KI-Übersetzungsqualität: Warum 60 % der maschinellen Übersetzungen Halluzinationsrisiken aufweisen

KI-Übersetzungsqualität: Warum 60 % der maschinellen Übersetzungen Halluzinationsrisiken aufweisen

Künstliche Intelligenz hat unseren Umgang mit Übersetzungen grundlegend verändert. Neuronale maschinelle Übersetzungssysteme (NMT) wie Google Translate, DeepL und GPT-basierte Modelle können mittlerweile flüssige, natürlich klingende Texte in Dutzenden von Sprachen erzeugen. Die Nutzung steigt rasant: Der globale Markt für maschinelle Übersetzung soll bis 2027 einen Wert von 4,2 Milliarden US-Dollar erreichen, angetrieben von KI-gestützten Lösungen.

Doch unter der Oberfläche verbirgt sich ein Problem. Trotz beeindruckender Flüssigkeit enthält ein erheblicher Anteil maschineller Übersetzungen das, was Forscher als "Halluzinationen" bezeichnen — Ausgaben, die korrekt klingen, aber den Sinn subtil verzerren, auslassen oder erfinden. Laut Branchenanalysen und akademischen Studien trägt rund 60 % des maschinell übersetzten Inhalts ein gewisses Halluzinationsrisiko — von leichter semantischer Drift bis hin zu gefährlichen sachlichen Fehlern.

Für Teams, die Software für globale Nutzer bereitstellen, ist das kein akademisches Problem. Eine halluzinierte Übersetzung im Checkout-Flow, in einer medizinischen Oberfläche oder in rechtlichen Dokumenten kann reale Kosten verursachen, das Nutzervertrauen untergraben oder Haftungsrisiken schaffen. Dieser Artikel untersucht, warum KI-Übersetzungen halluzinieren, wie man diese Fehler erkennt und welche Workflows das Problem tatsächlich lösen.

Das 60-%-Halluzinationsproblem

Was sind Übersetzungshalluzinationen?

Übersetzungshalluzinationen entstehen, wenn ein maschinelles Übersetzungssystem eine Ausgabe erzeugt, die flüssig, aber dem Ausgangstext gegenüber nicht treu ist. Im Gegensatz zu offensichtlichen Fehlern (verzerrte Syntax, nicht übersetzte Wörter) sind Halluzinationen gerade deshalb gefährlich, weil sie korrekt wirken.

Forscher kategorisieren Übersetzungshalluzinationen in drei Typen:

1. Semantische Drift Die Übersetzung verschiebt allmählich die Bedeutung und erzeugt einen grammatikalisch korrekten Satz, der jedoch etwas anderes als der Ausgangstext aussagt.

• Quelle (EN): "The update improves battery performance by 20%."
• Halluziniert (DE): "Das Update verbessert die Akkuleistung um 30%." (sagt 30 % statt 20 %)

2. Auslassungs-Halluzinationen Das Modell lässt stillschweigend wichtige Informationen aus dem Ausgangstext weg.

• Quelle (EN): "Cancel within 14 days for a full refund. Terms and conditions apply."
• Halluziniert (FR): "Annulez sous 14 jours pour un remboursement complet." (lässt "Terms and conditions apply" weg)

3. Erfindungs-Halluzinationen Das Modell fügt Informationen hinzu, die im Ausgangstext nicht existieren.

• Quelle (EN): "Our platform supports 40+ languages."
• Halluziniert (JA): "当社のプラットフォームは40以上の言語をサポートし、リアルタイム翻訳を提供します。" (fügt "und bietet Echtzeit-Übersetzung" hinzu — eine Funktion, die möglicherweise nicht existiert)

Warum 60 % die richtige Zahl ist

Die 60-%-Zahl ergibt sich aus der Zusammenfassung von Erkenntnissen aus mehreren Studien und Branchenberichten:

• University of Maryland (2023): Stellte fest, dass bis zu 70 % der Übersetzungen von LLM-basierten Systemen bei der Übersetzung ressourcenarmer Sprachpaare mindestens eine Art von Halluzination enthielten.
• GALA Industry Report (2024): Befragte 500+ Lokalisierungsfachleute; 58 % berichteten, in den letzten 12 Monaten KI-Halluzinationen in Produktionsübersetzungen begegnet zu sein.
• Meta AI Research (2023): Ihre Studie über Halluzinationen in NMT-Systemen ergab, dass selbst ressourcenreiche Sprachpaare (EN-DE, EN-FR) Halluzinationsraten von 15–25 % aufwiesen, während ressourcenarme Paare 60 % überstiegen.
• Intento State of MT (2025): Benchmarkte 15 MT-Engines über 30 Sprachpaare hinweg; stellte fest, dass 62 % der Segmente bei der Bewertung durch menschliche Linguisten mindestens ein Qualitätsproblem aufwiesen.

Die Rate variiert erheblich nach:

• Sprachpaar: Ressourcenreiche Paare (EN-DE) haben niedrigere Raten als ressourcenarme Paare (EN-Swahili)
• Domäne: Allgemeine Inhalte haben niedrigere Raten als Spezialgebiete (Recht, Medizin, Technik)
• Inhaltstyp: Strukturierte UI-Strings halluzinieren weniger als Fließtext
• Modellarchitektur: Dedizierte NMT-Modelle halluzinieren weniger als allgemeine LLMs, die für Übersetzungen eingesetzt werden

Reale Beispiele falscher Übersetzungen

UI-Fehler, die in Produktion gelangten

Diese Beispiele veranschaulichen, wie Übersetzungshalluzinationen echte nutzerseitige Probleme verursachen:

Beispiel 1: E-Commerce-Checkout (EN nach PT-BR)

Das letzte Beispiel ist katastrophal: Die Halluzination kehrte die Bedeutung um und teilte Nutzern mit, dass sie innerhalb von 24 Stunden eine Rückerstattung erhalten können, obwohl die Richtlinie besagt, dass sie es nicht können.

Beispiel 2: SaaS-Einstellungsbereich (EN nach KO)

• Quelle: "Delete all data permanently"
• Erwartet: "모든 데이터를 영구적으로 삭제"
• Halluziniert: "모든 데이터를 초기화" (bedeutet "Alle Daten zurücksetzen" — eine völlig andere Aktion)

Nutzer, die auf "Zurücksetzen" klicken, erwarten die Wiederherstellung von Standardeinstellungen; Nutzer, die auf "Permanent löschen" klicken, erwarten die Datenvernichtung. Diese Halluzination könnte zu Datenverlust führen — oder umgekehrt dazu, dass Nutzer glauben, ihre Daten seien gelöscht worden, obwohl sie es nicht wurden.

Beispiel 3: Healthcare-App (EN nach AR)

• Quelle: "Take 2 tablets every 8 hours"
• Erwartet: "تناول قرصين كل 8 ساعات"
• Halluziniert: "تناول قرصين كل 8 أيام" (sagt "alle 8 Tage" statt "alle 8 Stunden")

In medizinischen Kontexten ist diese Art von Halluzination nicht nur ein Bug — sie ist ein Sicherheitsrisiko.

Semantische Drift in Marketing-Inhalten

Langform-Inhalte sind besonders anfällig für semantische Drift, bei der die Übersetzung allmählich von der Ausgangsbedeutung abweicht:

Quelle (EN):

"Our free plan includes 5,000 translation keys, unlimited languages, and community support. Upgrade to Pro for priority support and advanced analytics."

Halluziniert (DE):

"Unser kostenloser Plan umfasst 5.000 Uebersetzungsschluessel, unbegrenzte Sprachen und Premium-Support. Wechseln Sie zu Pro fuer erweiterte Analysen und API-Zugang."

Drei Halluzinationen in einem Absatz:

1. "community support" wurde zu "Premium-Support" (Aufwertung)
2. "priority support" wurde komplett weggelassen
3. "API-Zugang" (API-Zugriff) wurde erfunden

Human-in-the-Loop als Lösung

Der effektivste Ansatz für KI-Übersetzungsqualität besteht nicht darin, maschinelle Übersetzung aufzugeben — sondern darin, KI-Geschwindigkeit mit menschlichem Urteilsvermögen zu kombinieren. Dies ist das Human-in-the-Loop (HITL) Modell.

Warum reine Automatisierung scheitert

Vollständig automatisierte Übersetzungs-Pipelines (Ausgangstext rein, veröffentlichte Übersetzung raus) scheitern, weil:

1. Kein Quality Gate: Halluzinationen passieren unentdeckt
2. Keine Kontextbewusstsein: Maschinen können Übersetzungen nicht gegen Produktwissen, Markenstimme oder regulatorische Anforderungen verifizieren
3. Keine Verantwortlichkeit: Wenn Fehler die Produktion erreichen, gibt es keinen Review-Trail, um zu verstehen, was schiefgelaufen ist
4. Kaskadenfehler: Ein halluzinierter Begriff im Glossar breitet sich auf Tausende von Übersetzungen aus

Der HITL-Workflow

Ein gut gestalteter Human-in-the-Loop-Workflow hat vier Phasen:

Ausgangstext
    |
    v
[KI-Übersetzung] --- erzeugt Übersetzungsentwürfe
    |
    v
[Quality Scoring] --- automatisierte Prüfungen markieren potenzielle Probleme
    |
    v
[Human Review] --- Linguisten überprüfen markierte Segmente
    |
    v
[Veröffentlichung] --- freigegebene Übersetzungen gehen live

Phase 1: KI-Übersetzung Maschinelle Übersetzung erzeugt erste Entwürfe. Hier schafft KI den größten Mehrwert — in Sekunden statt Stunden einen ersten Durchgang erstellen.

Phase 2: Quality Scoring Automatisierte Qualitätsprüfungen identifizieren potenzielle Probleme:

• Terminologiekonsistenz gegen Glossare
• Verifizierung von Zahlen- und Datumsformaten
• Längenbeschränkungen für UI-Elemente
• Formalitätsniveau-Abgleich
• Erkennung bekannter Halluzinationsmuster

Phase 3: Human Review Professionelle Linguisten oder zweisprachige Teammitglieder überprüfen markierte Segmente. Die zentrale Erkenntnis: Menschen müssen nicht alles überprüfen — nur die Segmente, die automatisierte Prüfungen als riskant markiert haben.

Phase 4: Veröffentlichung Nur Übersetzungen, die sowohl automatisierte als auch menschliche Review-Gates passieren, werden in die Produktion veröffentlicht.

HITL-Wirtschaftlichkeit

Der häufige Einwand gegen Human-in-the-Loop sind die Kosten. Aber die Rechnung spricht tatsächlich für HITL:

HITL erzielt nahezu menschliche Qualität zu 70–80 % geringeren Kosten als reine menschliche Übersetzung und ist dabei deutlich zuverlässiger als reine Automatisierung.

Better i18ns Ansatz: AI Suggest + Human Review + Quality Scoring

Better i18n implementiert das HITL-Modell als erstklassiges Feature der Plattform — nicht als nachträglichen Workflow. So funktioniert es:

KI-gestützte Übersetzungsvorschläge

Wenn Sie einen neuen Übersetzungsschlüssel anlegen oder Übersetzungen für fehlende Sprachen anfordern, kann Better i18n KI-gestützte Vorschläge generieren:

Entwickler (via MCP): "Add translations for 'checkout.success_message'
                      in German, French, and Japanese"

Better i18n:
  - EN (source): "Your order has been confirmed!"
  - DE (suggestion): "Ihre Bestellung wurde bestaetigt!"
  - FR (suggestion): "Votre commande a ete confirmee !"
  - JA (suggestion): "ご注文が確定しました！"
  Status: pending_review

Die Vorschläge werden als Entwürfe gespeichert und nie direkt veröffentlicht. Sie gelangen in die Review-Warteschlange, wo menschliche Prüfer sie genehmigen, bearbeiten oder ablehnen können.

Quality Scoring Dashboard

Jede Übersetzung in Better i18n erhält einen Qualitätsscore auf Basis mehrerer automatisierter Prüfungen:

• Terminologiekonsistenz: Verwendet die Übersetzung genehmigte Glossarbegriffe?
• Platzhalter-Integrität: Sind alle {variables} aus der Quelle erhalten?
• Längenverhältnis: Liegt die Übersetzung innerhalb der erwarteten Längengrenzen für die Sprache?
• Formalitätsabgleich: Entspricht das Formalitätsniveau der Projekteinstellung?
• Vollständigkeit: Wurden Quellsegmente ausgelassen?
• Bekannte Muster: Entspricht die Übersetzung bekannten Halluzinationsmustern?

Scores werden pro Schlüssel und pro Sprache angezeigt, sodass Prüfer ihre Zeit auf die am schlechtesten bewerteten Übersetzungen priorisieren können.

Review-Workflow

Better i18ns Review-Workflow unterstützt mehrere Genehmigungsstufen:

1. Selbstprüfung: Der Übersetzer markiert seine eigene Arbeit als geprüft
2. Peer Review: Ein weiteres Teammitglied verifiziert die Übersetzung
3. Expertenprüfung: Ein Fachexperte validiert domänenspezifische Terminologie
4. Auto-Approve: Hoch bewertete Übersetzungen aus vertrauenswürdigen Quellen können basierend auf konfigurierbaren Schwellenwerten automatisch genehmigt werden

MCP-Integration für Reviews

Der gesamte Review-Workflow ist über MCP-Tools zugänglich, sodass KI-Agenten am Review-Prozess teilnehmen können (aber ihn nicht umgehen können):

Entwickler: "Show me pending German translations that scored below 80"

Agent (via MCP): Found 7 German translations below quality threshold:
  1. checkout.terms_disclaimer (score: 45) — length mismatch
  2. auth.mfa.setup_instructions (score: 62) — missing placeholder
  3. settings.danger_zone.delete_warning (score: 58) — sentiment reversal detected
  ...

Der Agent zeigt Probleme auf, aber ein Mensch trifft die endgültige Entscheidung.

Qualitätsmetriken: BLEU, TER und Human Evaluation

Das Verständnis von Übersetzungsqualitätsmetriken ist für Teams, die KI-Übersetzungs-Workflows implementieren, unerlässlich. Hier sind die wichtigsten Metriken und wann man sie einsetzt:

BLEU (Bilingual Evaluation Understudy)

Was es misst: Wie eng eine maschinelle Übersetzung einer oder mehreren menschlichen Referenzübersetzungen entspricht, basierend auf N-Gramm-Überschneidung.

Skala: 0 bis 100 (höher ist besser)

Stärken:

• Schnell und automatisiert
• Gut zum Vergleich von MT-Systemen untereinander
• Etablierter Benchmark (seit 2002 in der MT-Forschung verwendet)

Schwächen:

• Erfordert Referenzübersetzungen (teuer in der Erstellung)
• Bestraft gültige alternative Übersetzungen
• Erfasst semantische Genauigkeit nicht gut
• Eine Halluzination, die ähnliche Wörter wie die Referenz verwendet, kann hoch bewertet werden

Wann verwenden: Beim Vergleich von MT-Engine-Leistung über Sprachpaare hinweg, beim Verfolgen von Qualitätstrends über Zeit.

TER (Translation Edit Rate)

Was es misst: Die minimale Anzahl von Bearbeitungen (Einfügungen, Löschungen, Substitutionen, Verschiebungen), die nötig sind, um die MT-Ausgabe in die Referenzübersetzung umzuwandeln.

Skala: 0 bis unendlich (niedriger ist besser; 0 bedeutet perfekte Übereinstimmung)

Stärken:

• Intuitiv — misst direkt den Bearbeitungsaufwand
• Erfasst Wortstellungsprobleme besser als BLEU
• Nützlich zur Abschätzung von Post-Editing-Kosten

Schwächen:

• Erfordert ebenfalls Referenzübersetzungen
• Sensitiv gegenüber dem Stil der Referenzübersetzung
• Berücksichtigt den Schweregrad von Fehlern nicht

Wann verwenden: Zur Schätzung von Post-Editing-Kosten, zur Messung von Produktivitätsgewinnen durch MT.

Human Evaluation: MQM (Multidimensional Quality Metrics)

Was es misst: Menschliche Evaluatoren kommentieren Fehler nach Typ und Schweregrad mithilfe einer standardisierten Taxonomie.

Fehlerkategorien:

• Accuracy: Fehler­übersetzung, Auslassung, Hinzufügung, nicht übersetzter Text
• Fluency: Grammatik, Rechtschreibung, Zeichensetzung, Register
• Terminology: Falsche Begriffe, inkonsistente Terminologie
• Style: Unnatürliche Formulierungen, ungewöhnliche Wortwahl
• Locale conventions: Datumsformate, Zahlenformate, Währung

Schweregradniveaus:

• Critical: Ändert die Bedeutung auf eine Weise, die Schaden verursachen könnte (z. B. Fehler bei medizinischer Dosierung)
• Major: Ändert die Bedeutung, verursacht aber wahrscheinlich keinen Schaden
• Minor: Auffälliges Problem, das die Bedeutung nicht beeinträchtigt
• Neutral: Stilistische Präferenz, kein Fehler

Wann verwenden: Abschließende Qualitätssicherung vor dem Launch, Bewertung, ob ein MT-System für eine bestimmte Domäne produktionsreif ist.

Die richtige Metrik wählen

Keine einzelne Metrik erfasst alle Aspekte der Übersetzungsqualität. Der robusteste Ansatz kombiniert automatisierte Metriken für die Skalierung mit periodischer menschlicher Bewertung für Genauigkeit.

Best Practices für den sicheren Einsatz von KI-Übersetzungen

Basierend auf den oben genannten Forschungsergebnissen und realen Beispielen sind hier umsetzbare Praktiken für Teams, die KI-Übersetzungen in der Produktion verwenden:

1. KI-Übersetzungen niemals automatisch veröffentlichen

Das ist die wichtigste Regel. Jede KI-generierte Übersetzung sollte mindestens einen menschlichen Review-Schritt durchlaufen, bevor sie Nutzern erreicht.

Implementierung: Konfigurieren Sie Ihr TMS so, dass KI-Übersetzungen standardmäßig als "Ausstehend für Review" gespeichert werden. Deaktivieren Sie alle "Auto-Approve"-Pipelines für KI-generierte Inhalte.

2. Nach Risikoniveau segmentieren

Nicht alle Inhalte tragen das gleiche Risiko. Kategorisieren Sie Ihre Übersetzungsinhalte:

3. Ein Übersetzungsglossar pflegen

Glossare sind Ihre stärkste Verteidigung gegen Terminologie-Halluzinationen. KI-Modelle halluzinieren eher, wenn sie auf domänenspezifische Begriffe ohne Anleitung stoßen.

Wichtige Glossareinträge zum Pflegen:

• Produktspezifische Begriffe (Feature-Namen, Plan-Namen)
• Branchenjargon mit präzisen Übersetzungen
• Begriffe, die NICHT übersetzt werden sollen (Markennamen, technische Bezeichner)
• Begriffe mit mehreren gültigen Übersetzungen (eine wählen und Konsistenz erzwingen)

4. Qualitätsschwellen verwenden

Legen Sie automatisierte Qualitätsschwellen fest, die Übersetzungen zur entsprechenden Review-Warteschlange weiterleiten:

Score 90–100: Auto-Approve (vertrauenswürdige Quelle + hohe Qualitätsmetriken)
Score 70–89:  Selbstprüfungs-Warteschlange (Übersetzer bestätigt)
Score 50–69:  Peer-Review-Warteschlange (zweiter Reviewer erforderlich)
Score 0–49:   Expertenprüfungs-Warteschlange (Domänenexperte erforderlich)

5. Halluzinationsmuster überwachen

Verfolgen Sie, welche Sprachpaare, Inhaltstypen und MT-Engines die meisten Halluzinationen produzieren. Verwenden Sie diese Daten, um:

• Qualitätsschwellen pro Sprachpaar anzupassen
• Hochrisikopaare zu strengerem Review weiterzuleiten
• MT-Engines für problematische Sprachpaare zu wechseln
• Gezielte Test-Sets für Regressionstests aufzubauen

6. Regressionstesting implementieren

Pflegen Sie einen Satz "goldener" Übersetzungen — menschlich verifizierte, hochwertige Referenzübersetzungen für kritische Inhalte. Übersetzen Sie diese periodisch erneut durch Ihre MT-Pipeline und vergleichen Sie die Ergebnisse:

• Sind Qualitätsscores stabil oder sinken sie?
• Entstehen neue Halluzinationsmuster?
• Hat ein MT-Engine-Update Regressionen eingeführt?

7. Ihre Reviewer schulen

Menschliche Reviewer sind die letzte Verteidigungslinie. Investieren Sie in ihre Schulung:

• Häufige Halluzinationsmuster erkennen (insbesondere Erfindung und semantische Umkehrung)
• Qualitäts-Scoring-Tools effektiv einsetzen
• Reviews nach Risikoniveau und Qualitätsscore priorisieren
• Neue Halluzinationsmuster dokumentieren und melden

8. MCP für Workflow-Automatisierung verwenden

MCP-gestützte Workflows können die mechanischen Teile des Übersetzungsmanagements automatisieren und dabei menschliche Aufsicht bewahren:

KI-Agent-Workflow:
  1. Neue Schlüssel im Codebase erkennen (automatisiert)
  2. Übersetzungsvorschläge generieren (KI)
  3. Qualitätsprüfungen durchführen (automatisiert)
  4. In die entsprechende Review-Warteschlange einreihen (automatisiert)
  5. Mensch überprüft und genehmigt (menschlich)
  6. Genehmigte Übersetzungen veröffentlichen (automatisiert via MCP)

Schritte 1–4 und 6 sind automatisiert. Schritt 5 ist menschlich. Das ist der Sweet Spot aus Effizienz und Qualität.

Testen Sie Better i18ns KI-gestützten Übersetzungs-Workflow

Die Übersetzungsbranche hat kein Geschwindigkeitsproblem — moderne MT-Engines sind schnell genug. Sie hat ein Vertrauensproblem. Teams können KI-generierte Übersetzungen nicht sicher ausliefern, weil ihnen die Werkzeuge fehlen, um Qualität im großen Maßstab zu verifizieren.

Better i18n löst dies, indem Human-in-the-Loop-Workflows mühelos gestaltet werden:

• KI-Vorschläge generieren Übersetzungsentwürfe in Sekunden
• Quality Scoring markiert potenzielle Halluzinationen automatisch
• Review-Workflows gewährleisten menschliche Aufsicht ohne Engpässe
• MCP-Integration ermöglicht KI-Agenten, die mechanische Arbeit zu verwalten, während Menschen sich auf Qualitätsentscheidungen konzentrieren

Beginnen Sie, Ihre Übersetzungsqualität zu verbessern

1. Bei Better i18n anmelden — Gratis-Tarif umfasst Quality Scoring
2. MCP-Integration einrichten — Übersetzungs-Workflow automatisieren
3. Qualitäts-Features erkunden — das Scoring-Dashboard und Review-Tools ansehen
4. Mit der Community verbinden — Best Practices mit anderen i18n-Teams teilen

Ihre Nutzer verdienen Übersetzungen, denen sie vertrauen können. Mit der richtigen Kombination aus KI-Geschwindigkeit und menschlichem Urteilsvermögen können Sie beides liefern — Qualität und Tempo, ohne Kompromisse.

Besorgt über Übersetzungsqualität in Ihrer App? Better i18ns Quality-Scoring-Dashboard gibt Ihnen Einblick in jede Übersetzung in jeder Sprache. Kostenlos starten und Ihren Übersetzungsgesundheitsscore in Minuten sehen.