Geschlossener AI-Übersetzungszyklus: So funktioniert er
- vor 6 Tagen
- 8 Min. Lesezeit
Viele Fachleute in regulierten Branchen glauben, KI-Übersetzung bedeute: Text hinein, Übersetzung heraus, fertig. Dieses Missverständnis ist nicht harmlos. Wer wissen möchte, wie funktioniert ein geschlossener AI-Übersetzungszyklus, bekommt hier eine präzise Antwort ohne Vereinfachungen. Der geschlossene Zyklus kombiniert maschinelle Intelligenz mit dokumentierter menschlicher Kontrolle zu einem Prozess, der in Pharmaunternehmen, Kanzleien und Medizingerätherstellern tatsächlich auditierbar ist. Dieser Artikel erklärt die Technologie, den regulatorischen Rahmen und die praktische Umsetzung für Fachleute, die Verantwortung für Übersetzungsprozesse tragen.
Inhaltsverzeichnis
Wichtigste Erkenntnisse
Punkt | Details |
Geschlossener Zyklus als Pflicht | In regulierten Branchen reicht maschinelle Übersetzung allein nicht aus; nur ein vollständiger AI+HUMAN Kreislauf erfüllt Compliance-Anforderungen. |
Menschliche Kontrolle ist aktiv | Der EU AI Act verlangt echte Eingriffsbefugnis, nicht bloßes Abnicken von KI-Ausgaben. |
ISO 18587 wird 2026 erweitert | Die Norm erfasst künftig auch LLM-basierte Systeme und legt Kompetenzanforderungen für Reviewer fest. |
Öffentliche Tools sind ungeeignet | Generische NMT-Tools wie DeepL oder ChatGPT Übersetzen erfüllen weder Datenschutz- noch Qualitätsanforderungen für regulierte Fachübersetzungen. |
Audit-Trail ist unverzichtbar | Lückenlose Dokumentation jedes Übersetzungsschritts ist Voraussetzung für behördliche Nachweise und interne Audits. |
Wie ein geschlossener AI-Übersetzungszyklus funktioniert
Der Begriff “geschlossener Zyklus” beschreibt einen Übersetzungsprozess, der nicht bei der maschinellen Ausgabe endet, sondern in einer kontrollierten Schleife durch menschliche Prüfung, Rückkopplung und Qualitätssicherung wieder in das System zurückfließt. Das unterscheidet ihn fundamental von einer einfachen maschinellen Übersetzung.
Die Schritte im Zyklus folgen einer klaren Abfolge:
Asset-Integration: Bestehende Translation Memories und Terminologiedatenbanken werden in das System eingespeist, bevor eine einzige Zeile übersetzt wird. Das stellt terminologische Konsistenz von Anfang an sicher.
LLM-gestützte Übersetzung: Ein proprietäres Sprachmodell generiert den Zieltext auf Basis der vorgegebenen Glossare und Stilregeln. Anders als NMT-Systeme folgt ein echter LLM nachvollziehbaren Anweisungen, etwa “Übersetze ‘Device’ immer als ‘Gerät’ gemäß Kundenglossar.”
Fachliche Nachbearbeitung (MTPE): Ein zertifizierter Fachexperte, zum Beispiel ein Linguist mit medizinischem Hintergrund, prüft den Output auf technische Korrektheit, regulatorische Konformität und kontextuellen Sinn. Das ist keine Formalität, sondern aktive Kontrolle.
Rückkopplung in das System: Korrekturen und Kommentare des Reviewers fließen zurück in Translation Memory und Terminologiedatenbank. Der Zyklus verbessert sich mit jedem Durchlauf.
Qualitätssicherung und Dokumentation: Der finale Text durchläuft eine strukturierte QA, die an ISO 17100 und ISO 18587 ausgerichtet ist. Jeder Schritt wird im Audit-Trail festgehalten.
Die ISO 18587 regelt den maschinellen Übersetzungsnachbearbeitungsprozess seit 2017 und wird bis Ende 2026 auf KI-Systeme inklusive LLM erweitert. Das bedeutet: Wer heute einen geschlossenen AI-Übersetzungszyklus aufbaut, tut gut daran, diese Erweiterung bereits zu antizipieren.
Der wesentliche Unterschied zur einfachen NMT-Übersetzung liegt nicht nur in der Technologie. Er liegt in der Nachvollziehbarkeit. Jeder Schritt im Zyklus ist dokumentiert, jede Entscheidung begründet, jede Abweichung erfasst. Genau das verlangt eine behördengerechte Fachübersetzung.
Profi-Tipp: Legen Sie bereits bei der Systemauswahl fest, wie Reviewer-Korrekturen in Translation Memories rückgeführt werden. Ein Zyklus ohne strukturierte Rückkopplung ist kein geschlossener Zyklus, sondern nur eine Zweistufen-Pipeline.
Compliance-Anforderungen und regulatorischer Rahmen
Die Frage nach dem regulatorischen Rahmen für AI Übersetzungssysteme lässt sich nicht auf eine einzige Norm reduzieren. Für Fachleute in regulierten Branchen greifen mehrere Ebenen ineinander.
Der EU AI Act ist dabei die entscheidende Referenz. Artikel 14 verlangt explizit, dass Hochrisiko-KI-Systeme menschliche Aufsicht technisch ermöglichen und dass diese Aufsicht auch tatsächlich effektiv umgesetzt wird. Die Frist für Compliance von Hochrisiko-KI-Systemen nach Annex III wurde auf den 2. Dezember 2027 gesetzt. Unternehmen, die jetzt mit dem Aufbau ihrer Prozesse warten, werden diesen Termin nicht halten.
Was bedeutet “menschliche Aufsicht” konkret? Hier liegt das größte Missverständnis in der Branche:
Verstehen: Der Reviewer muss die KI-Ausgabe fachlich einordnen können, nicht nur lesen.
Überwachen: Prozesse müssen so gestaltet sein, dass Abweichungen und Fehler erkennbar werden, bevor sie den Zieltext verlassen.
Beurteilen: Eine aktive fachliche Bewertung ist Pflicht. Bloßes Abnicken von KI-Ausgaben erfüllt die EU AI Act Anforderungen nicht.
Überschreiben: Der Reviewer muss jederzeit die Befugnis und die technischen Mittel haben, die KI-Ausgabe zu korrigieren oder abzulehnen.
Dokumentieren: Jede Entscheidung im Übersetzungsprozess muss nachvollziehbar festgehalten sein.
“Echte Human Oversight im Sinne des EU AI Act erfordert eine Kombination aus technologischem Design und organisatorischer Umsetzung. Das unterschätzen derzeit viele Organisationen erheblich.” Article 14 EU AI Act: Human Oversight Guide
Hinzu kommen die Anforderungen aus Artikel 9, 11, 12, 16 und 17 des EU AI Act, die ein vollständiges Compliance-Framework mit technischer Dokumentation, Risikoabschätzung, Audit-Trails und einem Qualitätsmanagementsystem vorschreiben. Für Übersetzungsprozesse in der Medizintechnik oder im Pharmabereich bedeutet das: Der gesamte Übersetzungszyklus muss so dokumentiert sein, dass eine Behörde jeden Schritt nachvollziehen kann.
Ein weiteres Risiko, das oft unterschätzt wird, ist der Automation Bias. Automation Bias bezeichnet die Tendenz, KI-Ergebnisse unkritisch zu akzeptieren, weil sie überzeugend formuliert sind. In einem regulierten Übersetzungsprozess kann das fatale Folgen haben: Ein Negativum, das die KI weggelassen hat, ein Grenzwert, der falsch übersetzt wurde, eine Warnhinweisformulierung, die den Sinn umkehrt.
Die laufende Revision der ISO 18587 und 17100 adressiert genau diese Herausforderungen. Die neuen Versionen werden risikoorientierte, hybride Workflows stärker betonen und Kompetenzanforderungen für KI-Reviewer klarer definieren.
Technologievergleich: Warum AD VERBUM herausragt
Nicht jedes Tool, das mit dem Begriff “KI-Übersetzung” wirbt, liefert das, was regulierte Branchen brauchen. Der Markt ist unübersichtlich, und die Unterschiede sind gravierend.
Kriterium | Generische NMT-Tools (z.B. DeepL, ChatGPT Übersetzen) | Ältere MT-Systeme | AD VERBUM AI+HUMAN hybrid translation |
Terminologietreue | Unzuverlässig, keine Glossar-Bindung | Wörtlich, kein Kontextverständnis | Strikt terminologiekonform per LLM-Instruktion |
Datensicherheit | Öffentliche Cloud, DSGVO-Risiko | Variiert | ISO 27001, private EU-Server, kein Datenaustritt |
Menschliche Kontrolle | Optional, nicht strukturiert | Nicht vorgesehen | Pflichtbestandteil mit Dokumentation |
Compliance-Nachweise | Nicht vorhanden | Nicht vorhanden | Vollständiger Audit-Trail, ISO 17100 und 18587 |
Qualität bei Fachtexten | Halluzinationen, fehlende Negationen | Fehlerträchtig | Fachexperten mit Domänenwissen |
Rückkopplung in TM/TB | Nicht möglich | Begrenzt | Strukturiert und automatisiert |
Generische Übersetzungstools wie ChatGPT oder DeepL sind auf allgemeine Sprachverarbeitung ausgelegt, nicht auf kontrollierte Fachübersetzung. Sie bieten keine Garantie der Terminologietreue, keine sichere Datenhaltung und keinen strukturierten Rückkopplungsmechanismus. Wer sensible Patientendaten, unveröffentlichte Patentanmeldungen oder regulatorische Zulassungsunterlagen durch solche Systeme leitet, verstößt gegen DSGVO, HIPAA und häufig auch gegen vertragliche NDAs.
Der entscheidende technologische Unterschied von AD VERBUM liegt im Einsatz eines proprietären LLM, das nicht auf öffentliche Modelle zurückgreift. Das System versteht Anweisungen und hält sie ein: “Übersetze ‘Sterilisationszyklus’ immer als ‘sterilisation cycle’, niemals als ‘disinfection cycle’.” Diese Instruktionsfolge ist bei NMT-Systemen schlicht nicht zuverlässig umsetzbar.
Profi-Tipp: Prüfen Sie bei jedem KI-Übersetzungstool, ob Ihre Daten den Server des Anbieters verlassen und wo diese Server physisch stehen. Für regulierte Branchen ist EU-Hosting auf privaten Servern keine Option, sondern eine Voraussetzung.
Das AI+HUMAN hybrid translation Modell von AD VERBUM setzt genau dort an, wo generische Tools aufhören: Ein zertifizierter Fachexperte mit Domänenwissen prüft den LLM-Output aktiv, dokumentiert seine Entscheidungen und gibt Korrekturen strukturiert in Translation Memories zurück. Das ist kein optionaler Zusatzschritt, sondern der Kern des geschlossenen Zyklus.
Praktische Umsetzung in regulierten Unternehmen
Das Verständnis des Zyklus ist eine Sache. Die Implementierung in bestehende Unternehmensstrukturen ist eine andere. Hier sind die häufigsten Fehler und wie man sie vermeidet.
Prozesse und Teamstruktur
Der Aufbau effektiver Human-in-the-Loop Modelle erfordert klare Rollenverteilung. Reviewer müssen nicht nur sprachlich kompetent sein, sondern fachlich. Ein Linguist ohne medizinisches Grundwissen kann einen Fehler in der Dosierungsangabe nicht erkennen. Echte Human-in-the-Loop-Prozesse erfordern fachlichen Abgleich mit Dokumentation, nachgewiesener Kompetenz und voller Eingriffsbefugnis.
Technische Infrastruktur
Folgende technische Voraussetzungen sind für einen funktionierenden geschlossenen AI-Übersetzungszyklus nicht verhandelbar:
Translation Memory-System mit automatischer Rückkopplung von Reviewer-Korrekturen
Terminologiedatenbank mit versionierten Glossarständen pro Projekt und Kunde
Audit-Trail-Funktion, die Zeitstempel, Benutzer und Änderungsgrund für jeden Schritt protokolliert
Übersetzungsmanagementsystem (TMS) mit Schnittstellen zu internen Dokumentenmanagementsystemen
Private Cloud-Infrastruktur auf EU-Servern mit ISO 27001-Zertifizierung
Infrastrukturkomponente | Mindestanforderung für regulierte Branchen |
Datenhaltung | Private Cloud, EU-Server, verschlüsselt |
Translation Memory | Versioniert, pro Kunde getrennt |
Audit-Trail | Vollständig, unveränderlich, exportierbar |
Reviewer-Qualifikation | Nachweisbare Fachkompetenz im Fachgebiet |
QA-Prozess | ISO 17100 und 18587 konform |
Schulung und Kompetenzaufbau
Automation Bias lässt sich nur durch gezielte Schulungen und transparente KI-Modelle vermeiden. Reviewer müssen verstehen, wie das LLM arbeitet, wo seine Grenzen liegen und wann sie aktiv eingreifen müssen. Das ist keine einmalige Einführung, sondern ein kontinuierlicher Prozess.
Monitoring und Rollout
Beginnen Sie mit einem Pilotprojekt in einem klar abgegrenzten Dokumententyp, etwa Produktkennzeichnungen oder Gebrauchsanweisungen. Messen Sie Fehlerquoten, Reviewzeiten und Terminologietreue. Führen Sie quartalsweise Audits durch, bevor Sie den Zyklus auf weitere Dokumentenklassen ausweiten. Kommunizieren Sie Veränderungen im Prozess frühzeitig mit Regulatory Affairs und Qualitätsmanagement, da diese Abteilungen später die Compliance-Nachweise verantworten.
Der Schritt-für-Schritt-Übersetzungsworkflow für regulatorische Dokumente zeigt, wie ein solcher Rollout strukturiert werden kann.
Meine Einschätzung zu geschlossenen AI-Übersetzungszyklen
Von Viestarts
Was ich in der Praxis immer wieder erlebe: Organisationen führen einen “Human-in-the-Loop” ein, der in Wirklichkeit keiner ist. Ein Reviewer erhält die KI-Ausgabe, liest sie durch und signiert sie ab, weil der Text überzeugend klingt. Das ist kein geschlossener Zyklus. Das ist Automation Bias in institutionalisierter Form.
Das eigentliche Problem liegt nicht in der Technologie, sondern in der Prozessgestaltung. Viele Unternehmen betrachten den menschlichen Reviewer als Kostenfaktor, den man minimieren möchte. Der EU AI Act und die kommende ISO 18587-Revision werden dieses Denken korrigieren, nicht weil Regulatoren bürokratisch sind, sondern weil ein falsch übersetzter Warnhinweis auf einem Medizingerät echten Schaden anrichten kann.
Was mich an der Entwicklung der Normen optimistisch stimmt: Die Revision von ISO 17100 und 18587 bewegt sich weg von starren Prozessvorgaben hin zu risikobasierten, kompetenzorientierten Modellen. Das entspricht der Realität moderner Übersetzungsprojekte, die selten sauber in eine einzige Normkategorie passen.
Meine Empfehlung an alle, die gerade einen geschlossenen AI-Übersetzungszyklus aufbauen: Investieren Sie in die Qualifikation der Reviewer vor der Implementierung der Technologie. Die beste KI nützt wenig, wenn niemand im Team die Ausgabe fachlich beurteilen kann.
— Viestarts
Professionelle KI-Übersetzung mit AD VERBUM
AD VERBUM hat über 25 Jahre Erfahrung in der Fachübersetzung für Life Sciences, Legal, Finance und Manufacturing. Der AI+HUMAN hybrid translation Ansatz kombiniert proprietäre LLM-Technologie auf EU-Servern mit einem Netzwerk von über 3.500 zertifizierten Fachexperten. Das Ergebnis: Übersetzungen, die terminologisch korrekt, auditierbar und vollständig DSGVO-konform sind, mit einer Lieferzeit, die drei- bis fünfmal schneller ist als klassische Workflows.
Alle Prozesse sind nach ISO 9001, ISO 17100, ISO 18587, ISO 13485 und ISO 27001 zertifiziert. Für Unternehmen, die bereits heute auf die Anforderungen des EU AI Act und die kommende ISO 18587-Revision vorbereitet sein wollen, bietet AD VERBUM den richtigen technologischen Ansatz und die nachgewiesene Compliance-Kompetenz.
Sprechen Sie mit einem Fachberater von AD VERBUM über Ihre Übersetzungsanforderungen in regulierten Branchen.
FAQ
Was ist ein geschlossener AI-Übersetzungszyklus?
Ein geschlossener AI-Übersetzungszyklus ist ein strukturierter Prozess, in dem maschinelle Übersetzung, fachkundige menschliche Überprüfung und dokumentierte Rückkopplung in Translation Memories einen vollständigen, nachvollziehbaren Kreislauf bilden. Der Zyklus endet nicht bei der KI-Ausgabe, sondern schließt sich erst durch die aktive menschliche Kontrolle und die Rückführung von Korrekturen in das System.
Warum reicht NMT wie DeepL für regulierte Fachübersetzungen nicht aus?
Generische NMT-Tools bieten keine zuverlässige Terminologietreue, keinen Audit-Trail und keine sichere Datenhaltung auf EU-Servern. Für regulierte Branchen bedeutet das ein erhebliches Risiko für DSGVO-Compliance, fachliche Genauigkeit und behördliche Nachweispflichten.
Was verlangt der EU AI Act für Übersetzungsprozesse konkret?
Artikel 14 des EU AI Act verlangt, dass Menschen KI-Ausgaben aktiv verstehen, beurteilen und überschreiben können. Bloßes Signieren von KI-Ergebnissen erfüllt diese Anforderung nicht. Die Frist für Hochrisiko-KI nach Annex III wurde auf Dezember 2027 gesetzt.
Was ändert sich mit der ISO 18587-Revision 2026?
Die Revision erweitert die Norm auf LLM-basierte Übersetzungssysteme, betont risikoorientierte Ansätze und definiert Kompetenzanforderungen für KI-Reviewer klarer. Unternehmen, die bereits nach dem aktuellen Standard arbeiten, müssen ihre Prozesse und Reviewer-Qualifikationen prüfen und anpassen.
Wie verhindert man Automation Bias im Übersetzungsprozess?
Automation Bias lässt sich durch gezielte Schulungen, transparente KI-Modelle mit nachvollziehbarer Logik und eine Prozessgestaltung verhindern, die Reviewer aktiv zur kritischen Beurteilung verpflichtet. Technische Hilfsmittel wie Unsicherheitskennzeichnungen in der KI-Ausgabe unterstützen dabei.
Empfehlung