Das 98%-Problem
Hier ist das schmutzige Geheimnis der Lokalisierungsbranche: 95-98% Ihres Lokalisierungsbudgets werden für die Überprüfung von Inhalten ausgegeben, die bereits korrekt sind.
Moderne KI-Übersetzung (GPT-4o, Claude 3.5) ist zu über 90% genau. Doch Unternehmen bezahlen immer noch menschliche Prüfer, um jedes einzelne Wort zu lesen, nur um die verbleibenden 10% zu erwischen.
Das ist der Engpass. Sie können nicht täglich ausliefern, wenn Sie einen 3-tägigen menschlichen Überprüfungszyklus haben.
Die Lösung ist KI-gestützte LQA (Language Quality Assurance). Im Jahr 2026 nutzen wir KI nicht nur zum Übersetzen; wir nutzen KI, um die Übersetzung zu überprüfen.
Was ist ein LQA-Agent?
Ein LQA-Agent ist ein autonomes System, das Übersetzungen auf Genauigkeit, Ton, Glossare und Stil bewertet. Im Gegensatz zu einfachen Rechtschreibprüfungen "versteht" er die Bedeutung.
Er agiert als digitaler Redakteur und bietet ein zweites Paar Augen.
Wie es funktioniert (Der Workflow)
- Übersetzungsagent: Generiert die Rohübersetzung.
- LQA-Agent: Liest Quelle und Ziel.
- Bewertung: Er bewertet die Übersetzung (0-100) und prüft auf spezifische Fehlertypen (Falschübersetzung, Auslassung, Halluzination).
- Entscheidung:
- Score > 90 (Bestanden): Auto-genehmigen und bereitstellen.
- Score < 90 (Durchgefallen): Auto-korrigieren, wenn der Fehler offensichtlich ist (z.B. falsche Terminologie), oder zur menschlichen Überprüfung markieren, wenn mehrdeutig.
MTQE vs. IA LQA: Den Unterschied kennen
Es gibt zwei primäre Technologien für automatisierte Qualität:
1. MTQE (Machine Translation Quality Estimation)
Der "Wahrscheinlichkeits"-Ansatz. Dies ist ein statistischer Score (meist vom Übersetzungsmodell selbst), der angibt, wie sicher das Modell ist.
- Vorteile: Schnell, billig.
- Nachteile: "halluziniert" oft Vertrauen. Ein Modell kann zu 99% sicher über eine komplett falsche logische Aussage sein.
2. KI LQA (Agentische Überprüfung)
Der "Kritik"-Ansatz. Dies nutzt ein separates, oft intelligenteres LLM, um als Kritiker zu agieren. Sie prompten das Modell: "Du bist ein professioneller Redakteur. Finde Fehler in dieser Übersetzung basierend auf dem MQM-Framework."
- Vorteile: Erklärt warum etwas falsch ist. Kann externe Glossare referenzieren. Hohe Genauigkeit.
- Nachteile: Rechenintensiver (benötigt mehr Token).
IntlPull nutzt den Agentischen Überprüfungsansatz. Wir glauben, dass Sie für Unternehmenssoftware erklärbare Qualität benötigen, nicht nur einen undurchsichtigen Wahrscheinlichkeitsscore.
Das MQM-Framework + LLMs
Das MQM (Multidimensional Quality Metrics) Framework ist der Industriestandard zur Kategorisierung von Übersetzungsfehlern.
Im Jahr 2026 haben wir LLMs erfolgreich beigebracht, MQM zu nutzen. Wenn ein IntlPull LQA-Agent einen String markiert, kategorisiert er ihn:
- Genauigkeit: Falschübersetzung, Nicht übersetzter Text.
- Flüssigkeit: Grammatik, Rechtschreibung, Inkonsistenz.
- Terminologie: Nichtbeachtung des Glossars.
- Stil: Toninkongruenz (z.B. zu formell).
Diese strukturierten Daten ermöglichen es Ihnen, "Qualität im Zeitverlauf"-Dashboards ohne manuelle Dateneingabe zu verfolgen.
Aufbau eines hybriden Mensch + KI Workflows
Sie sollten nicht alle Ihre menschlichen Prüfer entlassen. Sie sollten sie befördern.
Der "Ausnahme-basierte" Workflow
Anstatt 10.000 Wörter zu lesen, liest Ihr menschlicher Linguist nur die 500 Wörter, die der LQA-Agent als "Niedriges Vertrauen" oder "Mehrdeutig" markiert hat.
Auswirkung:
- Durchsatz: Steigt um das 10-20-fache.
- Kosten: Sinkt um ~60%.
- Arbeitszufriedenheit: Übersetzer konzentrieren sich auf knifflige kreative Probleme, nicht auf das Beheben von Tippfehlern.
IntlPull Implementierung
IntlPull ist die erste Plattform, die LQA als Bürger erster Klasse behandelt.
YAML1# .intlpull.yml 2lqa: 3 enabled: true 4 provider: claude-3-5-sonnet 5 thresholds: 6 auto_approve: 95 7 flag_for_human: 80 8 glossary_check: strict
Wenn aktiviert, löst jeder Übersetzungsdurchlauf automatisch einen LQA-Durchlauf aus. Sie sehen den LQA-Score direkt im Dashboard. Hoch bewertete Strings werden sofort grün; niedrig bewertete kommen in die "Review Queue".
Vertrauen in die Maschine
Die größte Hürde ist nicht die Technologie; es ist Vertrauen. "Kann ich KI wirklich Inhalte in meine Produktions-App deployen lassen, ohne dass ein Mensch sie sieht?"
Im Jahr 2026 ist die Antwort Ja, wenn Sie die richtigen Leitplanken haben.
- Beginnen Sie mit risikoarmen Sprachen.
- Auditieren Sie manuell 10% der "Auto-Genehmigten" Strings, um die Agentenleistung zu verifizieren.
- Nutzen Sie LQA-Agenten, um das zu fangen, was Menschen übersehen (Konsistenzfehler über 50 Dateien hinweg).
Die Zukunft ist Verifiziert. LQA-Agenten verwandeln Übersetzung von einer Black Box in einen messbaren, verifizierbaren Ingenieurprozess. Es ist der Schlüssel zum Versand globaler Software in CI/CD-Geschwindigkeit.
