Van vertaalbeheer naar vertaalintelligentie
Lokalisatietechnologie heeft twee decennia besteed aan het organiseren van vertaalwerk. De volgende uitdaging is de context achter elke vertaalbeslissing te begrijpen.
Al meer dan twee decennia richt lokalisatietechnologie zich op één centrale operationele uitdaging: hoe je vertalingen op grote schaal beheert.
Vertaalbeheersystemen hebben organisaties geholpen spreadsheets, e-mailthreads, niet-gekoppelde leveranciers en handmatige bestandsoverdrachten te vervangen door gestructureerde workflows. Ze centraliseerden meertalige content, coördineerden vertalers en reviewers, beheerden terminologie, hergebruikten eerdere vertalingen en volgden de oplevering op verschillende markten.
Dit was een belangrijke ontwikkeling. Vertalen werd eenvoudiger te beheren, te meten en te integreren in bredere contentactiviteiten. RWS beschrijft vertaalbeheer als de coördinatie van mensen, processen en technologie die nodig is om content efficiënt en consistent in verschillende talen te vertalen.
Maar de omgeving waarin lokalisatie plaatsvindt, is veranderd.
Moderne organisaties vertalen niet langer alleen afgeronde documenten of incidentele productreleases. Ze lokaliseren voortdurend veranderende interfaces, campagnes, artikelen in helpcentra, onboardingprocessen, prijspagina's, juridische berichten, designsystemen en klantcommunicatie. Content wordt aangemaakt in repositories, ontwerptools, contentmanagementsystemen, supportplatforms en marketingapplicaties.
De uitdaging beperkt zich daarom niet langer tot het beheren van vertaalwerk.
De grotere uitdaging is inzicht krijgen in de context achter elke vertaalkeuze.
Dit is de verschuiving van vertaalbeheer naar vertaalintelligentie.
Vertaalbeheer is ontwikkeld om de productie te organiseren.
De traditionele lokalisatieworkflow volgt een relatief duidelijke volgorde. Broncontent wordt in een systeem ingevoerd, het werk wordt toegewezen, vertalers produceren content in de doeltaal, reviewers keuren deze goed en de voltooide vertaling wordt teruggestuurd naar het aanvragende team.
Vertaalgeheugen ondersteunt het hergebruik van eerder goedgekeurde content. Terminologiedatabases verbeteren de consistentie. Workflowregels automatiseren toewijzingen, goedkeuringen en levering. Integraties verminderen de noodzaak om bestanden handmatig tussen systemen te verplaatsen.
Deze mogelijkheden blijven waardevol. Ze lossen het operationele probleem op van het doorlopen van een gecontroleerd proces voor meertalige content.
Ze zijn echter vooral actief nadat de vertaalopdracht al is gedefinieerd.
Ze kunnen een vertaler laten zien hoe een vergelijkbare zin eerder is vertaald, maar ze leggen niet altijd uit waarom voor die vertaling is gekozen. Ze kunnen een goedgekeurde term aanleveren, maar bepalen mogelijk niet of die term van toepassing is op dit specifieke scherm, deze functie, deze doelgroep of deze markt.
Beschouw een korte brontekst zoals:
Upgrade nu
De juiste vertaling kan afhangen van de vraag of de tekst op een knop staat, in het onderwerp van een e-mail, op een prijspagina of in een accountmelding. De tekst kan verwijzen naar een abonnementsplan, een softwareversie, een recht of een serviceniveau. Mogelijk moet de tekst aansluiten bij een goedgekeurde campagneboodschap, binnen strikte interfacebeperkingen passen of in een bepaalde markt een andere toon gebruiken.
De zin is eenvoudig. De beslissing niet.
Een traditioneel systeem kan de tekst naar de juiste persoon doorsturen. Het kan niet altijd de volledige product- en bedrijfscontext reconstrueren die nodig is om de tekst goed te vertalen.
De workflow is gecentraliseerd, maar de kennis is versnipperd.
In de meeste organisaties is de kennis die nodig is voor lokalisatie verspreid over veel systemen.
Productgedrag kan zijn vastgelegd in een issue tracker. De nieuwste interface is mogelijk te vinden in Figma. Technische beperkingen zijn wellicht alleen zichtbaar in de broncode. Merkrichtlijnen kunnen in een presentatie of document staan. Marktvoorkeuren kunnen verborgen zitten in opmerkingen van reviewers. Wettelijke vereisten kunnen zijn opgeslagen in een afzonderlijke beleidsrepository.
Vervolgens wordt van de vertaler verwacht dat die de betekenis reconstrueert op basis van onvolledig bewijs.
Dit is een van de belangrijkste beperkingen van het traditionele model: de vertaalworkflow is misschien gecentraliseerd, maar de kennis rondom het werk niet.
Naarmate product- en contentteams sneller werken, wordt deze kloof kostbaarder. Productteksten kunnen vóór de release meerdere keren veranderen. Campagnes kunnen worden aangepast terwijl ze lopen. Supportcontent ontwikkelt zich als reactie op klantgedrag. Teams verwachten steeds vaker dat lokalisatie continu plaatsvindt, in plaats van als een latere productiefase.
Toch blijft de ondersteunende context vaak handmatig.
Screenshots worden niet consequent toegevoegd. Beschrijvingen raken verouderd. Vertalers vragen productteams om opheldering. Reviewers leggen dezelfde marktvoorkeur steeds opnieuw uit. Belangrijke correcties blijven steken in opmerkingen in plaats van toekomstige projecten te verbeteren.
De organisatie kan de verplaatsing van content hebben geautomatiseerd, terwijl de overdracht van kennis grotendeels onveranderd is gebleven.
AI maakt vertalen sneller, maar niet per se nauwkeuriger.
Generatieve AI heeft de economie van meertalige content veranderd.
Vertalingen kunnen nu binnen enkele seconden worden gemaakt. Modellen kunnen inhoud herschrijven in verschillende tonen, alternatieven genereren, terminologie-instructies volgen en aanzienlijk meer contextuele informatie verwerken dan eerdere systemen.
Maar vloeiendheid moet niet worden verward met correctheid.
Een door AI gegenereerde vertaling kan natuurlijk klinken, maar toch het product verkeerd interpreteren, de verkeerde goedgekeurde term kiezen, een interfacebeperking schenden of de bedoeling van de oorspronkelijke boodschap niet behouden.
Onderzoek naar machinevertaling blijft aantonen dat de kwaliteit van een vertaling van meer afhangt dan alleen vloeiendheid op zinsniveau. Documentcontext, domeinkennis, discours, terminologie en beoogd gebruik kunnen allemaal van invloed zijn op de vraag of een vertaling passend is.
Dit onderscheid wordt belangrijker naarmate AI-output overtuigender wordt.
Duidelijke grammaticale fouten zijn gemakkelijk te herkennen. Subtiele productfouten niet. Een zin kan volkomen correct lezen, terwijl die toch de verkeerde handeling, de verkeerde mate van zekerheid of de verkeerde relatie tussen de gebruiker en het product overbrengt.
De belangrijke vraag is daarom niet simpelweg of AI kan vertalen.
Het gaat erom of het systeem het juiste model of de juiste persoon kan voorzien van het juiste bewijsmateriaal, de juiste instructies, beperkingen en organisatorische kennis.
Dat is de rol van Translation Intelligence.
Wat is vertaalintelligentie?
Translation Intelligence is de infrastructuur die product-, merk-, taal-, markt- en reviewerkennis omzet in betere lokalisatiebeslissingen.
Vertaalbeheer coördineert het werk.
Vertaalintelligentie verbetert de redenering achter het werk.
Een Translation Intelligence-systeem moet helpen bepalen:
- wat een stuk content betekent;
- waar het verschijnt;
- voor wie het bedoeld is;
- welke product-, merk-, taalkundige en marktregels van toepassing zijn;
- hoe vergelijkbare content eerder is afgehandeld;
- welk risiconiveau de vertaling met zich meebrengt;
- en wanneer menselijk oordeel vereist is.
Dit staat voor een bredere rol van lokalisatietechnologie.
Traditionele platforms organiseren middelen zoals bestanden, vertaalgeheugens, woordenlijsten, workflows en referentiemateriaal. Een intelligent systeem verbindt ook screenshots, productdocumentatie, ontwerpcomponenten, metadata van broncode, feedback van beoordelaars, marktvoorkeuren, contentprestaties en historische kwaliteitsgegevens.
Het doel is niet om alle bedrijfsinformatie in één grote opslagplaats te verzamelen. Het is om de relevante informatie op te halen en toe te passen wanneer er een vertaalbeslissing wordt genomen.
Voor een productlabel kan dit de meest recente screenshot, componentnaam, goedgekeurde terminologie en tekenlimiet betekenen. Voor een campagnekop kan dit de doelgroep, merkpositionering, verwachtingen van de lokale markt en eerdere feedback op het creatieve werk betekenen.
Translation Intelligence maakt context operationeel in plaats van optioneel.
Zoals besproken in Wat is vertaalintelligentie? wordt vertalen zelf steeds eenvoudiger te genereren. De moeilijkere en beter te verdedigen vaardigheid is begrijpen welke kennis het resultaat moet beïnvloeden.
Van workflowautomatisering tot intelligent onderzoek
Traditionele workflowautomatisering volgt vooraf gedefinieerde regels.
Wanneer nieuwe inhoud verschijnt, maak je een vertaaltaak aan. Zodra de vertaling is voltooid, wijs je deze toe voor beoordeling. Na goedkeuring stuur je de inhoud terug naar het bronsysteem.
Dit vermindert het coördinatiewerk, maar onderzoekt niet wat er voor de vertaling nodig is.
Een intelligenter systeem kan de broninhoud inspecteren, de relevante functie identificeren, ondersteunende schermafbeeldingen ophalen, terminologieregels vinden, eerdere beslissingen doorzoeken, ambiguïteit detecteren, een geschikt model of een geschikte reviewer selecteren en het resultaat evalueren voordat het wordt opgeleverd.
Hier worden AI-agenten bijzonder waardevol.
In plaats van te wachten tot lokalisatieteams handmatig informatie verzamelen, kunnen agents context verzamelen uit gekoppelde systemen en deze rechtstreeks beschikbaar maken binnen de vertaalworkflow.
Een medewerker kan misschien helpen met een antwoord:
- Waar wordt deze inhoud weergegeven?
- Wat doet de functie?
- Welke terminologie is van toepassing?
- Is vergelijkbare formulering eerder gecorrigeerd?
- Bevat de inhoud variabelen of interfacebeperkingen?
- Is de vertaling veilig om te automatiseren?
- Vereist dit een juridische, creatieve of marktbeoordeling?
Bij Hyperlocalise is deze onderzoekslaag een centraal onderdeel van hoe we de volgende generatie lokalisatieplatforms zien evolueren.
Het systeem moet niet alleen vertaalopdrachten verwerken, maar ook helpen begrijpen wat ze inhouden.
Van statische assets naar zelfevoluerende kennis
Vertaalgeheugens en woordenlijsten bevatten waardevolle taalkundige kennis, maar worden vaak als relatief statische middelen bijgehouden.
Producten veranderen. De merktaal evolueert. Nieuwe functies introduceren nieuwe concepten. Marktteams ontwikkelen voorkeuren. Reviewers voeren herhaaldelijk correcties door die misschien nooit formele richtlijnen worden.
Een Translation Intelligence-systeem moet leren van deze activiteit.
Wanneer reviewers consequent de ene term vervangen door een andere, moet het systeem dat patroon herkennen. Wanneer een uitdrukking afhankelijk van de productfunctie anders wordt vertaald, moet het systeem dat onderscheid behouden. Wanneer een model herhaaldelijk slecht presteert op een specifiek inhoudstype of taalpaar, moet de workflow zich aanpassen.
Het doel is niet om van elke bewerking een universele regel te maken.
Sommige feedback geldt wereldwijd. Andere feedback geldt alleen voor één markt, campagne, functie of contenttype. Intelligente lokalisatie-infrastructuur moet die reikwijdte begrijpen.
Hierdoor wordt feedback van reviewers niet langer een op zichzelf staande correctie, maar herbruikbare kennis binnen de organisatie.
In plaats van steeds hetzelfde probleem opnieuw op te lossen, wordt het systeem na elke goedgekeurde beslissing beter geïnformeerd.
Van uniforme werkstromen naar risicogebaseerde orkestratie
Traditionele vertaalworkflows passen vaak hetzelfde proces toe op grote hoeveelheden content.
Elke string kan dezelfde reeks stappen van model, vertaler, beoordelaar en goedkeuring doorlopen, ongeacht het zakelijke belang of de taalkundige complexiteit ervan.
Maar niet elke vertaling brengt hetzelfde risico met zich mee.
Een navigatielabel dat sterk overeenkomt met eerdere voorbeelden kan geschikt zijn voor automatisering. Een lanceringscampagne kan creatieve aanpassing vereisen. Een gereguleerde claim moet mogelijk juridisch worden beoordeeld. Een onboardingflow met hoge zichtbaarheid kan marktvalidatie rechtvaardigen.
Translation Intelligence maakt het mogelijk om werk te routeren op basis van context, vertrouwen en impact.
Het systeem kan bepalen of een goedgekeurde vertaling moet worden hergebruikt, een nieuwe suggestie moet worden gegenereerd, meerdere uitvoerresultaten moeten worden vergeleken, een specialist moet worden ingeschakeld of de inhoud moet worden geëscaleerd voor aanvullende beoordeling.
Dit creëert een effectiever human-in-the-loop-model.
Taalkundigen en marktexperts besteden minder tijd aan het controleren van voorspelbare content en meer tijd aan beslissingen die cultureel inzicht, strategische interpretatie of verantwoordelijkheid vereisen.
Dat is ook de richting van de CAT-ervaring van de volgende generatie: niet om mensen uit lokalisatie te halen, maar om hun meer context, relevantere aanbevelingen en een duidelijker beeld te geven van waar hun expertise van belang is.
Van kwaliteitsborging naar continue evaluatie
In traditionele workflows vindt kwaliteitsborging vaak plaats aan het einde van het proces.
Een beoordelaar controleert de vertaling, brengt correcties aan en keurt de definitieve inhoud goed. Het werk wordt opgeleverd, maar de redenering achter die correcties heeft mogelijk geen wezenlijke invloed op toekomstige workflows.
Translation Intelligence verplaatst evaluatie naar het hele proces.
Voordat de vertaling begint, kan het systeem beoordelen of er voldoende context beschikbaar is. Tijdens het genereren kan het de terminologie, opmaak, getallen, variabelen en lengtebeperkingen controleren. Na het genereren kan het de betekenis, toon, consistentie en geschiktheid voor de markt beoordelen.
Zodra een menselijke beoordelaar een beslissing neemt, kan het systeem de gegenereerde uitvoer vergelijken met het goedgekeurde resultaat en bepalen wat er is veranderd.
Na verloop van tijd levert dit bewijs op voor vragen zoals:
- Welke modellen presteren het best voor elke taal en elk inhoudstype?
- Welke productgebieden veroorzaken de meeste onduidelijkheid?
- Welke terminologieregels worden herhaaldelijk overtreden?
- Welke markten vereisen meer menselijke betrokkenheid?
- Welke contextbronnen hebben de grootste invloed op de kwaliteit?
- Waar kan automatisering veilig worden uitgebreid?
- Waar moet menselijke beoordeling verplicht blijven?
Dit tilt de kwaliteit van de lokalisatie naar een hoger niveau dan het controleren van afzonderlijke uitvoer.
Het wordt een continu lerend systeem.
Vertaalintelligentie verandert de rol van lokalisatieteams.
De overgang van vertaalbeheer naar vertaalintelligentie is niet alleen een technologische verandering. Ook de rol van de lokalisatiefunctie verandert hierdoor.
Volgens het traditionele model wordt lokalisatie vaak gezien als een dienst in een later stadium. Product-, marketing- of supportteams maken content, leveren die aan voor vertaling en wachten op de meertalige output.
Binnen een intelligentiemodel wordt lokalisatie onderdeel van de wereldwijde besluitvormingsinfrastructuur van de organisatie.
Het verbindt product, engineering, design, marketing, juridische zaken, support en kennis van de lokale markt. Het laat zien waar de brontekst ambigu is, waar terminologie verwarring veroorzaakt, waar automatisering betrouwbaar is en waar menselijke expertise de meeste waarde oplevert.
Lokalisatieteams zijn daarom niet langer alleen verantwoordelijk voor het coördineren van projecten en leveranciers.
Ze zijn in toenemende mate verantwoordelijk voor het ontwerpen van de manier waarop meertalige beslissingen worden genomen, geëvalueerd, aangestuurd en verbeterd.
Dit vereist sterkere capaciteiten op het gebied van kennisbeheer, AI-governance, contextengineering, kwaliteitsevaluatie, systeemintegratie en risicogebaseerd workflowontwerp.
Taalkundige expertise blijft centraal staan. Maar ze wordt ingebed in een bredere intelligentielaag.
Vertaalbeheer verdwijnt niet.
Translation Intelligence moet niet worden beschouwd als een vervanging voor vertaalbeheersystemen.
Organisaties hebben nog steeds behoefte aan projectcoördinatie, toegangsrechten, terminologiebeheer, vertaalgeheugen, workflowbeheer, integraties en rapportages. Dit blijven essentiële functionaliteiten.
Wat verandert, is de verwachte rol van het platform.
De vorige generatie lokalisatietechnologie was gericht op het efficiënt doorlopen van een proces met content.
De volgende generatie moet ook kennis in dat proces inbrengen, beslissingen begeleiden, resultaten evalueren en leren van menselijke feedback.
Vertaalbeheer vraagt:
Hoe organiseren en leveren we meertalige content?
Translation Intelligence vraagt:
Hoe zorgen we ervoor dat ieder mens en elk AI-systeem over de kennis beschikt die nodig is om de juiste lokalisatiekeuze te maken?
Wereldwijde organisaties hebben beide nodig.
Het volgende tijdperk van lokalisatie
Nu vertalingen steeds sneller en geautomatiseerder worden, zal concurrentievoordeel niet alleen voortkomen uit het genereren van meertalige tekst.
Het zal voortkomen uit het begrijpen van de betekenis.
De krachtigste lokalisatiesystemen weten hoe content samenhangt met het product, de doelgroep, de markt, het merk en eerdere beslissingen van de organisatie. Ze halen automatisch relevante context op, passen die gericht toe, evalueren de resultaten continu en verbeteren die met behulp van menselijke beoordeling.
Dit is de transitie die momenteel in de lokalisatiebranche plaatsvindt.
Van bestanden beheren tot inhoud begrijpen.
Van vertalingen opslaan tot leren van beslissingen.
Van het automatiseren van overdrachten tot het automatiseren van onderzoek.
Van statische taalkundige middelen naar zelfevoluerende kennis.
Van vertaalbeheer naar vertaalintelligentie.
Hyperlocalise werkt toe naar deze toekomst met AI-agenten, een CAT-ervaring van de volgende generatie en een zelfontwikkelende contextengine die is ontworpen om wereldwijde teams te helpen betere vertalingen te maken met minder handmatig onderzoek.
De volgende generatie lokalisatiesoftware zal niet simpelweg vertalingen beheren.
Het maakt de organisatie slimmer in de manier waarop ze in verschillende markten communiceert.