AI voor vertaling: zijn AI-modellen, zoals DeepSeek, ChatGPT en Gemini, de beste keuze voor lokalisatie?

De AI-revolutie en het effect ervan op vertaling en lokalisatie blijft een hot topic in directiekamers, opmerkingen op LinkedIn en webinars. Hoewel LLM's niet specifiek ontworpen zijn voor vertaling, worden zij steeds vaker gebruikt om meertalige content te creëren. Toch draait het debat er nog steeds om hoe doeltreffend zij nu eigenlijk zijn voor deze taken.

Maar wat zeggen de experts?

• Hoe doen AI-modellen het in vergelijking tot gespecialiseerde systemen voor neurale machinevertaling (NMT)?
• Zijn zij interessant voor lokalisatie op grote schaal of beter geschikt voor creatieve en nichetaken? 
• Met welke uitdagingen op het gebied van ethiek, regelgeving en gegevensbeveiliging gaan zij gepaard? 
• Vormen open-weight AI-modellen, zoals DeepSeek, een echt alternatief voor bedrijfseigen oplossingen?

Op basis van een aantal deskundige meningen gaan we dieper in op het evoluerende landschap van AI-vertaling en bekijken we wat dit betekent voor de toekomst van meertalige content.

AI-vertaling: hoe doen LLM's het?

Hoewel LLM's niet noodzakelijk gebouwd zijn voor vertaling, hebben heel wat professionals en organisaties uit de sector getest hoe zij het doen in vergelijking met systemen voor neurale machinevertaling (NMT).

Terwijl bepaalde modellen, zoals de laatste V3- en R1-modellen van DeepSeek, worden geprezen voor hun redeneringsskills, geven gebruikers aan dat de resultaten op het gebied van vlotheid en creativiteit bij modellen zoals GPT4 en Claude zeer goed zijn.

• DeepSeek: Sommige experts zeggen zelfs dat de vertaalkwaliteit voor Chinees-Engels beter is dan die van andere modellen. De prestaties op het gebied van wiskundige redeneringstaken zijn ook uitzonderlijk goed. Een aantal vroege tests geven evenwel aan dat het mogelijk moeite heeft met contextuele nuance in vergelijking met andere modellen.
• ChatGPT & Claude: Deze modellen krijgen de voorkeur voor kwalitatief hoogstaande, genuanceerde en creatieve vertalingen, vaak voor marketing of creatieve content. Zij kunnen ook interessant zijn voor de verschillende fases binnen lokalisatieworkflows. In een recente studie werd Claude Sonnet door experts geëvalueerd als het beste vertaalmodel voor verschillende talencombinaties bij algemene vertaaltaken.
• Gemini & LLaMa: De Gemini-modellen van Google integreren multimodale capaciteiten die het contextuele begrip in het kader van verschillende contenttypes verbeteren, terwijl LLaMa van Meta zich focust op effectiviteit en aanpasbaarheid voor diverse AI-taken.

Sectoraal inzicht:

Renato Beninatto, sectoraal expert van Nimdzi, die in ons exclusieve e-book dieper ingaat op de belangrijkste trends voor de taal- en contentsector in 2025, heeft een experiment uitgevoerd om een vertaalfout te testen en ontdekte een interessant verschil tussen GPT-4o en DeepSeek V3 bij de vertaling van een erg ingewikkelde Spaanse zin.

Hij postte op LinkedIn: "Dit experiment toont aan dat er op het gebied van redeneringscapaciteit een aanzienlijke kloof bestaat tussen AI-modellen. Hoewel DeepSeek sterke grammaticale analysecapaciteiten vertoonde, had het moeite met algemenere context. ChatGPT vertoonde superieure redenering door het verband tussen de vooronderstelling van de content (vier woorden) en de vertaling te begrijpen."

Rendabele AI-vertaling? Een nieuw tijdperk

Voor heel wat leidinggevenden is het prijskaartje een belangrijke factor om het gebruik van AI-modellen voor contentcreatie en lokalisatie te pushen. Hoewel heel wat grote AI-spelers vergelijkbare tokenprijzen hanteren, was de komst van DeepSeek een van de belangrijkste ontwrichtende factoren voor de prijs van LLM's.

DeepSeek zou kunnen worden getraind voor slechts een fractie van de kosten van zijn rivalen. Bovendien bedraagt de kostprijs per token doorgaans veel minder dan bij de concurrentie. Door deze lagere prijs is het voor kleinere ondernemingen en andere organisaties financieel veel interessanter om de kracht van een LLM te benutten.

De trend is dat de kosten van LLM's waarschijnlijk zullen dalen. Maar voor heel wat bedrijven die reeds geïnvesteerd hebben in de opbouw van een terminologiebank of vertaalgeheugen met neurale machinevertaling of voor gebruik met hoge volumes, blijft het voorlopig rendabeler om NMT verder te gebruiken, vooral omdat NMT grote contentvolumes sneller kan verwerken.

Sectoraal inzicht 

"Als je moet kiezen tussen een LLM of NMT voor vertaling, bestaat er geen benadering die perfect is voor iedereen. De rendabelste oplossing is namelijk afhankelijk van het soort content, het doelpubliek, het contentvolume en heel wat andere factoren. Door hun expertise op het gebied van zowel NMT- als AI-oplossingen bevinden verleners van taaldiensten zich in een unieke positie en kunnen zij helpen om het juiste evenwicht te vinden."

Pavel Soukenik, Head of Global Solutions, Acolad

Personalisering & open-weight modellen: revolutie op het gebied van AI-lokalisatie?

Het grootste verschil tussen DeepSeek en zijn belangrijkste LLM-rivalen is misschien wel dat het model beschikbaar is via een open-weight model. Hoewel sommigen het zouden beschrijven als open source, wijzen heel wat experts erop dat een AI-model dat zijn getrainde parameters publiek toegankelijk maakt maar andere aspecten van het model privé houdt, moet worden beschouwd als een open-weight model.

In ieder geval is DeepSeek, in tegenstelling tot de meeste andere LLM-rivalen, beschikbaar voor personalisatie met het vermogen om modellen ter plaatse te downloaden, wijzigen en gebruiken. Hierdoor kunnen bedrijven de AI specifiek afstemmen, bijvoorbeeld voor bepaalde talencombinaties en sectorspecifieke terminologie.

Dit kan bijzonder baanbrekend zijn voor de ontwikkeling van nieuwe modellen die met name zijn ontworpen om te werken met talen met weinig resources die misschien te weinig aan bod komen bij bedrijfseigen modellen. Daarnaast zouden organisaties het model veilig kunnen trainen met hun eigen vertaalgeheugens, terminologiedatabanken en merkrichtlijnen en dit alles zonder gevoelige informatie bloot te stellen aan derde partijen.

Open-weight modellen beschikken over het potentieel om geavanceerde taaltechnologie echt te democratiseren en organisaties tegelijkertijd in staat te stellen hun competitieve taalvoordelen te behouden. Heel wat meer bedrijven zouden gepersonaliseerde applicaties van de modellen kunnen gebruiken, zonder de grote initiële trainingskosten van het model.

AI-vertaling & conformiteit: het dilemma van gegevensbeveiliging

Ook al neemt het gebruik van AI toe, toch blijft de bezorgdheid omtrent gegevensbeveiliging, conformiteit en ethiek aanhouden.

Zo hebben autoriteiten in Australië, de VS, Italië, Taiwan en Zuid-Korea al beperkingen vastgelegd inzake het gebruik van DeepSeek en onder meer hun bezorgdheid geuit over privacy- en gegevenskwesties. Italië volgde een vergelijkbare weg toen ChatGPT gelanceerd werd.

Gegevensbescherming, regelgevingskaders en andere conformiteitskwesties blijven een groot obstakel bij het gebruik van AI voor bedrijven in diverse domeinen, met name in uiterst gereguleerde sectoren.

Bedrijfsleiders moeten dan ook stilstaan bij de volgende vragen:

• Kunnen AI-modellen gegevensbescherming en naleving van lokale regelgeving waarborgen wanneer zij worden gebruikt voor vertalingen?

• Is het voor bedrijven haalbaar om te kiezen voor lokaal gehoste AI-modellen om de gegevensbeveiliging te waarborgen?

• Wat is het effect van de verschillende benaderingen inzake AI-regelgeving die Europa, de VS en Azië implementeren?

Er zijn echter geen simpele antwoorden op deze vragen. Organisaties moeten zorgvuldig afwegen of zij met AI-vertaaltools kunnen voldoen aan hun nalevingsverplichtingen, de haalbaarheid van lokaal gehoste modellen nagaan en zich klaarmaken voor de gevolgen van uiteenlopende regelgevingsbenaderingen tussen belangrijke internationale regio's.

Wat is nu de volgende stap voor vertalingen op basis van AI?

Het is duidelijk dat het landschap verder blijft evolueren met open-weight modellen die traditionele bedrijfseigen systemen uitdagen. Hierbij maken rendabiliteit en personalisering het grote verschil op de markt.

De toekomst is misschien gericht op een meer gedemocratiseerde toegang tot AI-technologie, waarbij kleinere verleners van taaldiensten en bedrijven de mogelijkheid krijgen om hun eigen AI-oplossingen te gebruiken en personaliseren. De trend van lokaal gebruik en gepersonaliseerde modellen zal waarschijnlijk in een stroomversnelling terechtkomen, vooral bij organisaties die werken met talen met weinig resources en gespecialiseerde sectorterminologie.

Deze ontwikkeling moet echter door complexe regelgeving navigeren, aangezien diverse landen verschillende benaderingen gebruiken voor AI-governance. De sector moet een evenwicht vinden tussen innovatie en conformiteit, met name nu de regionale verschillen op het gebied van AI-regelgeving blijven opduiken.

De belangrijkste lessen voor bedrijven en lokalisatieprofessionals:

✔ AI-modellen worden steeds beter, maar in sommige gevallen, zoals bij grote contentvolumes, blijven NMT-systemen nog steeds de beste keuze.

✔ Open-weight AI-modellen kunnen sectorale innovatie stimuleren, maar het gebruik ervan hangt af van de duidelijkheid van de regelgeving.

✔ AI-vertaling moet strategisch worden gebruikt, bijvoorbeeld voor creatieve content en automatische post-editing.

✔ Bezorgdheid omtrent veiligheid en gegevensconformiteit blijft doorslaggevend bij de selectie van een AI-tool.

Sectoraal inzicht

"De toekomst van AI op het gebied van vertaling en lokalisatie draait om veel meer dan technologie alleen – het gaat ook om een evenwicht tussen veiligheid, conformiteit en innovatie. AI zorgt voor een revolutie in de taalsector, maar de ware kracht bestaat erin deze technologieën aan te passen aan specifieke contexten."

Pavel Soukenik, Head of Global Solutions, Acolad