AI til oversættelse: Er AI-modeller som DeepSeek, ChatGPT og Gemini det bedste til lokalisering?

Bestyrelseslokaler, LinkedIn-kommentarer og webinarer summer stadig af snakke om AI-revolutionen og dens indflydelse på oversættelse og lokalisering. Selvom store sprogmodeller (LLM’er) ikke er udviklet specifikt til oversættelse, bruges de i stigende grad til at skabe flersproget indhold – men debatten om deres effektivitet til disse opgaver raser stadig.

Men hvad siger eksperterne?

• Hvordan klarer AI-modeller sig sammenlignet med specialiserede neurale maskinoversættelsesprogrammer (NMT)?
• Er de den rette vej at gå til lokalisering på stor skala, eller er de bedre egnet til kreative og mere specifikke opgaver? 
• Hvilke etiske, lovgivningsmæssige og datasikkerhedsmæssige udfordringer udgør de? 
• Er open weight-AI-modeller som DeepSeek et reelt alternativ til mere specialiserede løsninger?

Lad os sammen med nogle eksperter se nærmere på et AI-oversættelseslandskab i udvikling, og hvad det betyder for fremtidens flersprogede indhold.

AI-oversættelse: Hvordan klarer LLM'er sig?

Selvom LLM'er ikke nødvendigvis er skabt til oversættelse, har mange fagfolk og organisationer testet, hvordan de klarer sig i forhold til etablerede neurale maskinoversættelsesprogrammer (NMT).

Nogle modeller såsom DeepSeeks nyeste V3- og R1-modeller er blevet rost for deres logiske evner, og brugere har rapporteret om fremragende resultater, hvad angår flydende sprog og kreativitet med modeller som GPT-4 og Claude.

• DeepSeek: Nogle eksperter mener, at dens kinesisk-engelske oversættelseskvalitet overgår andre modellers. Den er også særligt god til matematik. Dog viser nogle tidlige tests, at den måske har svært ved at håndtere kontekstuelle nuancer sammenlignet med nogle andre modeller.
• ChatGPT og Claude: Mange foretrækker disse modeller pga. deres høje kvalitet, nuancerede og kreative oversættelser, hvorfor de ofte bruges til marketing- eller kreativt indhold. De kan også være nyttige til forskellige stadier i lokaliseringsworkflows. I et studie blev Claude Sonnet for nylig vurderet som den bedste oversættelsesmodel af eksperter inden for flere sprogpar til generelle oversættelsesopgaver.
• Gemini og LLaMa: Googles Gemini-modeller har multimodale funktioner, der forbedrer den kontekstuelle forståelse på tværs af forskellige typer indhold, mens Metas LLaMa fokuserer på effektivitet og tilpasningsevne til forskellige AI-opgaver.

Et synspunkt fra branchen:

Nimdzi-brancheeksperten Renato Beninatto, som i vores eksklusive e-bog har fremlagt sine tanker om de vigtigste tendenser, der kommer til at forme sprog- og indholdsindustrien i 2025, gennemførte et eksperiment for at teste en oversættelsesfejl og opdagede en interessant forskel mellem GPT-4o og DeepSeek V3, da han oversatte en knudret spansk sætning.

Han skrev på LinkedIn: "Dette eksperiment viser en afgørende forskel i evnen til at håndtere opgaven mellem disse AI-modeller. DeepSeek var god til grammatisk analyse, men havde problemer med at forstå den bredere kontekst. ChatGPT var overlegen til at forstå forholdet mellem indholdets præmis (fire ord) og oversættelsen."

Omkostningseffektiv AI-oversættelse? En ny æra

Omkostninger er en af de primære overvejelser for mange brancheledere, der vil tage AI-modeller i brug til tekstforfatning og lokalisering. Selvom mange af de store AI-spillere har lignende priser pr. token, har ankomsten af DeepSeek kastet en pind i hjulet for prisen for LLM'er.

DeepSeek siges at være trænet for en brøkdel af omkostningerne sammenlignet med sine rivaler, og omkostningen pr. token er generelt langt lavere end konkurrenternes. Denne lavere omkostning betyder sandsynligvis, at det bliver langt mere økonomisk muligt for mindre virksomheder og andre organisationer at bruge en LLM.

Omkostningerne for LLM'er falder formentlig. Men for mange virksomheder, der allerede har investeret i at opbygge en terminologiordbog eller oversættelseshukommelse med neurale maskinoversættelser, eller som skal bruge stor volumen, kan det stadig være mere omkostningseffektivt at fortsætte med at bruge NMT – især fordi NMT kan behandle store mængder indhold hurtigere.

Et synspunkt fra branchen 

"Der er ikke nogen løsning, der passer til alle, når det handler om, om man skal vælge en LLM eller NMT til oversættelse. Den mest omkostningseffektive løsning afhænger af typen af indhold, målgruppen, størrelsen på indholdet og mange andre faktorer. Det er grunden til, at sprogserviceudbydere – med deres ekspertise i at implementere både NMT- og AI-løsninger – har en unik position til at hjælpe med at finde den rette balance."

Pavel Soukenik, Head of Global Solutions, Acolad

Tilpasning og open weight-modeller: En revolution inden for lokalisering?

Den måske vigtigste forskel mellem DeepSeek og dets største LLM-rivaler er, at modellen er tilgængelig via en open weight-model. Mens nogle måske vil beskrive det som open source, insisterer mange eksperter på, at en AI-model, der gør de parametre, den er trænet på, offentligt tilgængelige, mens andre dele af modellen holdes fortrolige, bør betegnes som "Open Weight".

Under alle omstændigheder kan DeepSeek, i modsætning til de fleste andre LLM-rivaler, tilpasses. Muligheden for at downloade, ændre og implementere modeller lokalt giver virksomheder mulighed for at finjustere AI-modellen – for eksempel til at passe til specifikke sprogpar og bruge branchespecifik terminologi.

Dette kunne være banebrydende for udviklingen af nye modeller, der er designet specifikt til at håndtere lokalisering af sprog med lave ressourcer, som måske ikke bliver tilstrækkeligt dækket af lokaliseringsbranchens egne modeller. Derudover kunne organisationer sikkert træne modellen på deres egne oversættelseshukommelser, terminologidatabaser og brandretningslinjer – alt sammen uden at afsløre følsomme data for tredjeparter.

Open weight-modeller har potentiale til at demokratisere avanceret sprogteknologi, samtidig med at de giver organisationer mulighed for at bevare deres konkurrencemæssige sproglige fordele. Mange flere virksomheder vil kunne bruge tilpassede udgaver af modellerne, uden de store startomkostninger, ved at træne modellen.

AI-oversættelse og -overholdelse: Datasikkerhedsdilemmaet

Efterhånden som brugen af AI stiger, gør bekymringer omkring datasikkerhed, overholdelse og etik det også.

For eksempel har myndighederne i Australien, USA, Italien, Taiwan og Sydkorea allerede taget skridt til at indføre restriktioner på brugen af DeepSeek pga. problemer med beskyttelse af data. Italien gjorde noget tilsvarende, da ChatGPT blev lanceret.

Databeskyttelse, lovgivning og andre problemer inden for overholdelse er stadig en stor hindring for AI-ibrugtagningen i mange brancher, især i regulerede industrier.

De vigtigste spørgsmål, som virksomhedsledere bør overveje, omfatter:

• Kan AI-modeller sikre databeskyttelse og overholdelse af lokal lovgivning, når de bruges til oversættelse?

• Er det fornuftigt for virksomheder at vælge lokalt forankrede AI-modeller for at opretholde datasikkerheden?

• Hvad vil konsekvenserne være af de forskellige tilgange til AI-lovgivningen mellem Europa, USA og Asien?

Selvom disse spørgsmål ikke har enkle svar, må organisationer nøje vurdere, om AI-oversættelsesværktøjer kan opfylde deres forpligtelser ift. overholdelse, overveje muligheden for lokalt forankrede modeller og forberede sig på konsekvenserne af forskellige lovgivningstilgange mellem store globale områder.

Hvad er det næste for AI-drevet oversættelse?

Som vi har set, fortsætter landskabet med at ændre sig, hvor open weight-modeller udfordrer branchens egne, traditionelle systemer, og omkostningseffektivitet og tilpasningsevne bliver nøglefaktorer på markedet.

Fremtiden peger måske mod en mere demokratiseret adgang til AI-teknologi, hvor mindre sprogserviceudbydere og virksomheder får mulighed for at implementere og tilpasse deres egne AI-løsninger. Udviklingen med lokal implementering og modeltilpasning vil sandsynligvis accelerere, især for organisationer, der arbejder med sprog med få ressourcer og specialiseret brancheterminologi.

Men denne udvikling skal også navigere i kompleks lovgivning, da forskellige lande har og er i gang med at skabe forskellige tilgange til AI-lovgivning. Branchen skal kunne balancere innovation med overholdelse, særligt i takt med at de forskellige regionale AI-lovgivningstilstande begynder at vise sig.

Vigtigste pointer for virksomheder og professionelle inden for lokalisering:

✔ AI-modellerne bliver bedre, men i nogle tilfælde, f.eks. omfangsrige projekter, er traditionelle NMT-systemer stadig det bedste valg.

✔ Open weight-AI-modeller kan skabe innovation i branchen, men ibrugtagningen afhænger af lovgivningsmæssig klarhed.

✔ AI-oversættelser bør bruges strategisk, f.eks. til kreativt indhold og automatiseret efterredigering.

✔ Problemer angående overholdelse af data- og sikkerhedsprincipper er stadig afgørende faktorer i valget af AI-værktøjer.

Et synspunkt fra branchen

"Fremtiden for AI inden for oversættelse og lokalisering handler ikke kun om teknologi – det handler om, hvordan vi skaber balance mellem sikkerhed, overholdelse og innovation. AI forandrer sprogbranchen, men den sande styrke kommer ved at tilpasse disse teknologier til specifikke kontekster."

Pavel Soukenik, Head of Global Solutions, Acolad