Maschinelle Übersetzung & Lokalisierung

Jede Organisation, die über Sprachgrenzen hinweg verkauft, betreut oder verwaltet, muss übersetzen: Verträge, Handbücher, Websites, App-Oberflächen, Produktdaten, Tickets und amtliche Schreiben. Übersetzungsbüros sind langsam und teuer, und kostenlose Verbraucherwerkzeuge geben vertrauliche Daten preis. Aktuelle neuronale Übersetzungssysteme und LLMs liefern in Sekunden Entwürfe auf fast professionellem Niveau. Glossare, Übersetzungsspeicher und automatische Qualitätsschätzung halten die Terminologie einheitlich und zeigen, welche Segmente noch ein Mensch prüfen muss. Offen ist nicht mehr, ob maschinelle Übersetzung gut genug ist. Offen ist, welche Inhalte ungeprüft hinausgehen dürfen und welche weiterhin eine fachliche Nachbearbeitung oder eine beglaubigte menschliche Übersetzung brauchen.

Problem & Nutzen

• Heute: KMU zahlen entweder Agenturen pro Wort bei Durchlaufzeiten von Tagen, oder Beschäftigte kopieren Text in kostenlose Web-Übersetzer. Die zweite Variante ist ein Problem für DSGVO und Geschäftsgeheimnisse. Großunternehmen betreiben Übersetzungsmanagementsysteme (TMS) mit Agentur-Workflows, doch das Inhaltsvolumen (Support, E-Commerce, UI-Releases, interne Kommunikation) wächst schneller als die Budgets.
• KI-Nutzen: sofortige erste Entwürfe, einheitliche Terminologie in allen EU-Sprachen, kontinuierliche Lokalisierung in Software-Release-Prozessen und mehrsprachiger Kundenservice ohne Muttersprachler für jede Sprache. Sprachexperten wechseln vom Übersetzen zum Nachbearbeiten und zur Qualitätsprüfung.
• Qualitätsniveau (belegt): In der allgemeinen MT-Aufgabe der WMT25 bewerteten professionelle Annotatoren 60 Systeme auf bewusst schwierigen Testmengen auf Dokumentebene. Gemini 2.5 Pro lag bei 14 von 16 Sprachpaaren im Spitzencluster und war bei 10 davon gleichauf mit oder besser als die menschliche Referenzübersetzung. Die menschlichen Referenzen schafften es nur bei 6 von 15 Paaren in den Gewinnercluster [1]. Dieselbe Studie stellte fest, dass sich selbst die besten Systeme mit nicht standardisierter Eingabe, Fachterminologie und grammatischer Geschlechtsübereinstimmung noch schwertun und dass automatische Metriken Systeme ganz anders einordnen können als Menschen [1].

Varianten

• Gisting / interne Kommunikation: E-Mails, Chats, Intranet-Seiten; rohe maschinelle Übersetzung ist meist ausreichend.
• Dokumentübersetzung mit Layout: Verträge, Angebote, Präsentationen und PDFs, bei denen die Formatierung erhalten bleibt (DeepL Document, Google Cloud Translation Document API, Azure Document Translation).
• Lokalisierung von Website, Shop & Produktdaten: CMS-/PIM-Anbindungen, SEO-Schlüsselwörter je Markt sowie länderspezifische Einheiten und Formate. In Kombination mit LANG-001/LANG-005 für die Transkreation von Werbetexten.
• Software- & App-Lokalisierung (Entwicklervariante): kontinuierliche Lokalisierung von Textdateien in CI/CD über Lokalise, Crowdin, Phrase Strings oder das selbst betriebene Weblate, mit Prüfungen auf Platzhalter und Textlänge.
• Regulierte technische Inhalte: Betriebsanleitungen und Sicherheitshinweise für Maschinen in allen EU-Sprachen (Maschinenverordnung 2023/1230) sowie Gebrauchsanweisungen/Kennzeichnung für Medizinprodukte (MDR). Maschinelle Übersetzung plus verpflichtende fachliche Prüfung, gespeist aus dem CCMS (siehe LANG-022).
• Rechts-, Finanz- und Patentübersetzung: Nachbearbeitung durch Fachexperten. Beglaubigte Übersetzungen für Gerichte und Behörden müssen von vereidigten menschlichen Übersetzern angefertigt werden.
• Öffentlicher Sektor: mehrsprachige Bürgerinformation, Übersetzung eingehender Anträge und Schreiben sowie das EU-geförderte eTranslation, das für berechtigte öffentliche Verwaltungen, KMU, Hochschulen und NGOs in der EU kostenlos ist [8].
• Bild-/Scan-Übersetzung: OCR + maschinelle Übersetzung oder VLM-basierte Übersetzung von Text in Bildern (TranslateGemma akzeptiert Bildeingabe) [3][4].
• Private Nutzung: Browser- und Smartphone-Übersetzung. Firefox Translations führt Marian-basierte Modelle lokal im Browser aus [11]. Eine vollständig lokale Lösung beschreibt PERS-005.
• Nachbarn, keine Varianten: Sprach-zu-Sprach-Dolmetschen → SPEECH-003; Untertitel → SPEECH-004; KI-Synchronisation → SPEECH-007; Leichte Sprache (Easy Read) → LANG-010; Gebärdensprache → LANG-030.

So funktioniert es

1. Eingang (Datei, CMS/PIM/Repo-Konnektor, API-Aufruf, Chat-Nachricht)
2. Parsing & Segmentierung (Okapi/XLIFF-Filter, Tags & Platzhalter geschützt; OCR/VLM für Scans)
3. PII-/Geheimhaltungsprüfung (sensible Inhalte an EU- oder On-Prem-Engine leiten; optionale Pseudonymisierung DOC-018)
4. TM-Abgleich (exakte / unscharfe Treffer wiederverwendet)
5. MT-Engine (NMT oder LLM) mit Glossar, Anredeform, Stilregeln und Dokumentkontext
6. automatische QS (Terminologie, Zahlen, Tags, Längenlimits) + Qualitätsschätzung (QE) je Segment
7. Routing: hohe QE
8. veröffentlichen | mittlere
9. Post-Editing (Human-in-the-Loop) | niedrige/kritische
10. menschliche Übersetzung
11. Prüfung im CAT-Tool / TMS, Korrekturen aktualisieren TM & Termbank
12. Rückgabe an das Quellsystem + Qualitätsberichte

• Systeme: Spezialisierte neuronale Übersetzungssysteme (NMT; DeepL, Google, Microsoft, Amazon, Language Weaver, Systran) sind schnell und pro Zeichen günstig. LLMs (Gemini, GPT, Claude, Mistral) sind besser bei Dokumentkontext, Tonalität, Anweisungen ("Markenstimme beibehalten, Sie-Form verwenden") und seltenen Sprachpaaren, sind aber langsamer und brauchen Schutzmaßnahmen gegen Auslassungen und Hinzufügungen. Viele TMS-Plattformen leiten jeden Auftrag inzwischen an das beste System für Sprachpaar und Fachgebiet weiter.
• Qualitätsschätzung (referenzfreie Metriken wie CometKiwi, xCOMET, MetricX-QE oder LLM-as-a-Judge mit MQM-/ESA-Fehlerkategorien) entscheidet, welche Segmente ein Mensch sehen muss [5][3].
• Mensch-in-der-Schleife (Human-in-the-Loop): Nachbearbeiter (Workflow nach ISO 18587) für veröffentlichte und regulierte Inhalte, Terminologieverantwortliche für das Glossar und die abschließende Freigabe durch Fachexperten bei juristischen, medizinischen und sicherheitsrelevanten Texten.

Datenaufbereitung

Die typische Eingabe liegt an mehreren Orten: Word- und PowerPoint-Dateien auf Dateiservern, Webinhalte im CMS, Produktdaten im ERP oder PIM, Software-Texte in Repositories und alte Übersetzungen in den Postfächern von Agenturen und Mitarbeitenden. Das wertvollste Gut fehlt oft: ein sauberer Übersetzungsspeicher und eine Terminologiedatenbank.

Typische Lücken sind gescannte PDFs ohne Text, layoutlastige Dokumente, mehrere Versionen derselben Datei, uneinheitliche Produktnamen in den Sprachen und kein freigegebenes Glossar. Auch Zugriffsrechte spielen eine Rolle, denn Verträge und Personaltexte dürfen nicht in ein Verbraucherwerkzeug gelangen.

Aufbereitungsschritte: 1. Erfassen, was pro Jahr in welchen Formaten und Sprachen übersetzt wird (siehe PREP-001). 2. OCR auf gescannte Originale anwenden (PREP-006, DOC-014). 3. Alte zweisprachige Dokumente und Agenturlieferungen mit einem Alignment-Werkzeug in TMX exportieren und Dubletten entfernen. 4. Ein kurzes Glossar mit 100 bis 300 Marken- und Produktbegriffen aufbauen (PREP-015) sowie einen Styleguide je Sprachraum. 5. Dokumente nach Vertraulichkeit klassifizieren (PREP-024), damit sensible Dokumente an ein freigegebenes Werkzeug geleitet werden.

Aufwand: etwa 20 bis 30 Prozent des Projekts, überwiegend für Glossar und Übersetzungsspeicher. Ein Pilot funktioniert auch ohne beides, doch Qualität und Einheitlichkeit verbessern sich sichtbar, sobald sie vorhanden sind.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A, weil ausgereifte, in der EU gehostete MT-Produkte mit Glossar und Dokumentformaten zu KMU-tauglichen Preisen existieren und Übersetzung ein Standardprozess ist.
• Großunternehmen: Weg B, weil der Nutzen daraus entsteht, maschinelle Übersetzung, Übersetzungsspeicher und Qualitätsschätzung mit konfidenzbasierter Weiterleitung in die CMS-, PIM- und TMS-Landschaft einzubinden.
• Entwickler: Weg B, weil sich MT-APIs direkt in i18n- und CI-Prozesse für Software-Texte einfügen.
• Privat: Weg A, weil Verbraucher- und Browser-Übersetzer den Bedarf ohne Einrichtung abdecken.
• Öffentlicher Sektor: Weg C, weil Souveränität, Vergaberegeln und vertrauliche Fallunterlagen für Open-Weight-Übersetzung auf deutscher oder EU-Infrastruktur sprechen.

Weg A — Kaufen (Standardsoftware, für die meisten KMU empfohlen)

• MT-Produkte: DeepL (Deutschland, Köln) Pro/API mit Glossaren, Stilregeln, Dokumentübersetzung, DeepL Voice und DeepL Agent (allgemein verfügbar seit Nov. 2025) [6][7][13]. Microsoft Translator und Google Translate innerhalb von Microsoft 365 und Workspace. EU-Optionen: Systran (Frankreich), Pangeanic (Spanien) und das kostenlose eTranslation der Kommission [8].
• Übersetzungsmanagement-/Lokalisierungsplattformen: Phrase (Phrase TMS, Strings, Language AI), memoQ (Ungarn/EU), RWS Trados und Language Weaver, XTM, Smartling, Lokalise, Crowdin. Unbabel (Portugal) verbindet maschinelle Übersetzung, Qualitätsschätzung und menschliche Nachbearbeitung als Managed Service.
• Prüfen: Datenverarbeitung in der EU und AVV; kein Training mit Kundendaten (DeepL Pro gibt an, dass Texte ohne Einwilligung weder gespeichert noch für Training genutzt werden [6]); Glossarunterstützung; Dateiformat-Filter; SSO; Anbindungen an CMS, PIM und Git.
• A wählen, wenn: Sie Büro- und Dokumentübersetzung, Website-/App-Lokalisierung über Standardanbindungen oder einen kombinierten Workflow aus maschineller Übersetzung und Agentur brauchen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• NMT-APIs: DeepL API (Text, Dokument, Glossar, Anredeform), Azure AI Translator (EU Data Boundary, eigene Glossare), Google Cloud Translation (Advanced, adaptive Übersetzung), Amazon Translate (Region Frankfurt).
• LLM-APIs für kontextbewusste oder stilgebundene Übersetzung: Mistral (EU-Anbieter), Gemini auf Vertex AI in EU-Regionen, Azure OpenAI in EU-Datenzonen, Claude über Cloud-Plattformen in EU-Regionen. Glossarbegriffe, die vorherigen Segmente und den Styleguide im Prompt mitgeben; strukturierte Ausgabe nutzen, um die Segmentzuordnung zu erhalten.
• Orchestrierung: n8n oder Make für die Übersetzung von E-Mails und Tickets; GitHub Actions mit der Crowdin- oder Lokalise-CLI für Textdateien; Okapi Framework für die Dateikonvertierung von und nach XLIFF. Einen QE-Schritt (COMET-Modelle oder ein LLM als Bewerter) zur Weiterleitung der Segmente ergänzen.
• B wählen, wenn: Übersetzung in das eigene Produkt, Ticketsystem oder Portal eingebettet werden muss oder Sie die Auswahl des Systems je Sprachpaar steuern wollen.

Weg C — Selbst betreiben (Open Source)

• Open-Weight-Übersetzungsmodelle: TranslateGemma 4B/12B/27B (Gemma-Lizenz, 55 Sprachen, Bildeingabe, 2K-Token-Kontext) [3][4]; EuroLLM-22B und EuroLLM-9B (EU-Konsortium, alle 24 Amtssprachen der EU plus 11 weitere, vollständig offene Veröffentlichung) [9]; Tower+ (Unbabel, auf Qwen2.5 basierend, 2B/9B/72B, aber CC-BY-NC, also nur nicht kommerziell nutzbar) [10]; Tencent Hunyuan-MT (der WMT25-Beitrag war das beste eingeschränkte System in der menschlichen Bewertung und gewann 11 Sprachpaare) [1]. Auch allgemeine mehrsprachige LLMs wie Qwen3, Mistral Small oder Gemma 3 funktionieren für die großen EU-Sprachen gut.
• Klassische NMT auf CPU: Marian NMT (MIT-Lizenz) und OPUS-MT-Modelle, CTranslate2 für schnelle Inferenz, LibreTranslate/Argos Translate (AGPL-3.0) als fertige, selbst betriebene API [12][14]. Meta NLLB-200 deckt etwa 200 Sprachen ab, steht aber unter CC-BY-NC und ist als "Forschungsmodell, nicht für den Produktivbetrieb" gekennzeichnet [15].
• Technischer Aufbau: vLLM oder Ollama für den LLM-Betrieb; Weblate (selbst betriebene Lokalisierungsplattform) oder ein TMS mit eigener MT-Anbindung; COMET/CometKiwi für die Qualitätsschätzung [5]; Qdrant/pgvector, um Beispiele aus Übersetzungsspeicher und Glossar in den Prompt einzuspielen.
• Hardware: HW1 (CPU-Server) genügt für Gisting mit Marian/Argos. HW2 (eine GPU mit 24–32 GB) betreibt TranslateGemma-12B oder EuroLLM-9B für Dokumentvolumen in Teamgröße. HW3 wird für Modelle von 27B–72B oder hohen Durchsatz benötigt.
• C wählen, wenn: Inhalte unter die berufliche Schweigepflicht fallen (§203 StGB: Rechtsanwälte, Ärzte, Steuerberater), Verschlusssachen oder Verteidigungsmaterial sind oder es um betriebsratssensible Personaltexte geht.

Weg D — Eigenes Training

Lohnt sich bei einem großen, sauberen, fachspezifischen Übersetzungsspeicher (typischerweise Hunderttausende Segmentpaare oder mehr) und wiederkehrenden Inhalten: Technik, Pharma, Recht, Patente oder die eigene Produktsprache eines Unternehmens. Optionen: DeepL-Glossare und Stilregeln (ohne Training); Funktionen für eigene Modelle in Azure Custom Translator und Google AutoML Translation; oder LoRA-Feintuning eines offenen Modells (EuroLLM, TranslateGemma, Qwen) mit Daten aus dem Übersetzungsspeicher plus Nachbearbeitungen. Das Rezept von TranslateGemma, überwachtes Feintuning gefolgt von Reinforcement Learning mit QE-Belohnungsmodellen, zeigt den Stand der Technik [3]. Den Übersetzungsspeicher zuerst bereinigen, denn falsch ausgerichtete und veraltete Segmente schaden mehr, als sie nützen.

Stand der Technik (2026)

• LLMs führen bei der Gesamtqualität: In der WMT25 schlugen führende LLMs (Gemini 2.5 Pro an der Spitze) die meisten spezialisierten Systeme in der menschlichen Bewertung, und die Mehrheit der teilnehmenden Teams baute ihre Systeme auf feingetunten LLMs auf [1].
• Kleine spezialisierte Modelle schließen die Lücke: TranslateGemma-12B übertrifft das größere Gemma-3-27B-Basismodell auf WMT24++ (MetricX) [3]. Tencents Hunyuan-MT und EuroLLM zeigen, dass Modelle mit 7–22B Parametern wettbewerbsfähige Qualität erreichen können, was maschinelle Übersetzung On-Premises auf einer einzelnen GPU realistisch macht [1][9].
• Übersetzung auf Dokumentebene und multimodal: Die WMT wechselte zu Testmengen mit ganzen Dokumenten und Quellen aus Sprache und Screenshots [1]. Systeme nutzen zunehmend den gesamten Dokumentkontext statt isolierter Sätze.
• Agentische Lokalisierung: TMS-Anbieter und DeepL (DeepL Agent, allgemein verfügbar seit Nov. 2025) gehen vom Übersetzen einzelner Segmente zu mehrstufigen Abläufen über: übersetzen, Terminologie prüfen, Qualitätssicherung, Datei zurückspielen [13].
• Bewertung: ESA-/MQM-Protokolle mit menschlichen Bewertern und gelernte Metriken (xCOMET, MetricX, CometKiwi) sind Standard. Die WMT25 zeigt, dass auf eine automatische Metrik hin optimierte Systeme die automatischen Ranglisten anführen und in der menschlichen Bewertung dennoch deutlich zurückfallen können. Validieren Sie deshalb immer mit menschlicher Prüfung Ihrer eigenen Inhalte [1].
• Grenzen und Fehlerbilder: Auslassungen und erfundene Ergänzungen (LLMs), falsche Terminologie, Fehler bei Geschlecht und Anredeform, zerstörte Tags und Platzhalter, Zahlen und Einheiten, Sprachen mit wenigen Daten, durch Spracherkennung verrauschte Eingaben und übermäßig flüssige Ausgabe, die Bedeutungsfehler verdeckt. Rohe maschinelle Übersetzung darf für Sicherheitshinweise, Verträge oder medizinische Inhalte nicht ohne fachliche Prüfung verwendet werden.

Gemeinsame Bausteine & Kombinationen

• Gemeinsame Bausteine: Die Fähigkeit translation (DeepL-/Azure-API oder ein selbst betriebener TranslateGemma-/EuroLLM-Server) bedient LANG-008 (mehrsprachige Zusammenfassungen), LANG-010 (Vereinfachungs-Pipelines), LANG-011 (Korrektorat nach der Nachbearbeitung), CONV-001 und KNOW-002 (mehrsprachiger Chat und RAG), SPEECH-003/SPEECH-004/SPEECH-007 (Ketten aus ASR → MT → TTS) und LANG-030.
• Eine GPU, viele Verwendungen: Eine einzelne HW2-GPU mit vLLM und einem mehrsprachigen LLM kann für ein KMU Übersetzung, Zusammenfassung (LANG-008) und Umformulierung (LANG-011) übernehmen. ocr-docparse wird mit DOC-014 für gescannte Quellen geteilt und mit DOC-026 für barrierefreie mehrsprachige PDFs.
• Datenbestände: Übersetzungsspeicher und Terminologiedatenbank sind wiederverwendbare Unternehmenswerte. Sie speisen die Markenstimme (LANG-001/LANG-005), die technische Redaktion (LANG-022), die kreative Versionierung über Märkte hinweg (GEN-004) und Embeddings für die mehrsprachige Suche.
• Datenschutzschicht: Anonymisierung nach DOC-018 vor externen Systemen; guardrails für die Weiterleitung nach PII.
• Privat: PERS-008 (fremdsprachige amtliche Schreiben), PERS-005 (lokaler Assistent).

Aufwand, Kosten & Kennzahlen

• Weg A: Tage. Abonnements pro Nutzer oder API-Preise pro Zeichen; TMS-Lizenzen pro Arbeitsplatz oder Wortvolumen.
• Weg B: 2–6 Wochen für eine Integration mit Glossar, QE-Weiterleitung und Anbindungen. Die Kosten hängen von Zeichen/Tokens und vom Anteil menschlicher Nachbearbeitung ab.
• Weg C: 1–2 Monate einschließlich Modellbewertung je Sprachpaar; ein GPU-Server plus Modellaktualisierungen und Überwachung.
• Weg D: 2–4 Monate, überwiegend für die Bereinigung des Übersetzungsspeichers und menschliche Bewertung.
• Kennzahlen: Nachbearbeitungsaufwand (Editierabstand / Zeit pro Segment), MQM-Fehlerrate pro 1.000 Wörter, Anteil der Segmente, die ohne Änderung veröffentlicht werden, Durchlaufzeit, Kosten pro Wort im Vergleich zur Agentur, Einhaltung der Terminologie, Anzahl bedienter Sprachen und Kundenbeschwerden über die Sprachqualität.

Menschen & Veränderung

Beziehen Sie zuerst die Geschäftsleitung ein, für das Budget und die Regel, welche Dokumente maschinell übersetzt werden dürfen. Die Fachbereichsleitung (Marketing, Support, Recht) verantwortet das Glossar und entscheidet, welche Inhalte menschlich nachbearbeitet werden müssen. IT und die Datenschutzbeauftragte(r) prüfen vor dem Pilot Hosting, AVV und Aufbewahrung; für Verträge und personenbezogene Daten braucht es eine klare Regel. Die Rechtsabteilung legt fest, welche Texte immer eine menschliche Prüfung erhalten.

Betriebsrat: kommt darauf an. Ein einfaches Übersetzungswerkzeug ohne Auswertung je Nutzer löst selten § 87 Abs. 1 Nr. 6 BetrVG aus, eine Cloud-Suite oder ein CAT-Werkzeug, das Nutzeraktivitäten protokolliert, kann es aber, weil das Bundesarbeitsgericht (BAG) die objektive Eignung zur Überwachung genügen lässt. Informieren Sie den Betriebsrat rechtzeitig nach § 90 Abs. 1 Nr. 3, wenn sich Arbeitsabläufe ändern; die Stellen der Übersetzer sind der sensible Punkt. Öffentliche Stellen beziehen den Personalrat ein.

KI-Kompetenz: Unterstützen Sie die Mitarbeitenden mit einer kurzen Schulung zu den Grenzen (falsche Freunde, Zahlen, Rechtsbegriffe) und dazu, was nie in kostenlose Werkzeuge eingefügt werden darf; Art. 4 der KI-Verordnung (AI Act) verlangt von Arbeitgebern, KI-Kompetenz zu fördern, siehe GUIDE-006. Kommunizieren Sie, dass Übersetzer zur Nachbearbeitung und Qualitätskontrolle wechseln und nicht arbeitslos werden (GUIDE-008). Wählen Sie als Pilotgruppe zwei bis drei sprachaffine Nutzer, messen Sie den Editierabstand und behalten Sie die menschliche Freigabe für Verträge, juristische und sicherheitsrelevante Texte bei. Eine Unternehmensrichtlinie (GUIDE-007) hält Schatten-Werkzeuge fern.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko. Übersetzung ist weder eine Kategorie nach Anhang III noch eine Praxis nach Art. 5; die Pflicht zur KI-Kompetenz (Art. 4) gilt. Die Kennzeichnungspflichten nach Art. 50 Abs. 2 für synthetischen Text gelten ab dem 2. August 2026 für Anbieter generativer Systeme, nehmen aber Systeme aus, die eine unterstützende Funktion für die Standardbearbeitung ausüben oder die Eingabe bzw. deren Bedeutung nicht wesentlich verändern [2]. Ob LLM-Übersetzung unter diese Ausnahme fällt, ist nicht geklärt; Anbieter auf Basis von GPAI-Modellen sollten dem Verhaltenskodex folgen. Ist die Übersetzung Teil eines Hochrisiko-Systems (z. B. Übersetzung von Bewerber-Lebensläufen für die Vorauswahl im Personalwesen oder bei Leistungsentscheidungen), gelten die Hochrisiko-Pflichten dieses Systems.
• DSGVO: E-Mails, Personalakten, medizinische und juristische Texte enthalten personenbezogene Daten. Nutzen Sie einen AVV, Verarbeitung in der EU und Klauseln gegen Training, und verbieten Sie kostenlose Verbraucherwerkzeuge für geschäftliche Inhalte. Setzen Sie für besondere Kategorien personenbezogener Daten (Art. 9) und für Berufsgeheimnisträger (§203 StGB) Systeme On-Premises ein.
• Branchenregeln: Maschinenverordnung 2023/1230 und IEC/IEEE 82079-1 (Anleitungen in der Amtssprache bzw. den Amtssprachen des Landes des Nutzers). MDR Art. 10 Abs. 11 und Anhang I Abschnitt 23 (Gebrauchsanweisung und Kennzeichnung in den vorgeschriebenen Sprachen; der Hersteller bleibt für die Richtigkeit verantwortlich). Pharmazeutische Produktinformationen (EMA-QRD-Vorlagen). Gerichts- und Behördendokumente erfordern vereidigte Übersetzer. Qualitätsnormen: ISO 17100 (Übersetzungsdienstleistungen) und ISO 18587 (Nachbearbeitung maschineller Übersetzung).
• Typische Risiken & Gegenmaßnahmen: Bedeutungsfehler in sicherheitskritischen Texten → verpflichtende fachliche Prüfung; Terminologie-Drift → verbindliche Glossare und automatische Prüfungen; Prompt Injection bei der LLM-Übersetzung nicht vertrauenswürdiger Texte → strenge System-Prompts und Ausgabeprüfungen; Offenlegung von Geheimnissen → Auswahl des Systems nach Sensibilitätsklasse; Irreführung der Nutzer → maschinell übersetzte Seiten kennzeichnen ("automatisch übersetzt"), wenn der Text nicht geprüft wurde.

Erste Schritte

1. Übersetzungsinhalte nach Art und Risiko erfassen: Gisting, intern, veröffentlicht sowie reguliert oder juristisch. Festlegen, welche Klassen als rohe maschinelle Übersetzung hinausgehen dürfen, welche eine Nachbearbeitung brauchen und welche eine menschliche Übersetzung.
2. Die Schatten-Nutzung kostenloser Werkzeuge beenden. Ein freigegebenes System einführen (DeepL Pro/API, Azure Translator in der EU oder eTranslation für berechtigte Stellen) mit einem unternehmensweiten Glossar.
3. 2–3 Systeme (ein NMT, ein LLM, ein offenes Modell) mit 200–500 eigenen Segmenten je wichtigem Sprachpaar vergleichen, mit xCOMET/CometKiwi plus blinder menschlicher Prüfung.
4. Die Systeme anbinden, in denen Text entsteht (CMS, PIM, Git, Ticketsystem), über ein TMS oder einen n8n-Ablauf mit Wiederverwendung des Übersetzungsspeichers und QE-basierter Weiterleitung.
5. Den Nachbearbeitungsaufwand monatlich messen und die Korrekturen in Übersetzungsspeicher, Glossar und, bei ausreichendem Volumen, in ein feingetuntes Modell zurückführen.

Quellen

1. Kocmi et al., "Findings of the WMT25 General Machine Translation Shared Task: Time to Stop Evaluating on Easy Test Sets", WMT 2025 — https://aclanthology.org/2025.wmt-1.22
2. EU AI Act, Article 50 (transparency obligations) — https://artificialintelligenceact.eu/article/50/
3. Finkelstein et al., "TranslateGemma Technical Report", arXiv:2601.09012 — https://arxiv.org/abs/2601.09012
4. Google, TranslateGemma 12B model card — https://huggingface.co/google/translategemma-12b-it
5. Unbabel COMET (COMET, xCOMET, CometKiwi metrics) — https://github.com/Unbabel/COMET
6. DeepL Pro data security — https://www.deepl.com/en/pro-data-security
7. DeepL API documentation — https://developers.deepl.com/docs/getting-started/intro
8. European Commission, AI translation and language tools (eTranslation) — https://translation.ec.europa.eu/tools-and-resources/ai-translation-and-language-tools_en
9. EuroLLM-22B Technical Report, arXiv:2602.05879 — https://arxiv.org/abs/2602.05879
10. Unbabel, Tower+ 72B model card — https://huggingface.co/Unbabel/Tower-Plus-72B
11. Mozilla Translations (engine behind Firefox Translations) — https://mozilla.github.io/translations/
12. Marian NMT — https://github.com/marian-nmt/marian
13. Tech.eu, "DeepL launches debut AI agent" (Sept 2025) — https://tech.eu/2025/09/03/deepl-launches-ai-agent-for-businesses/
14. LibreTranslate — https://github.com/LibreTranslate/LibreTranslate
15. Meta, NLLB-200 3.3B model card — https://huggingface.co/facebook/nllb-200-3.3B
16. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj