Din kvalitetsscore sagde grønt, men markedet sagde noget andet: Indsigt fra Smartling- og OpenAI-sessionen på LocWorld55 Dublin

En kvalitetsscore fortæller dig, om oversættelsen har bestået en defineret kontrol. Den tæller fejl, kontrollerer tærskler og ser bagud. Virksomheden spørger imidlertid om noget andet: Er vi klar til at sende dette til det marked?

Den sondring er den brudlinje, der løber gennem de fleste virksomhedslokaliseringsprogrammer lige nu, og det var det centrale argument på en af LocWorld55 Dublins mest besøgte sessioner. Lokalet var fyldt, fordi kunstig intelligens (AI) har gjort forsendelse hurtigere, men udfordringen nu er at sikre, at pålidelighed, evaluering og implementeringspraksis holder trit. Det er trods alt dér, huller kan koste holdene rigtige penge og markedets troværdighed.

På LocWorld55 præsenterede Kathy Mok, chef for lokalisering hos OpenAI, og Olga Beregovaya, Smartlings vicedirektør for AI, "Ville du sende dette?". "Omformulering af oversættelseskvalitet til AI-æraen."

Olga Beregovaya (Smartling) og Kathy Mok (OpenAI) på scenen i LocWorld55 Dublin.

For dem der ikke var til stede, er her nogle idéer, der er værd at tage med tilbage til jeres program:

Når instrumentbrættet lyver (på en måde)

Kathy indledte med et scenarie, som de fleste lokaliseringschefer vil genkende med det samme. I har lanceret 100 sprog hurtigt. Scorecardet for multidimensionelle kvalitetsmålinger (MQM) er grønt, serviceniveauaftaler (SLA'er) er opfyldt, og alle tre sprog har passeret deres grænser. Så begynder feedbacken at komme ind: Japansk marketing siger, at det kreative aktiv ikke er godt nok, en spansktalende interessent markerer call-to-action (CTA) som værende af lav kvalitet, og en vækstproduktchef begynder stille og roligt at lede efter sit eget franske bureau.

Det ubehagelige er, at instrumentbrættet stadig viser grønt. MQM-scoren er ikke problemet her, men snarere besvarer den det spørgsmål, den var designet til at besvare: om oversættelsen bestod en defineret sproglig kontrol. Virksomheden spørger, om denne oplevelse er klar til et rigtigt marked med rigtige brugere, der træffer rigtige beslutninger baseret på det, de læser, og de to spørgsmål er ikke det samme. At behandle dem som ækvivalente er præcis sådan, teknisk korrekte oversættelser skaber kommercielt fejlslagne oplevelser.

Kvalitetsmodeller bygget til en langsommere verden

Det betyder ikke, at traditionel kvalitetsmåling er forkert. Det betyder, at den blev designet til et tempo, der ikke længere eksisterer. Brands leverer nu indhold globalt i en daglig kadenc, AI-orienteret oversættelse er blevet den operationelle norm, og leverandørpartnere omskoler arbejdsgange i realtid for at følge med. I det miljø bliver optælling af fejl efter levering i bedste fald en efterslæbende indikator. Når en sproglig kvalitetssikringsgennemgang (LQA) bekræfter, at noget var galt, er indholdet ofte allerede på markedet.

Det dybereliggende problem er strukturelt. Traditionelle kvalitetsmodeller beder anmeldere om at finde fejl, men de er ikke designet til at spørge, om en given fejl er vigtig, for hvem den er vigtig, på hvilken overflade, på hvilket marked og på hvilket risikoniveau. Det detaljerede arbejde med fejlmærkning har sin plads, men det forudsiger ikke pålideligt, om en kampagne vil konvertere, om en sikkerhedsmeddelelse vil være tillid til, eller om et betalingsflow vil få nogen til at afbryde transaktionen helt.

Introduktion til forsendelse

Dette skift kaldes forsendelsesevne: praksissen med at behandle kvalitetsgennemgang ikke som en bagudskuende defektrevision, men som en fremadskuende beslutning om lanceringsberedskab. Kernespørgsmålet ændrer sig fra "hvor mange fejl fandt vi?" til "ville en lokal bruger stole nok på dette til at fortsætte?" Det lyder som en lille ændring i formuleringen, men de operationelle konsekvenser er betydelige.

Indrammet på denne måde ændrer anmelderens job sig fuldstændigt. I stedet for at kontrollere sprog mod en taksonomi, tager anmeldere lokalt ejerskab over en beslutning om forsendelse ved at evaluere fire ting:

1. Betydning (er den oprindelige hensigt intakt?)
2. Markedstilpasning (er dette passende for denne specifikke målgruppe og kontekst?)
3. Risiko (vildleder det, blokerer en handling eller undergraver det tilliden?)
4. Handling (hvad sker dernæst: sende det, forbedre det efter lanceringen, eller gemme det til en rettelse før udgivelsen)

Den sidste dimension er vigtig, for uden et klart, handlingsrettet output bliver forsendelsesevne endnu en abstrakt kvalitetsramme, der ikke ændrer noget i praksis. De tre forsendelseskald er designet til at forhindre netop det: reparer før afsendelse, afsend, og forbedr, eller klar til afsendelse. Hver enkelt fortæller holdet, hvad de skal gøre, ikke kun hvordan oversættelsen scorede.

Tærsklen bevæger sig med markedet

Et af de mere praktisk brugbare argumenter fra sessionen er, at forsendelsesevne ikke er en universel standard. Det er en risikokalibreret vurdering, og det rette risikoniveau afhænger helt af, hvad der oversættes, og hvem det er beregnet til. En lavsynlig artikel i hjælpecenteret, en overskrift om betalte anskaffelser, en sikkerhedsinstruktion og en prisskærm repræsenterer fire meget forskellige risikoprofiler. At anvende den samme gennemgangdybde på dem alle betyder enten at overinvestere i de steder, der ikke berettiger det, eller underinvestere i dem, der gør.

Markedspersonaer flytter også tærsklen på meningsfulde måder. For eksempel kræver AI-forsigtige målgrupper højere selvtillidssignaler og en mere bevidst tone, mens nytteorienterede markeder prioriterer opgaveklarhed frem for stilistisk finesse, og kvalitetsfølsomme steder har højere forventninger til nuancer og register. Lokaliseringsbeslutninger, der fungerer godt for én målgruppeprofil, kan aktivt underpræstere for en anden, hvilket er grunden til, at lokalt ejerskab af leveringsopkaldet er lige så vigtigt som at have rammeværket i første omgang.

Hvordan Smartling og OpenAI byggede det i praksis

Olga bragte anden halvdel af sessionen ind i den operationelle virkelighed af, hvad det rent faktisk kræver at køre et program på denne måde. Partnerskabet mellem Smartling og OpenAI startede på 20 lokationer, er blevet udvidet til mere end 60 og dækker nu fuldt ud ChatGPT og OpenAIs komplette produktsuite. Den skala, opretholdt med den hastighed, er den virkelige stresstest for ethvert kvalitetsrammeværk.

Oversætterens rolle måtte næsten fuldstændigt gentænkes. Inden for forsendelsesmodellen behandler en lingvist ikke strenge i en kø. I stedet fungerer de mere som en lokal produktchef, der læser hele konteksten uden forudgående dom, vurderer den i forhold til markedspersonaen og risikorammen og derefter træffer og registrerer en klar beslutning. Disse beslutninger sendes tilbage til systemet som signaler, der informerer om, hvad der kan automatiseres, hvor menneskelig gennemgang stadig flytter resultater, og hvad der skal ændres i den underliggende arbejdsgang eller modeladfærd over tid.

Smartling byggede en specialdesignet arbejdsflade til at understøtte denne model. Den er minimalistisk, brugervenlig og struktureret omkring de tre forsendelsesopkald i stedet for traditionel fejlkategorisering. Designet afspejler filosofien direkte: ingen komplekse scoringsgitre, ingen udførlig defektmærkning. Grænsefladen beder anmeldere om at læse i fuld kontekst, vurdere holistisk og træffe en beslutning. Den enkelhed er bevidst, fordi kognitiv overhead i gennemgangstrinnet er en af de ting, der bremser programmer og forringer kvaliteten af det signal, der kommer tilbage.

Start uden en fuld programgenopbygning

Spørgsmål og svar (Q&A) under sessionen afspejlede en forudsigelig bekymring: det lyder rigtigt, men hvor skal man overhovedet begynde? Kathy anbefalede at starte med én bane, ét marked, én indholdstype og ét ændret spørgsmål. I stedet for at spørge anmelderne, hvor mange fejl de fandt, så spørg, om de ville sende dette til deres marked. Spor, hvad der kommer tilbage, i fire simple kategorier: 1) afsendt; 2) ikke endnu; 3) hvorfor; og 4) hvilken handling der blev udløst. Det er signalet, og det er mere nyttigt end et detaljeret fejlantal, fordi det knytter sig direkte til en forretningsbeslutning.

Ejerskabsfordelingen spiller også en rolle. Klientorganisationen fastlægger forretningskonteksten og definerer risikoappetitten for hver indholdstype og marked. Leverandørpartneren er ansvarlig for at muliggøre vurderingen, få de rette kontrollanter på plads, opbygge arbejdsgange, der kan fungere i det nødvendige tempo, og sørge for, at værktøjerne understøtter klare beslutninger i stedet for at belaste kontrollanterne med procesomkostninger. Begge sider er nødt til at yde deres del, fordi beslutninger om forsendelsesmuligheder kræver en person, der forstår, hvad der står på spil kommercielt, og en person, der kan strukturere programmet, så disse beslutninger træffes ensartet i stor skala.

Selv data fra et beskedent pilotprojekt begynder at afdække den reelle form for risiko i et program: hvor teams overvurderer indhold, der ikke berettiger det, hvor de undervurderer indhold, der gør, og hvordan en kvalitetsstrategi, der er bygget til deres faktiske leveringstempo, ville se ud i praksis.

Det varige spørgsmål

Sessionen sluttede med en effektfuld restaurantanalogi: overvej at menuen kan oversættes korrekt, men spørgsmålet er ikke, om ordene er rigtige. Spørgsmålet er, om gæsterne vil bestille med tillid, stole på det, de læser, og føle sig trygge nok til at komme tilbage.

En lidt akavet sætning i dessertbeskrivelsen er et helt andet problem end en misforståelse om allergener. Begge er tekniske fejl, men kun én af dem repræsenterer en risiko, der er alvorlig nok til at stoppe en opsendelse. At kende forskellen og strukturere et kvalitetsprogram omkring denne sondring er, hvad forsendelse er designet til at gøre.

Lokaliseringskvalitet er ikke et emne om sproglig perfektion. Det er et emne om selvtillid ved lancering. Smartling- og OpenAI-sessionen på LocWorld55 fremlagde dette konkret, baseret på et rigtigt program, der kører i reel skala. Hvis din nuværende kvalitetsproces ikke pålideligt kan give et svar på, om en oversættelse er klar til markedet, er det det bedste sted at starte.