2026-04-17

Bortom illusionen om AI-automation: Att bygga effektiv lokalisering som kombinerar människa och AI

AI kan snabba upp flerspråkiga arbetsflöden, men det fungerar sällan som en plug-and-play-lösning. Med utgångspunkt i sin erfarenhet av att bygga SaaS-produkter för företag beskriver Stéphane Cinguino vad team måste göra för att få system som kombinerar människa och AI att fungera effektivt i praktiken.

Lia

Företagsteam som utvärderar AI för flerspråkigt innehåll står oftast inför samma krav: leverera snabbare, begränsa kostnaderna och håll kvaliteten jämn på alla marknader. Utmaningen är att avgöra var AI-verktygen passar in, var de skapar risker eller friktion och hur man behåller kontrollen när de väl används.

Stéphane Cinguino, Chief AI, Product and Technology Officer på Acolad, diskuterade dessa och andra utmaningar med utgångspunkt i två decenniers erfarenhet av att bygga SaaS-produkter i olika branscher i C-Suite Hot Seat-podcasten av Multilingual med Eddie Arrieta, VD för MultiLingual Media, som värd.

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

Under samtalets gång återkom han till en rad praktiska frågor som företagsteam måste besvara innan de kan skala upp AI i flerspråkiga arbetsflöden. Var spelar den mänskliga granskningen fortfarande roll? Vilka uppgifter behöver spårbarhet? Vilka indata behöver systemet för att fungera väl? Vilka små steg i arbetsflödet slösar bort tid i dag? Här diskuterar vi några av de viktigaste insikterna från samtalet som är användbara för företag som på ett effektivt sätt vill integrera AI i sin innehållsverksamhet.

AI i praktiken: Grundläggande principer och hur man undviker automatiseringsillusion

Ett centralt tema under hela podcastdiskussionen var ett pragmatiskt förhållningssätt till AI, grundat på utförande snarare än hype och buzzwords – mer om detta senare.

Stéphane redogjorde för tre grundläggande principer som styr AI-implementeringen på Acolad. För det första är intuition och experimenterande viktiga. AI är inte ett fast system, utan en förmåga som utvecklas och kräver kontinuerlig testning och uppdatering. För det andra är effektiva mätmetoder avgörande. Tydliga framgångsmarkörer och utvärderingsramverk är avgörande för att undvika att slösa tid och investeringar på misslyckade initiativ och för att säkerställa att meningsfulla resultat levereras.

Slutligen är snabbhet avgörande. AI-landskapet utvecklas ständigt, och på samma sätt är förmågan att snabbt skapa nya versioner att skala upp det som fungerar det som gör hela skillnaden. Dessa principer gäller inte bara intern utveckling utan även samarbete med kunder.

”När vi samarbetar med kunder är det också mycket viktigt att arbeta med dessa tre olika axlar och dimensioner: att kunna iterera, att säkerställa att vi har rätt ramverk på plats när det gäller kvalitet, så att vi definierar rätt mätvärden tillsammans med kunden och är överens om det, och sedan, när vi väl är överens, agera snabbt. Det är så jag ser på AI.”

Stéphane Cinguino

Effektiva projekt som kombinerar människa och AI bygger på styrning från början

Styrning behandlas ofta som ett separat arbetsområde, något som dokumenteras efter att ett verktyg har valts ut. I företagsmiljöer leder det vanligtvis till luckor. Teamen behöver styrning i själva arbetsflödet, så att de kan se vad som hände med innehållet, vilket system som hanterade det och när en person behöver ingripa.

För organisationer som överväger att börja använda AI är den praktiska slutsatsen enkel: fråga hur styrningen ser ut i den dagliga användningen. Kan du spåra källan till innehållet? Kan du se vilken motor som användes? Kan du dirigera reglerat eller känsligt innehåll till en annan granskningsväg? Kan du skilja mellan arbete med låg risk och hög volym och innehåll som kräver strängare tillsyn? Dessa detaljer är viktiga eftersom de avgör om arbetsflödet håller för verkligt drifttryck.

”I Europa fokuserar vi verkligen på reglering och att säkerställa att det finns någon form av styrning kring AI. Vi gör därför betydande investeringar inom detta område för att säkerställa att vi följer dessa regler. Och det handlar inte bara om styrning i sig, som praxis, metoder, etcetera, utan också om hur vi för in det i vår produkt. Så i vårt Lia-ekosystem har varje textstycke en proveniensetikett, skulle jag säga, och vi spårar allt. Vi ser också till att all AI som vi använder eller utvecklar själva uppfyller kraven.”

Stéphane Cinguino

Myten om Zero Shot-översättning

Många AI-diskussioner utgår fortfarande från att det ska vara möjligt att få fram starka resultat med nästan ingen konfiguration. Och Stéphane diskuterar en ihållande missuppfattning som han har stött på – idén om en ”magisk knapp” från AI som ger perfekta översättningar direkt. Trots AI-genombrott är lokalisering av hög kvalitet fortfarande något komplicerat. Verklig kvalitet med AI-översättning kräver både kapacitet att integrera terminologi, referensmaterial och stilförväntningar samt en tydlig förståelse för var felen spelar störst roll.

Denna insikt är användbar för alla team som jämför leverantörer eller interna alternativ. Om ett system måste stödja användningsfall för företag, så är konfigurationsarbetet en del av lösningen. Teamen bör förvänta sig att tillhandahålla ordlistor, översättningsminnen, varumärkesspråk, exempel på innehåll och kvalitetsförväntningar. De bör också tidigt bestämma vilka innehållstyper som behöver hårdare kontroller än andra. Produktbeskrivningar, supportartiklar, avtal, medicinskt innehåll och kampanjtexter är inte alla lika riskfyllda, så de bör inte alla följa samma väg.

”Det som verkligen är överreklamerat är det jag skulle kalla Zero Shot-översättning. Tanken att man kan få perfekt innehåll som passar ett varumärke utan tidigare data eller träning är som att man stoppar in något i ett system och förväntar sig att det ska fungera perfekt. Nej, det kräver en del förberedelser. Du måste ge modellen och systemet sammanhang, några relevanta tillgångar, etcetera. Så det krävs lite mer än bara en modell. Det är mer komplext än så.”

Stéphane Cinguino

Små förbättringar i arbetsflödet kan ge stora vinster

Stora AI-projekt börjar ofta med det mest synliga problemet i processen. Det låter vettigt, men det kan dölja mindre steg som tar tid varje dag. Förbereda filer, skapa metadata, överlämningar, repetitiva kontroller och taggning av innehåll kanske inte låter strategiskt, men detta saktar ofta ner teamen mer än vad huvuduppgiften gör.

Företagsteam behöver inte börja med det största förändringsprojektet. De kan börja med att kartlägga var tid går förlorad, var arbetet lämnas över för ofta och var medarbetare upprepar strukturerade uppgifter. Dessa mindre korrigeringar är ofta enklare att testa, mäta och skala upp. De ger också teamen en tydligare bild av var en bredare automatisering kommer att vara till hjälp och var den kommer att skapa fler undantag att hantera.

”Alla har tittat på hur man kan implementera AI i sin kärnverksamhet, men det finns många andra områden där man kan använda AI och få fantastiska resultat. Det handlar mer om småfix. I min roll hanterar man en backlog, och oftast tar du inte itu med det som ligger längst ner i backloggen. Du fokuserar alltid överst i din backlogg. Men med AI har man möjlighet att ta itu med den långa svansen av små saker som ändå kan ha stor inverkan.”

Stéphane Cinguino

Skära igenom buzzwords

Färdplaner för AI blir mindre användbara när de formas av marknadsspråk istället för operativa behov. Inköpare hör samma termer upprepade gånger och hamnar i diskussioner om kategorier i stället för beslut. Ett bättre tillvägagångssätt är att översätta varje trendetikett tillbaka till en konkret fråga: vilket problem löser detta, för vilka användare, i vilket arbetsflöde och hur kommer vi att veta att det hjälpte?

Börja med affärsproblemet, definiera den operativa begränsningen, välj de innehållstyper som berörs och bestäm sedan om det rätta svaret är automatisering, omarbetning av arbetsflödet, mänsklig granskning eller en blandning av alla tre. En bra färdplan ser vanligtvis mindre ambitiös ut på papperet än en hype-driven färdplan, men det är mycket mer sannolikt att den implementeras och underhålls.

”Jag prioriterar inte modeord. Jag prioriterar det som är viktigt för våra kunder och marknaden. Så jag tittar alltid på smärtpunkter, behov och utmaningar och min roll är att hitta lösningar för dem alla. Därför är mitt prioriteringsramverk tydligt baserat på att påverka våra kunder.”

Stéphane Cinguino

System som kombinerar människa och AI är fortfarande beroende av ledarskap

Implementering av AI diskuteras ofta som en verktygsutmaning. I praktiken, säger Stéphane, är det också en utmaning för ledningen. Teamen behöver tydliga prioriteringar, utrymme att testa och stabila beslutsprocesser när resultaten är ojämna eller tidsfristerna flyttas. Utan detta kan även en stark arbetsflödesdesign bryta samman.

För företag är detta viktigt eftersom leverantörskvalitet sällan handlar bara om verktyget. Det som spelar roll är hur teamet bakom arbetsflödet hanterar undantag, ändringar och motstridiga prioriteringar. Ett starkt ledarskap visar sig i förutsägbara granskningsvägar, lugn eskalering, realistiska val av lanseringsalternativ och en vilja att justera systemet när en process inte fungerar. Arbetsflöden som kombinerar människa och AI fungerar bättre när de personer som hanterar dem har ett tydligt ägarskap och en klar definition av framgång.

”Innan jag tar itu med tekniken, för det är klart att jag brinner för teknik, men först och främst är jag en personalchef, och min roll är att se till att mitt team är tryggt, fokuserat på det som är viktigt och har rätt miljö för att skapa innovation och leverera värde till våra kunder. Och tålamod är en del av det.”

Stéphane Cinguino

De viktigaste lärdomarna

Automatisering är som mest användbar när den förbättrar besluten i arbetsflödet, inte när den bara ökar genomströmningen.
Styrningen ska vara synlig i produkten och processen, med spårbarhet, dirigeringsregler och tydliga granskningsvägar.
AI-översättning för företag kräver förberedelser, inklusive terminologi, godkända tillgångar och kvalitetsförväntningar.
Små arbetsflödesåtgärder är ofta den bästa platsen att börja på eftersom de är både enklare att testa och att mäta.
En tydlig AI-färdplan börjar med operativa problem, inte med marknadsetiketter.
System som kombinerar människa och AI är beroende av tydligt ägarskap, stabilt ledarskap och realistiska val för utrullning.