翻訳管理から翻訳インテリジェンスへ
ローカリゼーション技術は20年にわたり翻訳業務を整理してきました。次の課題は、あらゆる翻訳判断の背景にある文脈を理解することです。
20年以上にわたり、ローカリゼーション技術は、翻訳を大規模に管理する方法という中心的な運用課題に取り組んできました。
翻訳管理システムは、組織がスプレッドシートやメールのやり取り、連携していないベンダー、手作業でのファイル交換に代わる、体系化されたワークフローを導入するのに役立ちました。多言語コンテンツを一元管理し、翻訳者やレビュー担当者との連携、用語の管理、過去の翻訳の再利用、市場ごとの納品状況の追跡を可能にしました。
これは重要な進化でした。翻訳は、より管理しやすく、測定しやすくなり、より広範なコンテンツ運用に統合しやすくなりました。RWSは、翻訳管理を、コンテンツを複数の言語にわたって効率的かつ一貫して翻訳するために必要な人材、プロセス、テクノロジーの調整と説明しています。
しかし、ローカライズが行われる環境は変化しました。
現代の組織では、完成した文書や時折リリースされる製品だけを翻訳するのではありません。絶えず変化するインターフェース、キャンペーン、ヘルプセンターの記事、オンボーディングのフロー、料金ページ、法的通知、デザインシステム、顧客向けコミュニケーションを継続的にローカライズしています。コンテンツは、リポジトリ、デザインツール、コンテンツ管理システム、サポートプラットフォーム、マーケティングアプリケーションなど、さまざまな場所で作成されます。
したがって、課題はもはや翻訳作業の管理だけではありません。
より大きな課題は、翻訳におけるあらゆる判断の背景にある文脈を理解することです。
これは翻訳管理から翻訳インテリジェンスへの移行です。
翻訳管理は制作を整理するために構築されました
従来のローカライズワークフローは、比較的明確な順序で進みます。ソースコンテンツがシステムに取り込まれ、作業が割り当てられ、翻訳者が目標言語のコンテンツを作成し、レビュー担当者が承認した後、完成した翻訳が依頼元のチームに返されます。
翻訳メモリを使うと、以前に承認されたコンテンツを再利用できます。用語データベースは一貫性を高めます。ワークフロールールは、割り当て、承認、納品を自動化します。連携機能により、システム間でファイルを手動で移動する必要性が減ります。
これらの機能は今も価値があります。多言語コンテンツを管理されたプロセスで移動させるという運用上の課題を解決します。
ただし、それらは主に翻訳タスクがすでに定義された後に機能します。
以前に類似した文がどのように翻訳されたかを翻訳者に示すことはできますが、その訳が選ばれた理由まで常に説明できるとは限りません。承認済みの用語を提示することはできますが、その用語がこの特定の画面、機能、対象ユーザー、または市場に適用されるかどうかを判断できるとは限りません。
次のような短いソース文字列を考えてみましょう：
今すぐアップグレード
適切な翻訳は、テキストがボタン、メールの件名、料金ページ、アカウント通知のどこに表示されるかによって異なる場合があります。サブスクリプションプラン、ソフトウェアのバージョン、利用権限、サービスの階層を指している可能性もあります。承認済みのキャンペーンメッセージに沿わせる必要があったり、インターフェースの厳しい制約に収めたり、特定の市場に合わせて異なるトーンを使ったりする必要があるかもしれません。
その文は簡単です。決断は簡単ではありません。
従来型のシステムでは、文字列を適切な担当者に振り分けることはできます。しかし、適切に翻訳するために必要な製品やビジネスの背景をすべて把握できるとは限りません。
ワークフローは一元化されていますが、知識は分散しています。
多くの組織では、ローカライズに必要な知識が多くのシステムに分散しています。
製品の動作は、課題管理システムに記載されている場合があります。最新のインターフェースは、Figmaにある場合があります。技術的な制約は、ソースコードにしか記載されていない場合があります。ブランドに関するガイダンスは、プレゼンテーションやドキュメントに記載されている場合があります。市場の嗜好は、レビュアーのコメントに埋もれている場合があります。法的要件は、別のポリシーリポジトリに保存されている場合があります。
その後、翻訳者は不完全な根拠から意味を再構成することが期待されます。
これは従来型モデルの中核的な制約の1つです。翻訳ワークフローは一元化されているかもしれませんが、作業を取り巻く知識はそうではありません。
プロダクトチームやコンテンツチームのスピードが上がるにつれて、このギャップによるコストはさらに大きくなります。プロダクトの文言はリリース前に何度も変更されることがあります。キャンペーンは実施中に更新されることがあります。サポートコンテンツは、顧客の行動に応じて変化していきます。チームは、ローカライズを後工程の制作段階ではなく、継続的に行うものとして捉えるようになっています。
それでも、補助的なコンテキストは多くの場合、手作業のままです。
スクリーンショットの追加状況にはばらつきがあります。説明は古くなります。翻訳者はプロダクトチームに確認を求めます。レビュアーは同じ市場の好みを何度も説明します。重要な修正はコメントに閉じ込められたままで、今後の作業の改善につながりません。
組織は、知識の移動をほとんど変えないまま、コンテンツの移動を自動化した可能性があります。
AIは翻訳を速くしますが、必ずしも正確になるとは限りません。
生成AIは、多言語コンテンツの経済性を変えました。
翻訳は今や数秒で作成できます。モデルは、さまざまなトーンに合わせてコンテンツを書き換えたり、別の案を生成したり、用語に関する指示に従ったり、従来のシステムよりもはるかに多くの文脈情報を処理したりできます。
しかし、流暢さと正確さを混同してはいけません。
AI による翻訳は自然に聞こえても、製品について誤解していたり、承認済みの用語を誤って選択したり、インターフェースの制約に違反したり、原文の意図を正しく伝えられなかったりすることがあります。
機械翻訳に関する研究は、翻訳品質が文単位の流暢さだけで決まるわけではないことを示し続けています。文書の文脈、分野知識、談話、用語、意図された用途は、翻訳が適切かどうかに影響を与える可能性があります。
AIの出力がますます説得力を増すにつれて、この区別はより重要になります。
明らかな文法上の誤りは簡単に見つけられます。しかし、製品に関する微妙な誤りはそうではありません。文章としては完璧に読めても、誤った操作や、確信の度合い、あるいはユーザーと製品の関係性を誤って伝えていることがあります。
したがって、重要なのはAIが翻訳できるかどうかだけではありません。
重要なのは、システムが適切な証拠、指示、制約、組織に関する知識を、適切なモデルや人に提供できるかどうかです。
それが翻訳インテリジェンスの役割です。
翻訳インテリジェンスとは何ですか？
翻訳インテリジェンスとは、製品、ブランド、言語、市場、レビュー担当者に関する知識を、より優れたローカライズの意思決定につなげる基盤です。
翻訳管理が作業を調整します。
翻訳インテリジェンスは、作業を支える推論を改善します。
翻訳インテリジェンスシステムは、次の判断に役立つはずです：
- コンテンツの一部が何を意味するか;
- 表示される場所;
- 誰を対象としているか;
- どの製品、ブランド、言語、および市場のルールが適用されるか;
- これまで類似のコンテンツがどのように扱われてきたか;
- 翻訳がどの程度のリスクを伴うか;
- また、人間による判断が必要な場合。
これは、ローカライゼーション技術のより幅広い役割を示しています。
従来型のプラットフォームは、ファイル、翻訳メモリ、用語集、ワークフロー、参考資料などのアセットを整理します。インテリジェントなシステムは、スクリーンショット、製品ドキュメント、デザインコンポーネント、ソースコードのメタデータ、レビュアーからのフィードバック、市場の嗜好、コンテンツのパフォーマンス、過去の品質データも結び付けます。
目的は、企業情報のあらゆる要素を1つの大規模なリポジトリに集約することではありません。翻訳上の判断を行う際に、関連する情報を取得して活用することです。
製品ラベルの場合、最新のスクリーンショット、コンポーネント名、承認済みの用語、文字数制限を指すことがあります。キャンペーンの見出しの場合は、ターゲット層、ブランドのポジショニング、現地市場の期待、過去のクリエイティブに関するフィードバックを指すことがあります。
Translation Intelligenceにより、コンテキストは任意のものではなく、実務で活用できるものになります。
翻訳インテリジェンスとは何か？で見てきたように、翻訳そのものはますます簡単に生成できるようになっています。より難しく、差別化の根拠となる能力は、どの知識を結果に反映すべきかを理解することです。
ワークフローの自動化から、インテリジェントな調査まで
従来のワークフロー自動化は、あらかじめ定められたルールに従います。
新しいコンテンツが表示されたら、翻訳タスクを作成します。翻訳が完了したら、レビューを割り当てます。承認を受けたら、コンテンツをソースシステムに戻します。
これにより調整作業は減りますが、翻訳に何が求められるかを調べるわけではありません。
よりインテリジェントなシステムは、ソースコンテンツを調査し、関連する機能を特定し、裏付けとなるスクリーンショットを取得し、用語ルールを見つけ、過去の決定を検索し、曖昧さを検出し、適切なモデルやレビュアーを選択し、納品前に結果を評価できます。
ここでAIエージェントが特に価値を発揮します。
ローカライゼーションチームが手作業で情報を集めるのを待つ代わりに、エージェントは接続されたシステムからコンテキストを収集し、翻訳ワークフロー内で直接利用できるようにします。
担当者がお答えできる場合があります:
- このコンテンツはどこに表示されますか？
- この機能は何をしますか？
- どの用語が適用されますか？
- 似た表現は以前に修正されましたか？
- コンテンツに変数やインターフェース上の制約は含まれていますか？
- この翻訳は自動化しても安全ですか？
- 法務、クリエイティブ、または市場のレビューが必要ですか？
Hyperlocaliseでは、この調査レイヤーは、次世代のローカライゼーションプラットフォームがどのように進化していくと考えるかの中心的な要素です。
システムは翻訳タスクを処理するだけでなく、その理解を助けるべきです。
静的アセットから自己進化する知識へ
翻訳メモリや用語集には貴重な言語知識が蓄積されていますが、多くの場合、比較的静的な資産として維持されています。
製品は変化します。ブランドの表現も進化します。新機能によって新しい概念が生まれます。各市場のチームはそれぞれの好みを確立します。レビュー担当者は、正式なガイドラインにならない修正を繰り返し行います。
翻訳インテリジェンスシステムは、この活動から学習する必要があります。
レビュー担当者が一貫してある用語を別の用語に置き換える場合、システムはそのパターンを特定する必要があります。製品の機能に応じてフレーズの訳し方が異なる場合は、その違いを維持する必要があります。特定のコンテンツタイプや言語ペアでモデルの性能が繰り返し低い場合は、ワークフローを適応させる必要があります。
目的は、すべての編集を普遍的なルールに変えることではありません。
フィードバックには全体に適用されるものもあれば、特定の市場、キャンペーン、機能、またはコンテンツタイプにのみ適用されるものもあります。インテリジェントなローカライズ基盤は、その適用範囲を理解する必要があります。
これにより、レビュアーのフィードバックが単発の修正から、再利用可能な組織の知識へと変わります。
同じ問題を何度も解決するのではなく、承認された判断を重ねるたびに、システムはより多くの知見を得ていきます。
一律のワークフローからリスクベースのオーケストレーションへ
従来の翻訳ワークフローでは、多くの場合、大量のコンテンツに同じプロセスが適用されます。
すべての文字列は、ビジネス上の重要度や言語的な複雑さにかかわらず、同じモデル、翻訳者、レビュアー、承認プロセスを経る場合があります。
ただし、すべての翻訳が同じリスクを伴うわけではありません。
過去の訳文との一致度が高いナビゲーションラベルは、自動化に適している場合があります。ローンチキャンペーンでは、クリエイティブな調整が必要になることがあります。規制対象の訴求内容には、法務レビューが必要な場合があります。多くの人の目に触れるオンボーディングフローでは、市場での検証が有効な場合があります。
翻訳インテリジェンスを活用すると、コンテキスト、信頼度、影響度に基づいて作業を振り分けられます。
システムは、承認済みの翻訳を再利用するか、新しい翻訳案を生成するか、複数の出力を比較するか、専門家に依頼するか、追加レビューのためにコンテンツをエスカレーションするかを判断できます。
これにより、より効果的な人間が介在するモデルが実現します。
言語専門家や市場の専門家は、予測可能なコンテンツの確認に費やす時間を減らし、文化的な判断や戦略的な解釈、説明責任が求められる意思決定により多くの時間を割けるようになります。
それもまた、次世代のCAT体験が目指す方向です。ローカリゼーションから人間を排除するのではなく、より良いコンテキスト、より関連性の高い提案、そして自分の専門知識がどこで活かされるのかをより明確に把握できる環境を提供することです。
品質保証から継続的な評価へ
従来のワークフローでは、品質保証はプロセスの終盤に行われることがよくあります。
レビュー担当者が翻訳を確認し、修正を加えて、最終コンテンツを承認します。作業は納品されますが、それらの修正の理由は今後のワークフローに大きな影響を与えない可能性があります。
翻訳インテリジェンスにより、プロセス全体を通じて評価を行えます。
翻訳を開始する前に、システムは十分なコンテキストがあるかどうかを評価できます。生成中は、用語、書式、数値、変数、長さの制約を確認できます。生成後は、意味、トーン、一貫性、市場への適合性を評価できます。
人間のレビュアーが判断を下すと、システムは生成された出力と承認済みの結果を比較し、何が変更されたかを特定できます。
時間の経過とともに、次のような問いに答えるための証拠が蓄積されます：
- 言語やコンテンツの種類ごとに、最も優れた性能を発揮するモデルはどれですか？
- 最も曖昧さが生じる製品領域はどれですか？
- どの用語ルールが繰り返し違反されていますか？
- より多くの人手が必要な市場はどれですか？
- 品質に最も大きな影響を与えるコンテキストソースはどれですか？
- 自動化を安全に拡大できるのはどこですか？
- どのような場面で、人によるレビューを引き続き必須とすべきですか？
これにより、個々の出力を確認するだけにとどまらないローカライズ品質の向上が実現します。
継続的に学習するシステムになります。
翻訳インテリジェンスはローカリゼーションチームの役割を変える
翻訳管理から翻訳インテリジェンスへの移行は、単なる技術の変化ではありません。ローカライゼーション部門の役割も変化します。
従来のモデルでは、ローカリゼーションは下流のサービスとして扱われることがよくあります。プロダクト、マーケティング、サポートの各チームがコンテンツを作成して翻訳に出し、多言語版ができあがるのを待ちます。
インテリジェンスモデルのもとでは、ローカライゼーションは組織のグローバルな意思決定インフラの一部となります。
製品、エンジニアリング、デザイン、マーケティング、法務、サポート、そして各地域市場に関する知見を結び付けます。原文のコンテンツが曖昧な箇所、用語が混乱を招く箇所、自動化が確実に機能する箇所、そして人の専門知識が最大の価値を生み出す箇所を明らかにします。
そのため、ローカライズチームはもはやプロジェクトやベンダーの調整だけを担う存在ではありません。
多言語に関する意思決定の策定、評価、管理、改善を担う役割がますます大きくなっています。
これには、ナレッジマネジメント、AIガバナンス、コンテキストエンジニアリング、品質評価、システム統合、リスクベースのワークフロー設計において、より高度な能力が必要です。
言語学の専門知識は引き続き重要な役割を担います。しかし、それはより広範なインテリジェンス層に組み込まれていきます。
翻訳管理はなくなりません。
Translation Intelligenceを翻訳管理システムの代替として捉えるべきではありません。
組織には引き続き、プロジェクトの調整、権限管理、用語管理、翻訳メモリ、ワークフロー管理、連携機能、レポート機能が必要です。これらは引き続き、基盤となる機能です。
変わるのは、プラットフォームに期待される役割です。
従来世代のローカライゼーション技術は、コンテンツを効率的にプロセスへ流すことに重点を置いていました。
次世代もまた、そのプロセスに知識をもたらし、意思決定を導き、結果を評価し、人間からのフィードバックを通じて学習する必要があります。
翻訳管理からの質問：
多言語コンテンツをどのように整理し、提供すればよいでしょうか？
翻訳インテリジェンスからの質問：
すべての人間とAIシステムが、適切なローカライズの判断を下すために必要な知識を備えていることを、どのように保証すればよいでしょうか？
グローバルな組織には、両方が必要になります。
ローカライゼーションの次なる時代
翻訳がより迅速かつ自動化されるにつれて、多言語の文章を生成するだけでは競争優位性を得られなくなります。
それは意味を理解することから生まれます。
最も優れたローカライズシステムは、コンテンツが製品、オーディエンス、市場、ブランド、そして組織が過去に下した判断とどのように結びついているかを把握します。関連するコンテキストを自動的に取得し、必要に応じて選択的に適用し、出力を継続的に評価し、人間によるレビューを通じて改善していきます。
これは、現在ローカライズ業界全体で起きている転換です。
ファイル管理から、コンテンツの理解へ。
翻訳の保存から、意思決定からの学習へ。
引き継ぎの自動化から、調査の自動化へ。
静的な言語資産から、自ら進化する知識へ。
翻訳管理から翻訳インテリジェンスへ。
Hyperlocaliseは、AIエージェント、次世代のCAT体験、そして自己進化型コンテキストエンジンを通じて、この未来の実現に取り組んでいます。これらは、グローバルチームが手作業で調査する手間を減らし、より優れた翻訳を作成できるよう支援するものです。
次世代のローカライゼーションソフトウェアは、単に翻訳を管理するだけではありません。
市場ごとのコミュニケーション方法について、組織の理解を深めることにつながります。