Od języka konstruowanego, który ma być łatwy w nauce, a także – w miarę możliwości – łatwy do zrozumienia, można oczekiwać trzech rzeczy:
- podobieństwa fonologicznego do istniejących języków,
- podobieństwa ortograficznego do istniejących języków,
- ortografii, która jest prosta, tzn. fonemiczna:
- każdy znak jest jednoznaczny -- brak homografii, takiej jak w przypadku polskiego ⟨w⟩; napis ⟨warstwa⟩ czyta się /'varstfa/, czyli litera ⟨w⟩ może oznaczać i fonem /v/, i fonem /f/. Akurat tutaj różnica jest mała (dźwięczność) i naturalna, wynikająca z kontekstu. Mimo to w ortografiach innych języków zdarzają się dużo trudniejsze i mniej przewidywalne homografie. Osławione angielskie ⟨ough⟩ można czytać na kilka nieregularnych, arbitralnych spososobów: /af/, /of/, /ou/ lub /o/; ⟨tough⟩ to /taf/, ⟨cough⟩ to /kof/, ⟨though⟩ to /dhou/, ⟨thought⟩ to /thot/. Klasycznym homografem w Europie jest ⟨ch⟩: po polsku i po niemiecku to /x/, po angielsku to /t∫/, /k/ lub /∫/, a po francusku to /k/ lub /∫/.
- każdy fonem zapisuje się jednym znakiem -- brak homofonii, takiej jak polskie ⟨ó⟩ i ⟨u⟩. Pewien stopień homofonii jest niemożliwy do uniknięcia w jakimkolwiek piśmie, które używa odstępów. To kwestia czystej umowy ortograficznej, że pisze się ⟨niepalący⟩ albo ⟨nie palący⟩ – bo fonetycznie nie ma tu żadnej różnicy. Oprócz tego alfabet łaciński należy do tzw. alfabetów dwuszeregowych, tzn. rozróżniających małe i wielkie litery -- podobnie jak grecki i cyrylica, ale inaczej niż hebrajski, arabski, koreański (hangul) czy tolkienowski tengwar. Przez to trudno uniknąć arbitralnych konwencji, np. w pisowni tytułów różnych dzieł. Mimo to można trzymać homofonię w tych ryzach. To cenna uwaga dla ludzi twierdzących, że ortografia może być banalna i że da się sprowadzić do jednej reguły -- a tak robią niektórzy esperantyści, wierzący w mit 16 reguł.
Te 3 cele są często niemożliwe do pogodzenia ze sobą. Główne języki europejskie mają nieregularne ortografie -- przez co np. zachowując podobieństwo graficzne i prostą ortografię, trzeba poświęcić podobieństwo fonetyczne. Na szczęście można pogodzić ze sobą każdą parę cech. To daje 3 możliwe rozwiązania:
- Języki interlingua i interglossa poświęciły nieco prostoty ortograficznej, zachowując pozostałe dwie cechy. Przez to np. w interlingwie słowo "wykonany" to ⟨facite⟩, podobnie do wielu języków europejskich, wymawiane /fa'site/ -- również podobnie do wielu języków, ale widać tu niestandardowe użycie litery ⟨c⟩, zwykle oznaczającej /k/.
- Języki elefen i glosa poświęciły podobieństwo graficzne. Stąd np. elefen słowo "łatwy" pisze jako ⟨fasil⟩, wbrew częstej w Europie pisowni przez ⟨c⟩ (ang. facility, faciliate). Z drugiej strony elefen wymawia je jako /fasil/, zgodnie z pisownią i jednocześnie podobnie do wymowy w wielu językach.
- Esperanto przede wszystkim poświęca podobieństwo fonetyczne. Przez to np. słowo "łatwy" jest pisane ⟨facila⟩, podobne do wielu języków w Europie, ale jest czytane /fa'tsila/, dość nietypowo. To cena zapłacona za prostą ortografię. Dla esperanta podobieństwo graficzne do innych języków również jest naruszone, a ortografia też ma swoje dodatkowe komplikacje -- jak znaki diakrytyczne, dwuznaki, a w praktyce także homografię niektórych głosek.
Poświęcenie podobieństwa fonetycznego wydaje się najgorszą z tych trzech opcji. Fonetyka to ten element języka, który jest najbardziej pierwotny, podstawowy i który może dla wielu ludzi stanowić barierę nie do przejścia, nawet po latach nauki. Trudności w wypowiedzeniu pewnych głosek, jak [r], czy zbitek, jak [pt], nie da się pokonać tylko przez zapamiętywanie, tak jak w wypadku słownictwa czy gramatyki. Trudności w fonetyce mogą być głęboko zakorzenione w osobistej anatomii i neurologii, przez co użytkownicy nienatywni (L2) często nie mogą osiągnąć pełnego podobieństwa do użytkowników natywnych (L1). Fonetyka to ta warstwa języka, gdzie najtrudniej zniwelować różnice między użytkownikami różnego pochodzenia i gdzie pewne grupy mogą być najbardziej uprzywilejowane względem innych.
Tak więc jeśli jakiś język można reklamować jako neutralny, to na pewno nie esperanto, które w swojej głębokiej strukturze fonologiczno-leksykalnej niepotrzebnie łamie neutralność i równouprawnienie. Owszem, poświęcenie prostej ortografii przez języki interlingua i interglossa daje pewne przywileje użytkownikom języków europejskich. Oni często wiedzą, żeby czytać ⟨th⟩ jako /t/ i że fonem /f/ w wyrazach greckiego pochodzenia, typu "fotografia", pisze się przez ⟨ph⟩. Jednak te przywileje ortograficzne dotyczą głównie użytkowników początkujących, a nie tych na każdym etapie, jak to ma miejsce w przypadku skomplikowania fonetyki. Za to poświęcenie podobieństwa graficznego nie daje przywileju nikomu; ogranicza tylko wspomniany przywilej niektórych piśmiennych ludzi eurojęzycznych.
Widać więc, że esperanto jest językiem w dużym stopniu nieprzemyślanym, amatorskim i anachronicznym. Zamenhof podjął pewne decyzje źle i prawdopodbnie nieświadomie, nie widząc o wykluczaniu się pewnych pożądanych cech, a w wyniku przypadku jego projekt zawiera niektóre najgorsze z możliwych rozwiązań.