2026-04-17

Jenseits der KI-Automatisierungsillusion: Aufbau einer effektiven Mensch + KI‑Lokalisierung

KI kann mehrsprachige Arbeitsabläufe beschleunigen, aber sie funktioniert selten als Plug-and-Play-Lösung. Gestützt auf seine Erfahrung bei der Entwicklung von Enterprise-SaaS-Produkten erläutert Stéphane Cinguino, was Teams richtig machen müssen, damit die Kombination Mensch + KI-Systeme in der Praxis effektiv ist.

Lia

Teams in Unternehmen, die KI für mehrsprachige Inhalte prüfen, stehen in der Regel unter dem gleichen Druck: schneller liefern, Kosten begrenzen und die Qualität auf allen Märkten konstant halten. Die Herausforderung besteht darin, zu entscheiden, wo KI-Tools sinnvoll sind, wo sie Risiken oder Reibungspunkte verursachen und wie man die Kontrolle behält, sobald sie eingesetzt werden.

Bei der Erläuterung dieser und weiterer Herausforderungen schöpfte Stéphane Cinguino, Chief KI, Product and Technology Officer bei Acolad, aus seiner mehr als zwanzigjährigen Erfahrung bei der Entwicklung von SaaS‑Produkten in verschiedenen Branchen. Im C-Suite Hot Seat-Podcast von Multilingual teilte er seine Erkenntnisse mit Eddie Arrieta, CEO von MultiLingual Media.

Stéphane Cinguino, Chief AI, Product & Technology Officer, Acolad

Während des gesamten Gesprächs kehrte er immer wieder zu einer Reihe praktischer Fragen zurück, die Unternehmensteams vor der Skalierung von KI in mehrsprachigen Arbeitsabläufen beantworten müssen. Wo ist die menschliche Überprüfung noch wichtig? Welche Aufgaben erfordern Rückverfolgbarkeit? Welche Eingaben benötigt das System, damit es gut funktioniert? Welche kleinen Arbeitsschritte verschwenden heute Zeit? Im Folgenden erörtern wir einige der wichtigsten Erkenntnisse aus diesem Gespräch, die für Unternehmen nützlich sind, die KI effektiv in ihren Content-Betrieb integrieren möchten.

KI in der Praxis: Grundprinzipien und Vermeidung der Automatisierungsillusion

Ein zentrales Thema während des gesamten Gesprächs im Podcast war ein pragmatischer Ansatz für KI, der sich auf die praktische Umsetzung und nicht auf Hype und Schlagworte stützt - dazu später mehr.

Stéphane erläuterte drei Grundprinzipien für die Einführung von KI bei Acolad. Erstens, sind Intuition und Experimentierfreude wichtig. KI ist kein festes System, sondern eine sich entwickelnde Fähigkeit, die kontinuierliche Tests und Iterationen erfordert. Zweitens sind gute Messgrößen entscheidend. Klare Erfolgsindikatoren und Bewertungsrahmen sind unerlässlich, um zu vermeiden, dass Zeit und Investitionen für gescheiterte Initiativen verschwendet werden, und um sicherzustellen, dass Sie sinnvolle Ergebnisse erzielen.

Schließlich ist Geschwindigkeit entscheidend. Die KI-Landschaft entwickelt sich ständig weiter, und die Fähigkeit, schnell zu iterieren und das, was funktioniert, zu skalieren, macht den Unterschied aus. Diese Grundsätze gelten nicht nur für die interne Entwicklung, sondern auch für die Zusammenarbeit mit Kunden.

„Wenn wir mit Kunden zusammenarbeiten, ist es auch sehr wichtig, an diesen drei verschiedenen Achsen und Dimensionen zu arbeiten: Iterationsfähigkeit, Sicherstellung, dass wir den richtigen Qualitätsrahmen haben, damit wir zusammen mit dem Kunden die richtigen Messgrößen definieren und uns darüber abstimmen, und dann, sobald wir uns abgestimmt haben, schnell vorankommen. Das ist mein Ansatz für KI.“

Stéphane Cinguino

Effektive kombinierte Mensch- und KI-Projekte bauen von Anfang an eine Governance-Struktur auf

Governance wird oft als separater Arbeitsschritt behandelt, der erst nach der Auswahl eines Tools dokumentiert wird. In Unternehmensumgebungen führt das meist zu Lücken. Die Teams benötigen Governance innerhalb des eigentlichen Workflows, damit sie sehen können, was mit einem Inhalt passiert ist, welches System ihn bearbeitet hat und wann eine Person eingreifen muss.

Für Unternehmen, die die Einführung von KI in Erwägung ziehen, ist die praktische Schlussfolgerung einfach: Fragen Sie sich, wie sich Governance in der täglichen Nutzung zeigt. Können Sie die Quelle des Inhalts zurückverfolgen? Können Sie sehen, welche Engine verwendet wurde? Können Sie regulierte oder sensible Inhalte auf einen anderen Prüfpfad leiten? Können Sie risikoarme Projekte mit hohem Volumen von Inhalten trennen, die strenger überwacht werden müssen? Auf diese Details kommt es an, denn sie entscheiden darüber, ob der Arbeitsablauf den realen betrieblichen Zwängen standhält.

„Europa konzentriert sich stark auf die Regulierung und die Sicherstellung einer gewissen Form von Governance im Zusammenhang mit KI. Wir investieren also in erheblichem Umfang in diesem Bereich, um sicherzustellen, dass wir diese Richtlinien einhalten. Und es geht nicht nur um Governance an sich, also um Praktiken, Methoden usw., sondern auch darum, wie wir diese in unser Produkt einbringen. In unserem Lia-Ökosystem ist jeder Text mit einem Herkunftsnachweis versehen, und wir verfolgen alles nach. Wir stellen auch sicher, dass jede KI, die wir verwenden oder selbst entwickeln, den Vorschriften entspricht.“

Stéphane Cinguino

Der Mythos der Zero-Shot-Übersetzung

In vielen Gesprächen über KI wird immer noch davon ausgegangen, dass gute Ausgaben nahezu ohne Einrichtung möglich sein sollten. Und Stéphane erörterte ein hartnäckiges Missverständnis, auf das er gestoßen ist - die Vorstellung von einer „magischen KI-Taste“, die auf Anhieb perfekte Übersetzungen liefert. Trotz beachtlicher KI‑Durchbrüche bleibt die hochwertige Lokalisierung komplex. Hohe Qualität bei der KI-Übersetzung erfordert die Fähigkeit, Terminologie, Referenzinhalte und stilistische Erwartungen zu integrieren sowie ein klares Verständnis dafür, wo Fehler am entscheidensten sind.

Dieser Einblick ist für jedes Team nützlich, das Anbieter oder interne Optionen vergleicht. Wenn ein System unternehmensweite Anwendungsfälle unterstützen muss, dann ist die Einrichtungsarbeit Teil der Lösung. Die Teams sollten damit rechnen, Glossare, Translation Memories, Markensprache, Beispielinhalte und Qualitätserwartungen bereitstellen zu müssen. Sie sollten auch frühzeitig entscheiden, welche Arten von Inhalten strenger kontrolliert werden müssen als andere. Produktbeschreibungen, Support-Artikel, Verträge, medizinische Inhalte und Kampagnentexte sind nicht alle mit dem gleichen Risiko behaftet und sollten daher nicht alle den gleichen Weg gehen.

„Überbewertet wird sicherlich das, was ich als Zero-Shot-Übersetzung bezeichnen würde. Die Vorstellung, dass man perfekte, markengerechte Inhalte ohne vorherige Dateneingaben oder Schulungen erstellen kann, ist so, als würde man etwas in ein System eingeben und es würde gleich perfekt funktionieren. Nein, es erfordert eine gewisse Vorbereitung. Sie müssen dem Modell und dem System Kontext sowie einige Ihrer Ressourcen usw. geben. Es braucht also ein bisschen mehr als nur ein Modell. Es ist viel komplexer als das.“

Stéphane Cinguino

Kleine Korrekturen am Arbeitsablauf können zu großen Verbesserungen führen

Große KI-Projekte beginnen oft mit dem offensichtlichsten Problem im Prozess. Das ist sinnvoll, aber das kann auch den Blick auf kleinere Schritte verstellen, die jeden Tag Zeit kosten. Die Vorbereitung von Dateien, die Erstellung von Metadaten, Übergaben, wiederholte Überprüfungen und die Kennzeichnung von Inhalten sehen vielleicht nicht strategisch aus, bremsen Teams aber oft mehr als die zentrale Aufgabe.

Unternehmensteams müssen nicht mit dem größten Transformationsprojekt anfangen. Sie können damit beginnen, zu erfassen, wo Zeit verloren geht, wo Arbeit mehrfach weitergegeben wird und wo Menschen strukturierte Aufgaben wiederholen. Diese kleineren Korrekturen sind oft einfacher zu testen, einfacher zu messen und einfacher zu skalieren. Sie geben den Teams auch einen klareren Überblick darüber, wo eine umfassendere Automatisierung hilfreich ist und wo sie zu mehr Ausnahmen führt, die zu bewältigen sind.

„Jeder hat sich schon einmal mit der Frage beschäftigt, wie man KI in seine Kernaufgaben einbinden kann. Aber es gibt noch viele andere Bereiche, in denen man KI einsetzen und erstaunliche Ergebnisse erzielen kann. Es geht mehr um kleine kosmetische Korrekturen. In meinem Aufgabenbereich verwaltet man ein Backlog, und der untere Teil dieses Backlogs wird normalerweise nicht wirklich angegangen. Man konzentriert sich immer auf das oberste Element des Backlogs. Aber mit KI hat man die Möglichkeit, diese lange Reihe kleinerer Elemente anzugehen, die dennoch eine große Wirkung haben können.“

Stéphane Cinguino

Schlagwörter entlarven

KI-Roadmaps werden weniger effektiv, wenn sie von der Sprache des Marktes und nicht von den betrieblichen Erfordernissen geprägt sind. Die Einkäufer hören immer wieder die gleichen Begriffe und diskutieren dann über Kategorien statt über Entscheidungen. Ein besserer Ansatz besteht darin, jedes Trendlabel in eine konkrete Frage zu übersetzen: Welches Problem wird damit gelöst, für welche Nutzer, in welchem Arbeitsablauf, und woran werden wir erkennen, dass es geholfen hat?

Beginnen Sie mit dem geschäftlichen Problem, definieren Sie die betriebliche Einschränkung, wählen Sie die betroffenen Inhaltstypen aus und entscheiden Sie dann, ob die richtige Lösung in der Automatisierung, der Neugestaltung von Arbeitsabläufen, der Überprüfung durch Menschen oder einer Mischung aus allen drei Möglichkeiten besteht. Eine gute Roadmap sieht auf dem Papier in der Regel weniger ehrgeizig aus als eine vom Hype getriebene Roadmap, aber sie wird mit viel größerer Wahrscheinlichkeit umgesetzt und beibehalten.

„Ich priorisiere keine Schlagwörter. Ich setze Prioritäten bei dem, was für unsere Kunden und auf dem Markt wichtig ist. Ich schaue mir also immer die Knackpunkte, die Bedürfnisse und die Herausforderungen an, und meine Aufgabe ist es, Lösungen für all diese Punkte zu finden. Mein Priorisierungsrahmen basiert also eindeutig auf der Wirkung für unsere Kunden.“

Stéphane Cinguino

Mensch-KI-Systeme sind nach wie vor auf Führung angewiesen

Die KI-Implementierung wird oft als eine Herausforderung in Bezug auf die Tools betrachtet. In der Praxis, so Stéphane, ist sie auch eine Herausforderung für das Management. Teams brauchen klare Prioritäten, Raum zum Testen und eine stabile Entscheidungsfindung, wenn die Ergebnisse uneinheitlich sind oder sich die Fristen verschieben. Ohne dies kann selbst ein gut durchdachter Arbeitsablauf scheitern.

Für Unternehmen ist dies von Bedeutung, da die Qualität eines Anbieters selten allein vom Tool abhängt. Entscheidend ist, wie das Team hinter dem Workflow mit Ausnahmen, Änderungen und konkurrierenden Prioritäten umgeht. Gute Führung zeigt sich in stabilen Überprüfungsprozessen, sachlichen Eskalationen, realistischen Rollout-Entscheidungen und der Bereitschaft, Systeme anzupassen, wenn Prozesse nicht funktionieren. Kombinierte Arbeitsabläufe von Mensch und KI funktionieren besser, wenn die Menschen, die sie ausführen, klare Verantwortlichkeiten und eine eindeutige Erfolgsdefinition haben.

„Bevor ich mich mit der Technologie beschäftige - und natürlich bin ich technologiebegeistert - aber in erster Linie bin ich Personalmanager, und meine Aufgabe ist es, dafür zu sorgen, dass mein Team sicher ist, sich auf das Wesentliche konzentriert und das richtige Umfeld hat, um Innovationen hervorzubringen und unseren Kunden einen Mehrwert zu liefern. Und dazu gehört auch Geduld."

Stéphane Cinguino

Wichtigste Erkenntnisse

Automatisierung ist dann am zielführendsten, wenn sie die Entscheidungen innerhalb des Arbeitsablaufs verbessert, und nicht, wenn sie einfach nur den Durchsatz beschleunigt.
Governance sollte im Produkt und im Prozess sichtbar sein, mit Rückverfolgbarkeit, Routing-Regeln und klaren Prüfpfaden.
Die Unternehmens-KI-Übersetzung muss vorbereitet werden, einschließlich Terminologie, freigegebener Ressourcen und Qualitätserwartungen.
Kleine Korrekturen im Arbeitsablauf sind oft der beste Ausgangspunkt, weil sie sich leichter testen und messen lassen.
Eine solide KI-Roadmap beginnt mit betrieblichen Knackpunkten, nicht mit Marktetiketten.
Kombinierte Systeme mit menschlicher und künstlicher Intelligenz benötigen klare Verantwortlichkeiten, eine stabile Führung und realistische Einführungsentscheidungen.