nichts zu zitieren, nichts für einen Schwellenwert und nichts zu prüfen.
Dieser eine strukturelle Unterschied erklärt alle praktischen Unterschiede weiter unten.
IM DIREKTEN VERGLEICH
Die Unterschiede, die unabhängig vom gewählten Modell bestehen bleiben.
| Was du brauchst | Gender-API.com | Allgemeines LLM |
|---|---|---|
| Dieselbe Antwort für dieselbe Eingabe, jedes Mal | Ja — es ist eine Datenbankabfrage | Nein — Sampling, Formulierung des Prompts und Modellversion verändern sie |
| Belege hinter einer einzelnen Antwort | Stichprobengröße und Wahrscheinlichkeit pro Ergebnis und pro Land | Keine; eine Konfidenzangabe ist, wenn man sie erfragt, selbst generiert |
| Abdeckung, die du schriftlich zusichern kannst | 9,124,598 Namen, 192 Länder | Unbekannt und nicht angegeben |
| Länderspezifische Antworten | Ein Parameter für Land, Locale oder IP verändert das Ergebnis | Nur wenn du es im Prompt sagst — und es bleibt geraten |
| Verhalten in zwölf Monaten | Derselbe Endpoint-Vertrag, veröffentlicht als OpenAPI; v1 und v2 laufen beide noch | Modelle werden abgekündigt und ersetzt; die Antworten verschieben sich mit |
| Stapelverarbeitung | 100 Namen pro Anfrage oder eine CSV mit bis zu 10 Millionen Zeilen | Kontextgrenzen, Chunking, Rate Limits und Retries schreibst du selbst |
| Kosteneinheit | Ein Credit pro Abfrage, aus einem vorab gekauften Paket | Tokens rein und raus — abhängig von Prompt-Länge und Retries |
| Wo die Daten verarbeitet werden | Server in Deutschland, Verarbeitung innerhalb der EU, DPA auf Anfrage | Hängt vom Anbieter, vom Tarif und von der zugewiesenen Region ab |
| Einen vollständigen Namen aufteilen, einen Namen aus einer E-Mail-Adresse lesen | Eigene Endpoints | Prompt Engineering — und in Randfällen scheitert es unbemerkt |
| Ein Name, zu dem niemand Daten hat | Sagt es — result_found ist false oder die Wahrscheinlichkeit ist niedrig | Antwortet trotzdem, im selben überzeugten Ton |
| Einen Namen, seine Herkunft oder seine Varianten erklären | Dafür ist es nicht gemacht | Wirklich besser — dafür ist ein Sprachmodell gemacht |
Was kostet es, das Geschlecht von einer Million Namen zu bestimmen?
Hier steht die Rechenmethode statt einer Marketingzahl, damit du sie mit den heutigen Preisen nachrechnen kannst.
Mit einer API: Eine Abfrage ist ein Credit. Unser bester veröffentlichter Mengenpreis liegt bei etwa €0.35 pro 1.000 Namen, eine Million Namen kostet also rund €349 netto — ein fester Betrag, bekannt bevor du anfängst, auf einer Rechnung mit MwSt. Credits aus Einmalpaketen verfallen nicht.
Mit einem LLM: Du zahlst pro Token, in beide Richtungen, für jede Anfrage und jeden erneuten Versuch. Mehrere Namen in einem Prompt zu bündeln senkt die Kosten pro Name, aber du schickst die Anweisungen mit jedem Bündel erneut mit, lange Namen und ungewöhnliche Schriftsysteme kosten mehr Tokens als kurze, und eine fehlerhafte Antwort kostet dich zusätzlich den erneuten Versuch. Das Ergebnis ist eine Schätzung und keine Zahl, die du in ein Budget schreiben kannst.
Fairerweise: Bei einigen tausend Namen ist ein allgemeines Modell so günstig, dass all das keine Rolle spielt. Der Kipppunkt kommt mit der Menge — und früher, als der Tokenpreis vermuten lässt, weil die Entwicklungsarbeit für Bündelung, Retries und Prüfung der Ausgabe bei einem Abfrage-Endpoint komplett wegfällt.
Reproduzierbarkeit: der Punkt, der meist entscheidet
Wenn du eine Kundenliste zweimal genderst und zwei verschiedene Ergebnisse bekommst, hast du ein Problem, das du nicht erklären kannst: Welcher Durchlauf war richtig, was hat sich geändert, und was sagst du der Person, die letzten Monat mit „Herr“ und diesen Monat mit „Frau“ angeschrieben wurde.
Eine Abfrage ist deterministisch. Derselbe Name mit demselben Land liefert dasselbe Geschlecht, dieselbe Wahrscheinlichkeit und dieselbe Stichprobengröße. Wenn die zugrunde liegenden Daten wachsen, wächst die Stichprobengröße mit — sichtbar, in der Antwort — eine Änderung ist also etwas, auf das du zeigen kannst, und nicht etwas, das einfach passiert ist.
Eine generierte Antwort gibt diese Garantie nicht. Temperature, eine neue Modellversion, ein umformulierter System-Prompt, eine Sicherheitsanpassung, von der dir niemand erzählt hat: Jedes davon kann einen Grenzfall umkippen, und keines hinterlässt eine Spur in deinen Daten.
Jede Antwort bringt ihre Belege mit
Eine einzelne Anfrage an den v2-Endpoint:
POST https://gender-api.com/v2/gender/by-first-name
{ "first_name": "Sandra" }{
"input": { "first_name": "Sandra" },
"details": {
"credits_used": 1,
"samples": 464,
"country": null,
"first_name_sanitized": "sandra",
"duration": "436ms"
},
"result_found": true,
"first_name": "Sandra",
"probability": 0.85,
"gender": "female"
}Zwei Felder leisten, was keine generierte Antwort bietet. „samples“ ist die Zahl der Beobachtungen, auf denen die Antwort beruht, und „probability“ ist deren weiblicher Anteil. Zusammen kannst du damit deine eigene Grenze ziehen — Ergebnisse über 0.9 mit ordentlicher Stichprobe übernehmen, den Rest in die manuelle Prüfung geben — statt für deine ganze Datenbank ein einziges Konfidenzniveau zu akzeptieren.
Vollständige Referenz: die v2-API-Dokumentation.
Derselbe Name ist nicht überall dasselbe Geschlecht
Andrea ist in Italien überwiegend männlich und in Deutschland überwiegend weiblich. Jean ist in Frankreich männlich und im englischsprachigen Raum größtenteils weiblich. Nikita ist in Russland männlich und sonst meist weiblich. Das sind keine exotischen Randfälle — das sind gewöhnliche Namen in gewöhnlichen Kundenlisten.
Fragst du ein allgemeines Modell ohne Land, bekommst du die Lesart, die in seinem Trainingstext überwog — praktisch also die englischsprachige. Die API nimmt das Land explizit:
Eine Locale (en_US) oder die IP-Adresse des Besuchers funktionieren genauso, und für die umgekehrte Frage gibt es einen eigenen Endpoint — aus welchem Land ein Name kommt.
DSGVO — und wohin die Namen, die du schickst, tatsächlich gehen
Vornamen echter Kunden sind personenbezogene Daten, das ist also eine Frage für den Einkauf und keine Fußnote. Was wir klar sagen können:
- Wir sind ein deutsches Unternehmen; alle unsere Server stehen in Deutschland und die Daten werden innerhalb der EU verarbeitet.
- Einen Auftragsverarbeitungsvertrag kannst du in deinem Konto anfordern.
- Server-Logs enthalten den übermittelten Namen und werden aus Abrechnungsgründen 14 Tage aufbewahrt.
- Hochgeladene CSV- und Excel-Dateien werden verschlüsselt gespeichert und nach zehn Tagen gelöscht.
- Jeder Kauf erzeugt eine korrekte Rechnung mit MwSt., und EU-Umsatzsteuer-IDs werden richtig behandelt.
Ob ein bestimmter Modellanbieter für dieselben Daten akzeptabel ist, ist eine Frage für deinen Datenschutzbeauftragten — aber eine längere, und eine, die du jedes Mal neu stellen musst, wenn der Anbieter einen Subunternehmer wechselt. Unsere Antworten stehen in der Datenschutzübersicht.
Wann ChatGPT die bessere Wahl ist
Diese Seite wäre nicht lesenswert, wenn die Antwort immer „kauf die API“ wäre. Ist sie nicht:
- Eine einmalige Aufgabe. Vierzig Namen in einer Tabelle, keine Pipeline, niemand wird das je wiederholen.
- Du willst die Begründung und nicht das Label — die Herkunft eines Namens, seine Varianten, wie er üblicherweise abgekürzt wird, wie man jemanden in einer bestimmten Kultur höflich anspricht.
- Namen, die keine Datenbank hat: Neuschöpfungen, erfundene Figuren, Transliterationen, die in keinem Register stehen. Ein Modell trifft eine vernünftige Vermutung, wo eine Abfrage einfach nichts hat.
- Du brauchst als Ergebnis freien Text und kein Feld — eine Anredezeile statt einer Geschlechtsspalte.
Das ist nicht großzügig gemeint, wir nutzen sie genauso: Die Beschreibungen zur Namensherkunft auf unseren eigenen Namensseiten werden von einem Sprachmodell erzeugt, weil ein Sprachmodell genau darin gut ist.
Am besten beides: Lass das Modell die API aufrufen
Wenn du schon auf einem LLM aufbaust, musst du dich nicht entscheiden. Moderne Modelle rufen Werkzeuge auf, und eine Geschlechtsabfrage ist ein ideales Werkzeug: eine enge Frage mit einer sachlichen Antwort, für die das Modell keine Daten hat.
Wir stellen einen gehosteten MCP-Server bereit, damit jeder MCP-fähige Assistent oder Agent die Datenbank direkt abfragen kann. Seine Tools sind query_first_name, query_full_name, query_email, get_country_of_origin und get_statistics.
Für eigene Tool-Definitionen gibt es offizielle Clients für neun Sprachen (PHP, Python, Node, Java, Go, Ruby, Rust, Perl, .NET), eine OpenAPI-Beschreibung und unter /skill.md eine prompt-fertige Anleitung, die du direkt an einen Coding-Assistenten geben kannst.
Genau diese Arbeitsteilung ist der Punkt: Das Modell entscheidet, was zu tun ist, die Datenbank entscheidet, was wahr ist.
Häufige Fragen
Kann ChatGPT das Geschlecht eines Namens bestimmen?
Ja, und bei verbreiteten Vornamen liegt es meist richtig. Was es nicht kann: dir sagen, auf wie vielen Datensätzen die Antwort beruht, dieselbe Antwort zweimal garantieren oder für denselben Namen in einem anderen Land eine andere Antwort geben. Außerdem antwortet es bei Namen, die es nie gesehen hat, genauso überzeugt — und genau dieser Fehlerfall zählt in großem Maßstab.
Ist eine Gender-API genauer als ein LLM?
Für einen Namen, der in einer Namensdatenbank steht, ist eine Abfrage schon von der Konstruktion her genau: Sie gibt die beobachtete Verteilung wieder und nicht eine Schlussfolgerung. Bei einem unbekannten Namen ist keiner der beiden Wege verlässlich — aber nur die Abfrage sagt es. Der belastbare Unterschied ist keine einzelne Genauigkeitsangabe, sondern dass jede Abfrage mit einer Stichprobengröße und einer Wahrscheinlichkeit kommt, für die du einen Schwellenwert setzen kannst.
Was kostet es, das Geschlecht von einer Million Namen zu bestimmen?
Bei Gender-API kostet eine Abfrage ein Credit, eine Million Namen ist also ein fester, bekannter Betrag — rund €349 netto zu unserem besten veröffentlichten Mengenpreis, auf einer Rechnung mit MwSt., vereinbart bevor du anfängst. Bei einem LLM zahlst du pro Token für jede Anfrage und jeden erneuten Versuch, die Rechnung hängt also von deiner Prompt-Länge ab und lässt sich nur schätzen.
Kann ich ein LLM und eine Gender-API zusammen nutzen?
Ja, und das ist die beste Kombination. Gib dem Modell die API als Werkzeug — wir stellen genau dafür einen gehosteten MCP-Server bereit — dann kommt das Label aus der Datenbank und die Formulierung vom Modell. Das Modell rät nicht mehr bei Fakten, für die es keine Daten hat.
Hat derselbe Name in jedem Land dasselbe Geschlecht?
Nein, und genau daran scheitert ein LLM-Prompt ohne Landesangabe. Andrea ist in Italien überwiegend männlich und in Deutschland überwiegend weiblich; Jean ist in Frankreich männlich und im englischsprachigen Raum größtenteils weiblich. Die API nimmt ein Land, eine Locale oder eine IP-Adresse und antwortet für dieses Land.
Was passiert bei einem Namen, den die Datenbank nicht kennt?
Du bekommst result_found: false oder eine niedrige Wahrscheinlichkeit bei kleiner Stichprobe. Das ist ein Signal, mit dem du arbeiten kannst — schick diese Datensätze in die manuelle Prüfung oder greif auf ein Modell zurück. Eine generierte Antwort gibt dir dieses Signal nicht.
Ist Gender-API DSGVO-konform?
Wir sind ein deutsches Unternehmen, alle Server stehen in Deutschland und die Daten werden innerhalb der EU verarbeitet. Einen Auftragsverarbeitungsvertrag kannst du in deinem Konto anfordern. Server-Logs, die den übermittelten Namen enthalten, werden aus Abrechnungsgründen 14 Tage aufbewahrt; hochgeladene CSV- und Excel-Dateien werden verschlüsselt gespeichert und nach zehn Tagen gelöscht.
TESTE ES MIT DEINEN EIGENEN NAMEN
Jedes Konto enthält 100 kostenlose Abfragen pro Monat — genug, um die Namen zu prüfen, bei denen ein LLM falsch lag. Ohne Kreditkarte.
API-Dokumentation · CSV- oder Excel-Datei gendern · MCP-Server
