07.04.2025

Der rasante Wandel durch die Integration Künstlicher Intelligenz betrifft nahezu alle Branchen und revolutioniert auch die Übersetzungsindustrie. Dabei ist die Branche einschneidende Veränderungen gewohnt, denn vor nur wenigen Jahren gab es durch den Durchbruch neuronaler maschineller Übersetzung (MT) bereits eine Disruption. Seitdem hat sich MTPE – die Kombination aus MT und Post-Editing (PE) – als Methode etabliert, um maschinelle Übersetzungen auf ein professionelles Niveau zu heben. Mit dem Aufkommen von Generativer Künstlicher Intelligenz (GenAI) in Form von Large Language Models (LLMs) wie GPT, Mistral oder Llama stellt sich erneut die Frage, ob und wie sich Übersetzungsprozesse weiterentwickeln und verändern werden.

Wandel bedeutet meist auch Unsicherheiten und genau mit diesen sieht sich auch die Übersetzungsbranche konfrontiert: Laut CSA Research könnte ein technologischer Durchbruch in der KI die Wachstumsprognosen genauso positiv beeinflussen wie rechtliche Hürden, beispielsweise in Form von Klagen gegen KI-generierte Übersetzungen sie dämpfen könnten. Sicher ist lediglich, dass sich das Feld der maschinellen Übersetzung weiterentwickeln wird – mit einer Vielzahl neuer Möglichkeiten und Herausforderungen.

Als Brancheninsider werfen wir daher einen Blick auf die aktuellen Entwicklungen von MTPE und LLMs und zeigen auf, wie wir bei oneword die Technologien gezielt und sicher für unsere Kund:innen einsetzen.

Machine Translation + Post-Editing (MTPE) hat sich in der Übersetzungsindustrie als verlässlicher Standard etabliert. Hierbei werden maschinell erzeugte Übersetzungen von menschlichen Fachübersetzer:innen geprüft und nachbearbeitet, um Qualität, Genauigkeit und stilistische Kohärenz zu gewährleisten. Diese Methode bietet erhebliche Vorteile – insbesondere für große Volumina und Unternehmen, die schnelle sowie kosteneffiziente Übersetzungen benötigen.

Kontinuierliche Verbesserungen in der MT-Technologie konnten auch die Qualität maschineller Übersetzungen über die Jahre steigern. Dennoch übersetzen die Systeme nicht fehlerfrei und eignen sich längst nicht für jedes Dokument und jede Sprachkombination. Deshalb kommt der Machbarkeitsanalyse vor der maschinellen Übersetzung eine besondere Bedeutung zu. Dabei wird geprüft, ob Textsorte, Sachgebiet, Sprachkombinationen und Inhalte für eine MT-Vorübersetzung in Frage kommen und mit welchen Einsparungen durch den Einsatz zu rechnen ist. Alle Prozessbeteiligten sind damit auf der sicheren Seite, da nur solche Projekte den MTPE-Workflow durchlaufen, bei denen hierdurch wirklich Zeit und Kosten eingespart werden können. In Kombination mit weiteren Technologien wie Translation Memorys und Content- und Language-Management-Systemen sowie optimierten Quelltexten lassen sich somit smarte, kostengünstige und sichere Übersetzungsprozesse und klare Wettbewerbsvorteile etablieren.

Eine interne Erhebung von oneword zeigt, dass ein Großteil unserer Topkund:innen bereits auf maschinelle Übersetzungen setzt. Über 75 Prozent der Unternehmen aus den unterschiedlichsten Branchen nutzen oneMTPE, unsere maßgeschneiderte Lösung für den Einsatz von MT im Übersetzungsprozess. Neben der Machbarkeitsanalyse hebt sich MTPE bei oneword auch durch den detaillierten Feedbackprozess hervor, um ein kontinuierliches Monitoring und gezielte Verbesserungen zu ermöglichen. Weitere Leistungen wie die Optimierung von Quelltexten, der Einsatz sauberer Terminologiedatenbanken und Glossare sowie eine enge Verzahnung mit automatisierten Workflows zahlen auf die Effizienz des Prozesses ein. Denn nur durch eine strategische Kombination aus Technologie und menschlicher Expertise lassen sich nachhaltige Einsparungen ohne Qualitätseinbußen erzielen.

Large Language Models (LLMs) läuten eine neue Ära der Künstlichen Intelligenz ein, die deutlich über herkömmliche maschinelle Übersetzung hinausgehen kann. Im Gegensatz zu MT-Systemen wurden LLMs nicht speziell für Übersetzungen, sondern für ein allgemeines Sprachverständnis entwickelt. Sie übersetzen deshalb nicht nur innerhalb des Satzkontexts, sondern erfassen größere Zusammenhänge. Durch ihr breiteres Kontextverständnis können sie sprachliche, stilistische sowie kulturelle Nuancen besser erfassen und umsetzen.

Trotz sprachlich beeindruckender Ergebnisse haben LLMs auch deutliche Schwächen, zu denen Halluzinationen, inkonsistente Ergebnisse und die fehlende Reproduzierbarkeit in der Generierung zählen.

Auch MT-Systeme liefern seit Jahren bereits teils beeindruckende Ergebnisse. Daher lohnt sich ein vergleichender Blick auf die Vor- und Nachteile von MT und LLMs, aus denen sich auch unterschiedliche Einsatzszenarien ableiten lassen.

Der erste Blick gilt der Satzstruktur und dem Stil des Outputs: Während sich MT-Systeme strikt an die Satzstruktur halten und Kontext nur innerhalb eines Satzes verstehen und umsetzen, liefern LLMs oft idiomatischere Formulierungen, da sie größere Textzusammenhänge erfassen und über den Gesamttext hinweg auch eine stilistische Kohärenz herstellen können. Dieser Aspekt wird beim Einsatz innerhalb eines CAT-Tools etwas eingeschränkt, da die Texte durch das Tool in Einzelsätze zerlegt werden. Allerdings wird ein Text auch innerhalb von CAT-Tools nicht Satz für Satz, sondern in größeren Blöcken an das Large Language Model übermittelt.

Hinsichtlich der Fachterminologie liefert keine der beiden Systemarten konsistente Ergebnisse. Die Umsetzung hängt sowohl vom zugrundeliegenden Trainingsmaterial als auch von Wortwahrscheinlichkeiten ab. Letztere ändern sich von Satz zu Satz, abhängig von den restlichen dort verwendeten Wörtern. Sowohl in MT-Systemen als auch in LLMs ist allerdings die Einbindung von Terminologievorgaben in Form von Glossaren, Datenbanken oder Prompts möglich, sodass gewünschte Fachterminologie zuverlässig umgesetzt werden kann.

Ein klarer Vorteil von LLMs besteht bei freieren Übersetzungen oder der erneuten Bearbeitung eines zielsprachlichen Texts nach bestimmten Anweisungen. Der generierte Output kann jederzeit nochmals überarbeitet und beispielsweise an neue Stilvorgaben oder eine andere Zielgruppe angepasst werden.
MT-Systeme punkten dafür mit einer höheren Verlässlichkeit: Auslassungen oder freie Ergänzungen, wie sie bei LLMs in Form von Halluzinationen vorkommen, sind bei klassischer maschineller Übersetzung mittlerweile selten. Neben der Vollständigkeit ist der MT-Output außerdem verlässlicher reproduzierbar als bei LLMs, die meist mit jeder Anfrage ein anderes Ergebnis liefern.

Aus den genannten Fehlerquellen und den Erfahrungen mit maschinengenerierten Texten wird deutlich, dass auch für Übersetzungen aus Large Language Models eine Nachbearbeitung mittels Post-Editing unerlässlich ist. Neben der klassischen Überprüfung und Fehlerkorrektur kommt aber auch der Überarbeitung in Form von Prompting, zum Beispiel für stilistische Anpassungen des Outputs, eine große Bedeutung zu. Eine entscheidende Rolle spielt außerdem die Verwertung von Ergebnissen aus Fehler- und Feedbackanalysen. Denn anders als MT-Systeme lassen sich LLMs durch Vorgaben in Form von Prompts anleiten. Typische Fehlerquellen können also adressiert und im besten Fall beseitigt werden.

Wie bereits erwähnt, wurden LLMs im Gegensatz zu MT-Systemen nicht explizit für die Übersetzung trainiert. Durch mehrsprachiges Material haben sie diese Funktion aber quasi „nebenbei“ gelernt. Im Vergleich zur klassischen maschinellen Übersetzung decken sie allerdings ein sehr viel breiteres Spektrum für die Sprachbranche ab, z. B. automatisierte Textverarbeitung, intelligente Content-Erstellung oder KI-gesteuerte Übersetzungs- und Sprachassistenz.

LLMs eignen sich zum Beispiel besonders für:

• Content Creation (Blogartikel, Produktbeschreibungen, YouTube-Skripte, E-Mail-Kampagnen)
• Kreative Übersetzungen (Transcreation) für Marketing und Social Media
• Kontextbezogene, idiomatische und stilistische Anpassungen
• Umformulierungen und Zusammenfassungen von Inhalten

MT bleibt ideal für:

• Übersetzungen in viele unterschiedliche Sprachen
• Technische, juristische oder medizinische Übersetzungen mit hoher Präzision
• Strukturierte Texte mit klarer Terminologie
• Massenübersetzungen mit geringem Zeitrahmen, z. B. Produktbeschreibungen im E-Commerce

Es zeichnet sich ab, dass sich MT-Systeme und LLMs eher ergänzen als verdrängen werden. Gerade auch mit Blick auf die Kosten für eine Übersetzung, die bei LLMs aufgrund der tokenbasierten Abrechnung höher ausfallen können, muss von Fall zu Fall entschieden werden, welches System eingesetzt wird. Während LLMs eher bei Content Creation, Anpassungen und kreativen Übersetzungen punkten, bleibt MT die erste Wahl für strukturierte, präzise und vor allem reproduzierbare Fachübersetzungen. Wichtig für beide Technologien ist, sie in bestehende Prozesse zu integrieren und sie beispielsweise in einem hybriden Ansatz zusammen mit Translation Memorys und Terminologiedatenbanken zu nutzen. Auch das Post-Editing bleibt ein integraler Bestandteil des Prozesses, da jedes System unterschiedliche Fehlerquellen aufweist. Die menschliche Expertise – auch bei der Einschätzung der generellen Machbarkeit und bei der Verwertung von Feedback – bleibt also essenziell.

KI ist in Form von LLMs definitiv auch in der Übersetzungsbranche angekommen. Anders als viele Industrien ist unsere Branche allerdings geübt im Umgang mit disruptiven Veränderungen. Als Unternehmen beteiligt sich oneword aktiv in Expertengruppen und an Tests, um den Einsatz von LLMs für unterschiedlichste Szenarien zu bewerten und sichere KI-gestützte Übersetzungsservices zu etablieren. Unsere jahrelange Erfahrung im MTPE-Bereich, vor allem hinsichtlich der generellen Machbarkeit und der Bewertung maschineller Ergebnisse, spielen hierbei eine wichtige Rolle. In einer Welt im rasanten Wandel bieten wir Ihnen für Ihre Sprachprozesse KI-Expertise, der Sie vertrauen können.