Hvad er AI-oversættelse og lokalisering?

AI-oversættelse og lokalisering er brugen af maskinoversættelse, sprogmodeller og menneskelig kontrol til at gengive indhold på et andet sprog og tilpasse det til et bestemt marked. Oversættelse flytter betydning mellem sprog; lokalisering tilpasser terminologi, format, kultur, brugssituation og kvalitet.

Hvad dækker AI-oversættelse og lokalisering over?

AI-oversættelse er automatisk eller delvist automatisk oversættelse af tekst, tale eller indholdselementer ved hjælp af maskinlæring. Det kan være en hurtig oversættelse af en supportbesked, et forslag til en produkttekst, undertekster til video, flersprogede brugergrænseflader eller udkast til teknisk dokumentation.

Lokalisering er den bredere opgave. Den handler om at gøre indhold brugbart, korrekt og naturligt i en bestemt sproglig og regional kontekst. Det kan kræve ændring af ordvalg, måleenheder, valuta, datoformat, sortering, tone, eksempler, billeder, juridiske formuleringer, supportflow og produktnavne. En oversættelse kan være grammatisk korrekt og stadig være dårligt lokaliseret.

I praksis fungerer AI bedst som et produktions- og kontrolværktøj i en samlet sprogarbejdsgang. Den kan give første udkast, foreslå terminologi, finde ensartede formuleringer og sammenligne sprogversioner. Den bør ikke alene afgøre betydning, tone eller lokal egnethed i indhold, hvor fejl kan påvirke kunder, sikkerhed, aftaler eller tillid.

Hvordan adskiller oversættelse, lokalisering og internationalisering sig?

Oversættelse, lokalisering og internationalisering bliver ofte blandet sammen, men de løser forskellige problemer. Oversættelse handler om sprog. Lokalisering handler om målmarked og brugssituation. Internationalisering handler om at bygge produkt, indhold og systemer, så de kan lokaliseres uden større ombygning.

Den dokumenterbare nøglepointe er, at dårlig internationalisering skaber lokaliseringsgæld. Hvis produktet kun er bygget til ét sprog, kan selv en stærk AI-oversættelse ikke løse faste tekstfelter, hårdkodede datoer, manglende sprogkoder, for smalle knapper eller tekststrenge, der er sammensat i kode.

For software, kundeservice og produktkommunikation bør oversættelse derfor ses som et trin i en større sproglig infrastruktur. AI kan accelerere trinnet, men den kan ikke alene skabe den struktur, der gør flersproget drift stabil.

Hvordan fungerer AI-oversættelse teknisk?

AI-oversættelse bygger typisk på modeller, der lærer mønstre mellem sprog ud fra store mængder tekst. Neural maskinoversættelse forsøger at forudsige en måltekst ud fra hele sætninger eller større tekstbidder, mens store sprogmodeller kan kombinere oversættelse med instruktioner om tone, domæne, format og målgruppe.

Processen begynder med inputtet. Teksten kan blive opdelt i mindre enheder, behandlet af modellen og gendannet på målsproget. Hvis systemet understøtter glossarer, stilregler eller kontekst, kan det forsøge at fastholde bestemte termer og formuleringer. Det gør især en forskel ved produktnavne, tekniske begreber, forkortelser og faste kundevendte sætninger.

AI-modellen forstår dog ikke nødvendigvis tekstens forretningsmæssige virkelighed. Den kan give et flydende resultat, selv om kildeindholdet er tvetydigt, en term er forkert, eller der mangler lokal kontekst. Derfor skal teknisk oversættelseskvalitet vurderes sammen med kildetekstens klarhed, domænesprog, målgruppe og konsekvensen af fejl.

En beslægtet udfordring findes i sprogforståelse og AI i international kundeservice, hvor systemet både skal registrere sprog, forstå intention, håndtere domæneord og afgøre, hvornår en sag bør sendes videre.

Hvornår er AI-oversættelse tilstrækkelig, og hvornår kræves menneskelig gennemgang?

AI-oversættelse er mest tilstrækkelig, når indholdet er lavrisiko, tydeligt skrevet, kortlivet og let at rette. Det kan være intern orientering, udkast, søgning i fremmedsprogede dokumenter, første forståelse af en besked eller grovsortering af materiale, som alligevel skal vurderes af en person.

Menneskelig gennemgang er nødvendig, når teksten skal publiceres, indgå i aftaler, beskrive sikkerhed, forklare tekniske instruktioner, håndtere klager, påvirke sundhed, økonomi eller rettigheder, eller repræsentere en organisations officielle stemme. Jo større konsekvens en fejl kan få, desto mindre bør organisationen stole på et uredigeret AI-output.

Post-editing er ikke bare almindelig korrektur. Det er en faglig gennemgang af maskinoversættelse, hvor en person vurderer mening, terminologi, stil, flyd, målgruppe, formål og eventuelle fejl i kildeteksten. ISO 18587 beskriver netop post-editing af maskinoversættelse som en særskilt proces med kompetencekrav.

En enkel beslutningsregel er at skelne mellem forståelse, produktion og publicering. AI kan ofte bruges til forståelse. Den kan bruges til produktion, hvis der findes kontrol. Den bør kun bruges til publicering, når kvalitet, data, terminologi og ansvar er afklaret.

Hvilke typer indhold egner sig bedst?

Indhold med klar struktur og gentagelige formuleringer egner sig bedst. Produktbeskrivelser, hjælpecentertekster, interne vejledninger, e-mails, supportmakroer og metadata kan ofte behandles effektivt, hvis der findes glossar, stilguide og eksempler på gode oversættelser.

Indhold med høj tvetydighed egner sig dårligere. Marketingbudskaber, humor, juridiske nuancer, poesi, faglige standarder, medicinske instruktioner, sikkerhedstekster og kundedialog med konflikter kræver mere menneskelig vurdering. Her kan AI stadig hjælpe, men primært som udkast, variantforslag eller kontrolværktøj.

Hvis indholdet er opbygget omkring fast terminologi, bliver resultatet ofte bedre, når AI-systemet får en tydelig termbase. Hvis indholdet derimod kræver lokal kreativitet, bør AI-output behandles som råmateriale, ikke som færdig tekst.

Hvordan bruges glossarer, tone og stilguider?

Glossarer er en af de mest praktiske måder at styre AI-oversættelse på. Et glossar kobler kildetermer til ønskede måltermer, så produktnavne, fagudtryk, funktionsnavne, forkortelser og forbudte oversættelser håndteres mere konsekvent. Det er særligt nyttigt i brancher med mange egne begreber.

Et godt glossar bør indeholde term, godkendt oversættelse, kontekst, eksempel, ejer og dato for seneste ændring. Det bør også angive, hvilke termer der ikke må oversættes. Navne på produkter, standarder, API’er, modeller, kampagner og interne roller kan miste betydning, hvis de behandles som almindelige ord.

Tone og stilguide styrer noget andet end terminologi. De beskriver, om teksten skal være formel eller uformel, teknisk eller let, direkte eller forklarende, og hvordan du tiltaler læseren. En AI-model kan følge sådanne instruktioner i et udkast, men den bør testes på realistiske eksempler, før den bruges i større skala.

Hvis organisationen bruger egne sprogdata til at tilpasse modeller eller oversættelsesflow, er det relevant at skelne mellem glossarstyring, retrieval, promptlignende instruktioner og egentlig modeltilpasning. En bredere forklaring findes i AI Mentors gennemgang af fine-tuning af sprogmodeller.

Hvilke lokaliseringsdetaljer overser rene oversættelsesværktøjer?

Rene oversættelsesværktøjer flytter tekst mellem sprog, men lokaliseringsarbejde omfatter flere lag. Datoer, klokkeslæt, valuta, decimaler, adresser, telefonnumre, måleenheder, sortering, læseretning, tekstlængde, knapbredde og pluralformer kan ændre brugeroplevelsen markant.

Unicode CLDR viser, hvor teknisk konkret locale-data er. Det handler ikke kun om ord, men om hvordan software viser datoer, tal, enheder og alfabetisk rækkefølge for brugere med forskellige sprog og regionale præferencer. Hvis disse data ikke håndteres korrekt, kan en oversat brugerflade stadig føles forkert.

Kulturel tilpasning er et andet lag. Eksempler, metaforer, høflighedsniveau, billeder, farver og kundeserviceformuleringer kan virke naturlige i ét marked og mærkelige i et andet. AI kan foreslå ændringer, men lokale sproglige kompetencer er stadig nødvendige, når nuancer, tillid og brugeradfærd betyder noget.

Lokalisering bør derfor testes i den kanal, hvor teksten faktisk vises. En sætning kan se fin ud i et dokument, men bryde en mobilknap, fylde for meget i en app, miste kontekst i en e-mail eller lyde for direkte i en supportdialog.

Hvordan måles kvaliteten i en AI-baseret oversættelsesproces?

Kvalitet bør måles på flere niveauer. En automatisk score kan give et signal, men den kan ikke alene afgøre, om teksten er korrekt, egnet, sikker og naturlig. Den praktiske kvalitet afhænger af mening, terminologi, målgruppe, konsekvens og den kanal, hvor teksten skal bruges.

En brugbar kvalitetskontrol kan kombinere maskinelle tjek med menneskelig vurdering. Maskinelle tjek kan finde manglende tags, uoversatte ord, forkerte tal, for lange strenge, brudte links eller manglende variabler. Menneskelig vurdering kan kontrollere betydning, stil, tone, kultur, domænesprog og om teksten faktisk hjælper læseren.

• Betydning: Bevarer målteksten kildetekstens centrale budskab?
• Terminologi: Bruges godkendte produktnavne og fagudtryk konsekvent?
• Format: Er datoer, tal, valuta, enheder og links korrekte?
• Kontekst: Passer teksten til kanal, brugerrolle og situation?
• Konsekvens: Hvad sker der, hvis oversættelsen misforstås?

For kundevendt indhold bør kvalitet også måles efter fejltype. En lille stilfejl er sjældent lige så alvorlig som en forkert sikkerhedsinstruktion, en oversat produktkode, en ændret prisbetingelse eller et svar, der lover mere end organisationen kan levere.

Hvilke datarisici opstår ved AI-oversættelse?

AI-oversættelse behandler ofte hele tekstbidder, og de kan indeholde personoplysninger, kundedata, kontraktudkast, produktplaner, kildekode, interne vurderinger eller andre fortrolige oplysninger. Risikoen afhænger af værktøjets databehandling, lagring, adgang, logning, leverandørvilkår og om data bruges til forbedring af tjenesten.

Før du sender tekst til et oversættelsesværktøj, bør du vide, hvilke data teksten indeholder, hvor de behandles, hvem der kan tilgå dem, hvor længe de gemmes, og om de må bruges til træning eller kvalitetssikring hos leverandøren. Det gælder især ved eksterne cloudværktøjer og ved integrationer i kundeservice, dokumenthåndtering eller produktionssystemer.

Datarisiko opstår også i outputtet. En oversættelse kan afsløre interne begreber, gengive skjulte metadata, ændre anonymiserede formuleringer eller blande informationer, hvis systemet arbejder sammen med andre datakilder. Derfor bør adgangsregler følge teksten gennem hele processen, ikke kun ved upload.

En beslægtet problemstilling er beskrevet i AI Mentors gennemgang af generativ AI og datafortrolighed. For oversættelse er den praktiske regel at minimere input, fjerne unødvendige følsomme oplysninger og vælge værktøj efter dataens følsomhed.

Hvordan kan en organisation indføre AI-oversættelse trinvis?

En trinvis indførelse reducerer risikoen for flydende, men forkerte oversættelser. Start med afgrænsede indholdstyper, få sprog og tydelige kvalitetskrav. Test først på historisk eller intern tekst, før output bruges i kundevendte eller publicerede kanaler.

1. Kortlæg indholdstyper, sprog, målgrupper og konsekvensen af fejl.
2. Rens kildetekster for uklare formuleringer, gamle termer og unødvendige oplysninger.
3. Byg et glossar med godkendte termer, forbudte oversættelser og eksempler.
4. Vælg værktøj ud fra datarisiko, integrationsbehov, sprogpar og kontrolmuligheder.
5. Test output med lokale fagpersoner, og registrér fejltyper pr. sprog og kanal.
6. Indfør menneskelig godkendelse for publicering, højrisikotekster og nye markeder.

Efter lancering bør processen have en ejer. Glossarer skal opdateres, nye produktnavne skal tilføjes, fejl skal samles, og sprogversioner skal genkontrolleres, når kildeteksten ændrer sig. Uden drift bliver AI-oversættelse hurtigt en samling enkeltstående udkast i stedet for en stabil sproginfrastruktur.

Styringen kan kobles til organisationens bredere AI-arbejde. Hvis du allerede arbejder med roller, risikovurdering og kontroller, kan oversættelse indgå i samme register og samme beslutningsproces som andre AI-systemer. Det hænger tæt sammen med AI-governance.

Hvad betyder AI-oversættelse for dansk og mindre sprogområder?

For dansk og andre mindre sprogområder kan AI-oversættelse gøre flersproget indhold mere økonomisk og hurtigere at vedligeholde. Den kan hjælpe små teams med at forstå udenlandske kilder, udgive flere sprogversioner og give bedre første svar i internationale arbejdsgange.

Samtidig kan mindre sprogområder være mere sårbare over for domænefejl. Et værktøj kan være stærkt på almindelige sætninger, men svagere på fagsprog, dialekt, brancheforkortelser, offentlige begreber, juridisk tone eller sammensatte produktnavne. Derfor er lokale testdata vigtige, også når den generelle oversættelse ser flydende ud.

Taleoversættelse og realtidsoversættelse har et særligt risikobillede, fordi fejl kan opstå i både talegenkendelse, oversættelse, syntese og kontekstforståelse. En nærmere forklaring af den type arbejdsgang findes i AI Mentors artikel om realtidsoversættelse med tale i praksis.

Den praktiske fordel for mindre sprog er størst, når AI kombineres med lokale fagpersoner og fælles sprogressourcer. Termbaser, oversættelseshukommelser, validerede eksempler og klare kvalitetsregler kan gøre resultaterne mere stabile end løse enkeltoversættelser.

Hvilke fejl bør du teste for før publicering?

Den mest almindelige fejl er, at teksten lyder korrekt, men ændrer betydningen. Det kan være en negation, der forsvinder, en begrænsning, der bliver absolut, en teknisk term, der oversættes som dagligsprog, eller en instruktion, der bliver mere kategorisk end kildeteksten.

En anden fejl er lokaliseringsbrud. Tal, datoer, links, produktvarianter, valuta, knapper, variabler og eksempler kan være rigtige i kildesproget, men forkerte i målversionen. Sådanne fejl opdages ikke altid ved almindelig sproglig korrektur, fordi teksten kan være velformuleret.

Der bør også testes for konsistens på tværs af sider, produkter og kanaler. Hvis samme term oversættes forskelligt i app, hjælpecenter og e-mail, mister brugeren sammenhæng. Hvis en model bruger en ny tone i hver tekst, kan brand- og supportoplevelsen blive ujævn.

Før publicering bør du derfor gennemgå original tekst, AI-oversættelse, glossar, lokaliseringsformat og den faktiske brugerflade samlet. Det giver et bedre billede end at vurdere oversættelsen isoleret i et tekstfelt.

Hvilke kilder ligger til grund?

Kildegrundlaget er især W3C’s forklaring af lokalisering og internationalisering, ISO 17100 om oversættelsestjenester, ISO 18587 om post-editing af maskinoversættelse, Unicode-projektets CLDR-dokumentation om locale-data og Google Clouds dokumentation om glossarer i maskinoversættelse.