Tillid, med den hastighed, som AI kræver: Hvad Global Ready Conference 2026 lærte os om fremtiden for oversættelseskvalitet

Når det kommer til oversættelse, er hastighedsproblemet løst: kunstig intelligens (AI) får lokaliseret indhold på markedet hurtigere end noget team nogensinde har gjort. Men hastighed uden et kvalitetsfundament skaber sine egne problemer, lige fra terminologiforskydninger og tonefald, der skifter mellem markeder, til brandudtryk, der betyder noget andet på japansk end på engelsk – og ofte opdager ingen disse problemer, før noget leveres forkert.

Det vanskeligere problem er tillid. Kan du satse dit brand på, hvad AI producerer? Kan du have dit hjælpecenter på 21 sprog og vide, at det er rigtigt? Kan du sende en produktopdatering til globale brugere og være sikker på, at den er nøjagtig?

Det er den samtale, som Global Ready Conference 2026 blev bygget op omkring. Lokaliseringsledere, marketingmedarbejdere, produktteams og lærings- og udviklingsprofessionelle (L&D) brugte dagen på at stille disse spørgsmål fra alle vinkler – og svaret, der dukkede op i hver session, er, at tillid ikke er et gennemgangstrin. Det skal indbygges i processen, og det betyder, at det skal indbygges i platformen.

Smartling lancerede den største AI-innovation i virksomhedens historie på årets Global Ready Conference. Enhver funktion i den er bygget op omkring det samme princip: kvalitet skal være automatisk, kontinuerlig og målbar. Ikke noget, som holdene forsøger at bekræfte bagefter.

Lanceringen: kvalitet indbygget i hvert lag

Smartlings vicepræsident for AI, Olga Beregovaya, og vicepræsident for produkt, Andrew Saxe, åbnede produktkøreplanen og diskuterede, hvordan mængden af AI-oversættelser vokser hurtigere end noget teams evne til at overvåge det. Kløften mellem det, der produceres, og det, der anmeldes, er det sted, hvor kvaliteten ofte bryder sammen.

At løse den udfordring er omdrejningspunktet for Smartlings lancering — LQA Agent, en AI-drevet kvalitetsevaluering, der anvender branchestandardiserede multidimensionelle kvalitetsmålinger (MQM) til at score oversættelser automatisk og i stor skala, hvilket giver kontinuerlig kvalitetsovervågning, der afdækker, hvor der rent faktisk er behov for yderligere opmærksomhed, og sporer tendenser over tid.

Ud over LQA-agent, udgivelsen inkluderer også:

• Øjeblikkelig AI-oversættelse i forbundne værktøjer, herunder Figma, Adobe Creative Suite og AEM, så din oversættelseshukommelse, ordlister og stilregler til AI gælder for alle oversættelser.
• Automatisk valg af LLM, som håndterer modelvalg, hurtig engineering og løbende benchmarking bag kulisserne for output af højere kvalitet uden behov for ændringer i arbejdsgangen. Indbygget RAG sikrer, at alle oversættelser henter fra oversættelseshukommelse, ordlister og AI-stilregler for at opnå output af højere kvalitet end traditionel MT, uden opsætning og uden modellåsning.
• Stilregler for AI, som anvender tegnsætning, datoformater, regionale sprogstandarder og valgfrie krav til brandstemme eller domæne på tværs af mere end 30 lokaliteter for at holde alt output i overensstemmelse med brandet.
• AI-billedoversættelse, som udtrækker tekst fra billeder, oversætter den og genopbygger billederne med den oversatte tekst på plads – og udvider de samme kvalitetsstandarder, som du forventer af tekstbaserede aktiver, til billeder som produktfotos, bannere og sociale aktiver.
• Sproglig tilpasning at lukke regionale varianthuller, som amerikansk engelsk til britisk engelsk, uden omkostningerne ved fuld genoversættelse.

Hvert stykke er bygget på det samme fundament. En oversættelsesplatform hvor kvalitet er standarden – indlejret i motoren, reglerne, outputtet og evalueringen.

Hvad dagens sessioner lærte os om kvalitet

Hvad går galt, når hastigheden overstiger strukturen? Olga og Alex Yanishevsky, Senior Director for AI og MT Solutions, ledede den breakout, der tog fat på dette direkte.

I sidste ende var de enige om, at hastighed uden styring skaber sine egne problemer, herunder inkonsekvent terminologi, manglende revisionsspor og potentialet for hallucinationer, der dukker op på præcis det forkerte tidspunkt. Sessionen præsenterede, hvad AI-styring rent faktisk betyder i praksis: pålidelige data og robuste kvalitetskontroller, detektion og overvågning, gennemsigtighed og revisionsmuligheder samt risikoreduktion.

I Smartlings implementering ligner det hallucinationsdetektion, der afdækker AI-introducerede fejl, kvalitetsscoring, der sender markeret indhold til menneskelige korrekturlæsere, og en LQA-agent, der leverer kontinuerlig overvågning, så teams kan spore kvalitetstendenser over tid.

AI-lokaliseringsrammen, der opstod på grund af hård erfaring

I SumUps operation delte Jasmin Barth, Senior Localization Manager, og Maja Milosavljevic, Global Localization Manager, den indholdsmatrix, deres team har udviklet for at vejlede oversættelsesbeslutninger i stor skala, med kvalitet som kriterium i hver afdeling.

Indsigten bag rammeværket er, at indholdstype bestemmer kvalitetsrisikoen. Højsynlige, regulerede og brandkritiske strenge kræver en anden sti end intern dokumentation eller notifikationer med lav risiko. Kvalitetsprogrammer lykkes, når hver indholdstype får den arbejdsgang, den rent faktisk har brug for.

Deres session mildnede ikke de fiaskoer, der formede det, de byggede. De delte deres rejse med at afdække de arbejdsgange, der brød sammen i produktionen, de antagelser, der ikke holdt, og de øjeblikke, hvor et overvågningssignal ville have fanget et problem, før det blev afsendt. Det, der tydeligt fremgik, er, at det er at udføre det hårde arbejde tidligt, der er grundlaget for deres programs styrke.

Da et konsulentfirma anbefalede en generisk LLM

Michelle Kerr, direktør for produkttransformation hos IHG Hotels & Resorts, delte sit teams erfaring med at evaluere, om en generisk, stor sprogmodel kunne håndtere lokalisering på tværs af 21 sprog og alle ejede kanaler.

Resultatet? Det kunne det ikke. Generisk AI producerer en oversættelse, men den anvender ikke godkendt terminologi, håndhæver ikke stil på tværs af markeder, dirigerer ikke indhold til det rigtige kvalitetsniveau baseret på synlighedsniveau eller giver et revisionsspor, når noget går galt. Hvert af disse krav kræver infrastruktur, såsom en platform, der samler de sproglige aktiver, styringskontroller og kvalitetsrammeværket på ét sted.

IHG har genopbygget sin lokaliseringsarkitektur for at flytte oversættelse opstrøms til indholdsstyringssystemet (CMS). Indhold dirigeres nu til den rigtige oversættelsesmetode i stor skala. Kvalitetstjek sker, før indholdet når gæsterne, ikke efter det er sendt. Det øjeblik, hvor IHGs team afviste det generiske LLM-forslag, var mere end en teknologisk beslutning: det var en beslutning om, hvad kvalitet rent faktisk kræver.

Hvad marketingteams ikke ser, før kvaliteten allerede er faldet

Dervilla O'Reilly, Lead Web Manager for lokalisering og internationale operationer hos Docusign, argumenterede for, at ukontrolleret AI-oversættelse er den kvalitetsrisiko, som marketingteams er mest udsatte for (og mindst forberedte på at opdage).

Problemet er ikke, at AI producerer åbenlyst dårlige oversættelser. Det er mere subtilt, for uden brand-trænede arbejdsgange, håndhævelse af ordlister og en feedback-loop tilbage til platformen er der intet signal, når kvaliteten afviger fra virksomhedens retningslinjer: et brandudtryk, der er inkonsekvent oversat på tysk; en tone, der ændrer sig på fransk; en sætning, der rammer anderledes på et reguleret marked. Intet af det fremgår af en leveringsrapport eller en ordtælling.

Hendes teams arbejde involverer to ting, som de fleste marketinglokaliseringsprogrammer springer over: at uddanne interessenter i, hvad ustyret AI rent faktisk producerer i praksis, og at tilpasse indhold, før AI overhovedet rører ved det. På denne måde holder kvaliteten i markedsføringslokalisering op med at være et kontrolpunkt i processen og bliver i stedet en beslutning, der træffes, før oversættelsen starter.

Fra 200 til 2.000 timer: hvor automatiseringen stopper, og kvaliteten starter

Bruno Gonçalves, Global Program Strategist og Learning Experience Head hos IBM SkillsBuild, kom med et tal, der ændrede, hvordan L&D-teams tænker på skala: IBM gik fra 200 til 2.000 timers oversat læringsindhold med et mindre team end før.

Da teamet nærmede sig skalering til denne mængde, var fuld automatisering ikke løsningen: indholdet var teknisk, nogle elever var helt ned til 14 år, og nogle sprog krævede højre-mod-venstre-understøttelse, som værktøjerne ikke var designet til. Det, der virkede i stedet, var et menneske-i-loop-system med eksplicitte beslutninger om, hvor AI-oversættelse kunne stoles på, og hvor den ikke kunne. De byggede oversættelseshukommelse specifikt til L&D-indholdstyper, løste kompatibilitetsudfordringer med SCORM og Rise (almindelige e-læringsfilformater), som ikke havde nogen etableret strategi, og satte klare regler for præcis, hvornår menneskelig validering var ufravigelig.

Den gode lektie fra IBM SkillsBuild er, at skalering ikke betyder at fjerne mennesker fra arbejdsgangen. Det betyder at placere dem præcis der, hvor AI ikke lever op til forventningerne, og at bygge infrastrukturen til at mærke forskellen.

De 95%, som ingen advarer dig om

Chris Dell, Senior Advisor hos Next Chapter Advisory + Coaching, har været på begge sider af beslutningen om at bygge versus købe på virksomhedsniveau. Hans formulering var, at mens API-kaldet er de nemme 5% af at opbygge et oversættelsessystem, forbliver de andre 95% - integration af oversættelseshukommelse, håndhævelse af ordliste, compliance-kontroller, vedligeholdelse af forbindelser og justering af prompten hver gang en ny model sendes - permanent hos dit ingeniørteam.

Hver af disse komponenter er en kvalitetsvariabel. Hjemmelavede stakke har ingen oversættelseshukommelse, ingen løbende kvalitetsovervågning og intet revisionsspor. De har alt det, dit team har tid og kapacitet til at opbygge og vedligeholde på lang sigt, sammen med alt andet, de er ansvarlige for. I sidste ende er den reelle pris ved at bygge internt ikke den indledende udvikling, men den løbende kvalitetsgæld.

Mere fra Global Ready-konferencen

Hvad der rent faktisk kræves for at opbygge ledelsens engagement — Winnie Wong, lokaliseringsleder hos DoorDash; Kenny Imery, Senior Manager for Globalisering og International Vækst hos Tinder; og Jerome Selinger, leder inden for global vækst og globalisering, gennemgik, hvordan de har gjort lokaliseringens effekt forståelig for ledere, der tænker i forskellige målepunkter. MQM-scorer bevæger lokaliseringsteams, men det, der bevæger en administrerende direktør, er, når kvalitet omsættes direkte til konverteringsrater, markedsfastholdelse og time-to-market. Panelet delte, hvad der fik den oversættelse til at fungere i deres organisationer.

Det skjulte arbejde med lokalisering — Rossella Barry, Localization Strategy Manager hos AllTrails, og Verónica Celdrán, Senior Manager of Globalisation hos Taskrabbit, adresserede de kvalitetsproblemer, der starter, før oversættelsen begynder: tekststrenge indsendt uden kontekst, manglende dokumentation, indhold, der forurener oversættelseshukommelsen og skaber omarbejdningsløkker, der sammensætter sig i månedsvis. At have de rigtige indsendelsesstandarder er det, der rent faktisk styrer kvalitetsmålingerne – og det, der gør AI hurtigere og mere effektiv. Jo renere dit indtag, desto bedre præsterer AI'en.

Ud over pilotprojektet: hvordan højtydende teams skalerer AI — Tommaso Rossi, lokaliseringsdirektør hos Spotify; Patricia Sainz, oversættelsesprogramleder hos SAS; Julio Leal, lokaliseringschef hos Rover.com; og Ana Vehar, global chef for indholdslokalisering hos SumUp, afsluttede indholdssessionerne med en af dagens mest åbenhjertige samtaler. Den gennemgående tråd gennem hele diskussionen var, at kløften mellem at afprøve AI og at skalere den i sidste ende er et kvalitetskløft. De teams, der har skaleret AI-oversættelse, byggede effektivt først en kvalitetsinfrastruktur.

Global Ready-priserne

Konferencen sluttede med anerkendelse af de programmer, der udførte lokalisering på den rigtige måde. Årets vindere af Global Ready Award: Atlassian (Excellence), Busuu (Tilgængelighed), Docusign (Samarbejde), Fortra (Acceleration), Kyndryl (Globalisering), Netskope (Partnerskab) og Commonwealth of Virginia / VITA (Trailblazer) — hædret for at have onboardet 67 statslige agenturer. Globalt leveringsnetværk at gøre kritisk regeringsindhold tilgængeligt for borgerne på deres egne sprog.

Hvad lokaliseringsledere arbejder hen imod

Anna Schlegel, administrerende direktør for Universalization.ai, åbnede Global Ready Conference ved at nævne, hvad de fleste lokaliseringsledere allerede ved, men ikke helt har taget højde for: AI-æraen har ikke gjort dette arbejde lettere, den har bare hævet barren. De ledere, der trives, er dem, der tager ansvar for tillidsspørgsmålet, fordi tillid til det, AI producerer, nu er et af de sværeste problemer inden for globalt indhold. De mennesker, der kan løse det, er dem med den dybeste ekspertise i, hvordan sprog rent faktisk fungerer på tværs af markeder.

Annas kerneideer dukkede op i hver session. Alle praktikere på scenen havde en version af den samme historie: AI lavede hurtige oversættelser, og den nye udfordring blev at sikre, at outputtet var noget, man kunne satse sit brand på. Det er den ultimative værdi af Smartlings kvalitetsinnovationer – oversættelse du kan stole på, med den hastighed, som AI kræver, med kvalitet, der overvåges automatisk i stor skala.

Alle elleve sessioner på Global Ready-konferencen er tilgængelige on-demand. Se lanceringen, praktikersessionerne og hele samtalen på smartling.com/conference.