Gender-API vs. ChatGPT: vad ska avgöra könet på ett namn?

Vad de två sakerna faktiskt är

Gender-API.com är en uppslagstjänst över en namndatabas. 9,124,598 förnamn, uppdelade efter det land de observerades i, 192 länder stöds. Du skickar ett namn och får tillbaka ett kön, en sannolikhet och antalet urval som svaret vilar på. Ingenting genereras.

ChatGPT — och varje annan allmän språkmodell — är en textgenerator. Den vet att ”Sandra” förekommer i feminina sammanhang eftersom ordet betedde sig så i träningstexten. Det är en verkligt användbar signal, och för vanliga namn ger den rätt etikett. Men det finns inget i arkitekturen som lagrar hur många Sandror i Portugal som var kvinnor, så det finns inget att citera, inget att sätta en gräns på och inget att granska.

Detta enda strukturella faktum förklarar alla praktiska skillnader nedan.

Vad kostar det att avgöra könet på en miljon namn?

Här är räknemetoden i stället för en marknadsföringssiffra, så att du kan göra om den med dagens priser.

Med ett API: En uppslagning är en credit. Vårt bästa publicerade volympris landar på omkring €0.35 per 1 000 namn, så en miljon namn kostar ungefär €349 netto — ett fast belopp, känt innan du börjar, på en faktura med moms. Credits från engångspaket blir inte ogiltiga.

Med en LLM: Du betalar per token, i båda riktningarna, för varje anrop och varje nytt försök. Att bunta ihop flera namn i en prompt sänker kostnaden per namn, men du skickar instruktionerna igen med varje bunt, långa namn och ovanliga skriftsystem kostar fler token än korta, och ett felaktigt formaterat svar kostar dig även det nya försöket. Resultatet är en uppskattning, inte en siffra du kan lägga i en budget.

För att vara rättvis: för några tusen namn är en allmän modell så billig att inget av detta spelar roll. Brytpunkten kommer med volymen — och tidigare än tokenpriset antyder, eftersom allt utvecklingsarbete kring buntning, nya försök och validering av utdata är arbete du inte behöver göra mot en uppslags-endpoint.

calculate Se volympriser

Varje svar bär sitt eget underlag

Ett enda anrop till v2-endpointen:

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"
}

Två fält gör jobbet som inget genererat svar erbjuder. ”samples” är hur många observationer svaret vilar på, och ”probability” är hur stor andel av dem som var kvinnor. Tillsammans låter de dig sätta din egen gräns — godta resultat över 0.9 med ett hyggligt antal urval och skicka resten till manuell granskning — i stället för att godta en enda säkerhetsnivå för hela din databas.

Fullständig referens: dokumentationen för API v2.

GDPR, och vart namnen du skickar faktiskt tar vägen

Förnamn på verkliga kunder är personuppgifter, så det här är en inköpsfråga och ingen fotnot. Vad vi kan säga rakt ut:

• Vi är ett tyskt företag; alla våra servrar står i Tyskland och datan behandlas inom EU.
• Ett personuppgiftsbiträdesavtal kan begäras i ditt konto.
• Serverloggar innehåller det inskickade namnet och sparas i 14 dagar, av bokföringsskäl.
• Uppladdade CSV- och Excel-filer lagras krypterat och tas bort efter tio dagar.
• Varje köp ger en korrekt faktura med moms, och EU-momsnummer hanteras rätt.

Om en viss modelleverantör är godtagbar för samma data är en fråga för ditt dataskyddsombud — men en längre fråga, och en du måste ställa på nytt varje gång leverantören byter underbiträde. Våra svar finns i integritetsöversikten.

Bäst är båda: låt modellen anropa API:et

Bygger du redan på en LLM behöver du inte välja. Moderna modeller anropar verktyg, och en könsuppslagning är ett idealiskt verktyg: en smal fråga med ett faktasvar som modellen inte har data för.

Vi publicerar en hostad MCP-server så att vilken MCP-kapabel assistent eller agent som helst kan fråga databasen direkt. Dess verktyg är query_first_name, query_full_name, query_email, get_country_of_origin och get_statistics.

För dina egna verktygsdefinitioner finns officiella klienter för nio språk (PHP, Python, Node, Java, Go, Ruby, Rust, Perl, .NET), en OpenAPI-beskrivning och på /skill.md en färdig implementationsguide som du kan ge direkt till en kodassistent.

Just den arbetsfördelningen är poängen: modellen bestämmer vad som ska göras, databasen bestämmer vad som är sant.