2026-04-17

Hinsides illusionen om AI-automatisering: Opbygning af effektiv menneskelig og AI-lokalisering

AI kan fremskynde flersprogede arbejdsgange, men det fungerer sjældent som en plug-and-play-løsning. På baggrund af sin erfaring med at opbygge SaaS-produkter til virksomheder skitserer Stéphane Cinguino, hvad teams skal gøre rigtigt for at gøre menneske + AI-systemer effektive i praksis.

Lia

Virksomhedsteams, der evaluerer AI til flersproget indhold, står normalt over for det samme pres: at levere hurtigere, reducere omkostningerne og holde kvaliteten stabil på tværs af markeder. Udfordringen er at beslutte, hvor AI-værktøjer passer ind, hvor de skaber risiko eller friktion, og hvordan man bevarer kontrollen, når de er i brug.

Under diskussionen af disse udfordringer og mere, trak Stéphane Cinguino, Chief AI, Product and Technology Officer hos Acolad, på sine to årtiers erfaring med at opbygge SaaS-produkter på tværs af brancher og delte sine indsigter i podcasten C-Suite Hot Seat fra Multilingual, som Eddie Arrieta, CEO for MultiLingual Media, var vært for.

Stéphane Cinguino, AI-, produkt- og teknologichef hos Acolad

I løbet af samtalen vendte han tilbage til et praktisk sæt spørgsmål, som virksomhedsteams skal besvare, før de skalerer AI i flersprogede arbejdsgange. Hvor er den menneskelige gennemgang stadig relevant? Hvilke opgaver har brug for sporbarhed? Hvilke input skal systemet have for at fungere godt? Hvilke små trin i arbejdsgangen spilder tid i dag? Her diskuterer vi nogle af de vigtigste indsigter fra denne samtale, som er nyttige for virksomheder, der ønsker at integrere AI effektivt i deres indholdsprocesser.

AI i praksis: Kerneprincipper og undgåelse af automatiseringsillusionen

Et centralt tema i hele podcastdiskussionen var en pragmatisk tilgang til AI, baseret på handling snarere end hype og buzzwords - mere om det senere.

Stéphane skitserede tre kerneprincipper, der vejleder anvendelsen af AI hos Acolad. For det første er intuition og eksperimentering vigtige. AI er ikke et fast system, men en evne under udvikling, som kræver løbende test og gentagelse. For det andet er effektive indikatorer vigtige. Klare succeskriterier og evalueringsrammer er afgørende for at undgå at spilde tid og investeringer på fejlslagne initiativer og for at sikre, at du leverer meningsfulde resultater.

Endelig er hastighed afgørende. AI-landskabet er i konstant udvikling, og på samme måde gør evnen til at gentage hurtigt og skalere det, der virker, hele forskellen. Disse principper gælder ikke kun for intern udvikling, men også for samarbejde med kunder.

"Når vi arbejder med kunder, er det også meget vigtigt at fokusere på de tre forskellige akser og dimensioner: at kunne gentage, at sikre, at vi har de rigtige rammer på plads med hensyn til kvalitet, så vi definerer de rigtige målinger sammen med kunden og tilpasser os, og når vi er tilpasset, bevæger vi os hurtigt. Det er min tilgang til AI."

Stéphane Cinguino

Effektive projekter inden for mennesker og AI bygger styring fra starten

Styring behandles ofte som en separat arbejdsgang, noget, man dokumenterer, når man har valgt et værktøj. I virksomhedsmiljøer fører det som regel til mangler. Teams har brug for styring i selve arbejdsgangen, så de kan se, hvad der er sket med et stykke indhold, hvilket system der håndterede det, og hvornår en person skal træde til.

For organisationer, der overvejer at indføre AI, er det praktiske resultat enkelt: Spørg, hvordan styring viser sig i daglig brug. Kan du spore kilden til indholdet? Kan du se, hvilken maskine der blev brugt? Kan du dirigere reguleret eller følsomt indhold til en anden gennemgangssti? Kan du adskille arbejde med lav risiko og stort volumen fra indhold, der kræver strengere tilsyn? Disse detaljer er vigtige, fordi de afgør, om arbejdsgangen kan holde til et reelt driftspres.

"Europa er faktisk meget fokuseret på regulering og på at sikre, at der er en eller anden form for styring omkring AI. Så vi investerer betydeligt i dette område for at sikre, at vi overholder disse bestemmelser. Og det er ikke kun styring i sig selv, så selvfølgelig praksis, metoder osv., men også hvordan vi fører det ind i vores produkt. Så i vores Lia-økosystem har hvert stykke tekst et oprindelsesmærke, vil jeg sige, og vi sporer alt. Vi sikrer også, at al AI, som vi bruger eller selv udvikler, overholder reglerne."

Stéphane Cinguino

Myten om zero-shot-oversættelse

I mange AI-diskussioner antager man stadig, at man kan få et overbevisende resultat næsten uden opsætning. Og Stéphane diskuterede en vedvarende misforståelse, som han er stødt på - ideen om en "magisk AI-knap", der producerer perfekte oversættelser med det samme. På trods af AI-gennembrud er lokalisering af høj kvalitet stadig kompleks. Ægte kvalitet med AI-oversættelse kræver kapacitet til at indbygge terminologi, referenceindhold, stilforventninger og en klar forståelse af, hvor fejl betyder mest.

Den indsigt er nyttig for ethvert team, der sammenligner leverandører eller interne muligheder. Hvis et system skal understøtte virksomhedens brugssituationer, er opsætningsarbejde en del af løsningen. Teams bør forvente at levere termlister, oversættelseshukommelser, brandsprog, eksempler på indhold og kvalitetsforventninger. De bør også tidligt beslutte, hvilke indholdstyper der har brug for strengere kontrol end andre. Produktbeskrivelser, supportartikler, kontrakter, medicinsk indhold og kampagnetekster har ikke alle samme risikoniveau, så de bør ikke alle følge den samme vej.

"Det, der er overhypet, er helt sikkert det, jeg vil kalde zero-shot-oversættelse. Denne idé om, at man kan få perfekt indhold, der passer til ens brand, uden forudgående data eller træning, er, som om man sætter noget ind i et system, og så fungerer det perfekt. Nej, det kræver lidt forberedelse. Du skal give modellen og systemet kontekst, nogle af dine aktiver osv. Så det kræver lidt mere end bare en model. Det er mere kompliceret end det."

Stéphane Cinguino

Store gevinster kan komme fra små rettelser i arbejdsgangen

Store AI-projekter starter ofte med det mest synlige problem i processen. Det giver mening, men det kan skjule mindre skridt, som tager tid hver dag. Klargøring af filer, oprettelse af metadata, overdragelser, gentagne kontroller og mærkning af indhold ser måske ikke strategisk ud, men teams bruger ofte mere tid på dem end på hovedopgaven.

Virksomhedsteams behøver ikke at starte med det største transformationsprojekt. De kan starte med at kortlægge, hvor der går tid tabt, hvor arbejdet bliver givet videre for mange gange, og hvor folk gentager strukturerede opgaver. Disse mindre rettelser er ofte lettere at teste, lettere at måle og lettere at skalere. De giver også teams et klarere billede af, hvor en bredere automatisering vil hjælpe, og hvor den vil skabe flere undtagelser, der skal håndteres.

"Alle har set på, hvordan de kan implementere AI i deres kernearbejde, men der er mange andre områder, hvor man kan anvende AI og få fantastiske resultater. Det handler mere om mindre rettelser. Når man er i min rolle, administrerer man et efterslæb, og som regel tager man sig ikke rigtig af den sidste del af efterslæbet. Du fokuserer altid den vigtigste del af dit efterslæb. Men med AI har du mulighed for at tage dig af denne lange række af små ting, som stadig kan have stor indflydelse."

Stéphane Cinguino

Mere end buzzwords

AI-køreplaner bliver mindre brugbare, når de er formet af markedssprog i stedet for operationelt behov. Indkøbere hører de samme udtryk igen og igen og ender med at diskutere kategorier i stedet for beslutninger. En bedre tilgang er at oversætte alle trendmærker til et konkret spørgsmål: Hvilket problem løser det, for hvilke brugere, i hvilken arbejdsgang, og hvordan ved vi, at det hjalp?

Start med forretningsproblemet, definer den operationelle begrænsning, vælg de involverede indholdstyper, og beslut derefter, om det rigtige svar er automatisering, ændring af arbejdsgange, menneskelig gennemgang eller en blanding af alle tre. En god køreplan ser normalt mindre ambitiøs ud på papiret end en hype-drevet køreplan, men der er langt mere sandsynligt, at den bliver vedtaget og opretholdt.

"Jeg prioriterer ikke buzzwords. Jeg prioriterer det, der betyder noget for vores kunder og på markedet. Så jeg ser altid på problemområderne, behovene og udfordringerne, og det er min rolle at finde løsninger på dem alle. Så min prioriteringsramme er helt klart baseret på effekt, på at have indflydelse på vores kunder."

Stéphane Cinguino

Menneske + AI-systemer er stadig afhængige af lederskab

Implementering af AI diskuteres ofte som en værktøjsudfordring. I praksis, siger Stéphane, er det også en ledelsesmæssig udfordring. Teams har brug for klare prioriteter, plads til at teste og stabil beslutningstagning, når resultater er inkonsistente, eller deadlines ændrer sig. Uden det kan selv et overbevisende design af arbejdsgange bryde sammen.

For virksomheder er dette vigtigt, fordi leverandørens kvalitet sjældent handler om værktøjet alene. Det vigtige er, hvordan teamet bag arbejdsgangen håndterer undtagelser, ændringer og konkurrerende prioriteter. Godt lederskab viser sig i forudsigelige gennemgangsforløb, rolig eskalering, realistiske implementeringsvalg og en vilje til at justere systemet, når en proces ikke fungerer. Human + AI-arbejdsgange fungerer bedre, når de mennesker, der bruger dem, har et klart ejerskab og en klar definition af succes.

"Før jeg beskæftiger mig med teknologi, er jeg selvfølgelig optaget af teknologi, men først og fremmest er jeg personaleleder, og min rolle er at sikre, at mit team føler sig trygt, har fokus på det, der er vigtigt, og har det rigtige miljø til at skabe innovation og levere værdi til vores kunder. Og så er tålmodighed en del af det."

Stéphane Cinguino

De vigtigste pointer

Automatisering er mest nyttig, når den forbedrer beslutninger i arbejdsgangen, ikke når den blot øger kapaciteten.
Styring skal være synlig i produktet og processen med sporbarhed, routing-regler og klare gennemgangsstier.
AI-oversættelse til virksomheder kræver forberedelse, herunder terminologi, godkendte aktiver og kvalitetsforventninger.
Små rettelser i arbejdsgangen er ofte det bedste sted at starte, fordi de er lettere at teste og lettere at måle.
En overbevisende AI-køreplan begynder med operationelle problemområder, ikke markedsetiketter.
Menneske + AI-systemer afhænger af klart ejerskab, stabilt lederskab og realistiske udrulningsvalg.