Det gode spørgsmål om AI inden for oversættelse er, hvilket indhold det kan bruges til, og hvilket der skal forblive menneskestyret. Maskinoversættelse og store sprogmodeller kan nu klare en stor del erhvervsoversættelser fint, mens de klarer andet indhold dårligt; derfor handler beslutningen om, hvilket indhold der skal sendes videre, snarere end om man overhovedet skal anvende dem.
Maskinoversættelse er allerede standard i meget produktion. Efterredigeret maskinoversættelse steg fra 26 % af arbejdet i 2022 til næsten 46 % i 2024, og 62,6 % af udbyderne af sprogtjenester gennemfører nu mere end 30 % af deres projekter på denne måde (Nimdzi, 2025).
Denne artikel giver dig et grundlag for at træffe beslutningen: hvad begreberne rent faktisk betyder, hvor en neural oversættelsesmotor er bedre end en generel model som ChatGPT, hvordan man fordeler indhold efter risiko, hvordan maskinoversættelse fejler, og hvordan man opdager det, samt hvor der stadig er brug for et menneske. Den bygger på erfaringerne fra vores egne teams, der arbejder med dette hver eneste dag.
KORT SAGT
|
Maskinoversættelse og AI-oversættelse: hvad begreberne egentlig betyder
Maskinoversættelse er software, der oversætter tekst automatisk. AI-oversættelse er det bredere begreb, der nu dækker både specialudviklede neurale programmer og generelle store sprogmodeller. De to begreber overlapper hinanden, men de er ikke indbyrdes udskiftelige, og forskellen har betydning for, hvilke opgaver man bør betro dem.
Det vil være nyttigt at kende de fire kategorier, du vil høre om:
- Regelbaseret maskinoversættelse: tidlige systemer baseret på håndkodet grammatik; stiv og unaturlig oversættelse.
- Statistisk maskinoversættelse (SMT): sandsynlighed baseret på store tosprogede tekstkorpusser; bedre, men klodset med hensyn til flydende sprogbrug.
- Neural maskinoversættelse (NMT): dyb læring, der læser hele sætningen; motoren bag moderne DeepL og Google Translate.
- Store sprogmodeller (LLM’er): universelle modeller som ChatGPT, der blandt mange andre opgaver kan oversætte.
I dag er det meste af den maskinelle oversættelse i erhvervslivet baseret på neurale programmer, og der anvendes i stigende grad store sprogmodeller (LLM’er) sideløbende hermed. Første skridt til at kunne stole på output i tilstrækkelig grad er at vide, hvilken teknologi der ligger bag et givet resultat.
Er ChatGPT maskinoversættelse?
Ikke helt. ChatGPT er en generel, stor sprogmodel, der blandt mange andre opgaver også kan oversætte, hvorimod et dedikeret maskinoversættelsesprogram udelukkende er udviklet til denne ene opgave. Det er en vigtig forskel med hensyn til konsistens, terminologi og hvilke sprog de enkelte systemer håndterer bedst.
Oversættelsesteknologien har udviklet sig fra regelbaserede systemer til statistiske modeller og videre til neural maskinoversættelse, som læser hele sætningers kontekst og lyder langt mere naturligt. Store sprogmodeller er det nyeste skud på stammen: De er trænet på enorme, mangfoldige datasæt, håndterer en bred vifte af emner og tilpasser sig instrukser om tone og stil.
Denne fleksibilitet er virkelig nyttig til udarbejdelse af udkast og til konteksttunge tekster. En generel model er udviklet til mange opgaver i stedet for at være specialudviklet til oversættelse, hvilket er grunden til, at professionelle sprogfolk stadig er tilbageholdende med at tage den i brug: Færre end 14 % af de professionelle oversættere angiver, at de bruger ChatGPT til oversættelsesopgaver. Den ærlige konklusion er, at ChatGPT er et kompetent værktøj til udarbejdelse af et første udkast, men det skal stadig gennemgås meget grundigt, før det sendes ud til læsere.
Tobias Wiesner, der er administrerende direktør for vores tyske afdeling, bruger sine dage på at hjælpe kunder med at finde ud af, hvor AI passer til deres indhold. Ifølge Tobias starter problemerne som regel på grund af en forventning om, at værktøjet kan tænke selv.
| “Den største misforståelse er, at kunstig intelligens fungerer uden at man bruger tid, energi og omtanke på det.” Tobias Wiesner |
NMT vs. LLM: Hvilken type AI skal man stole på til hvad?
Et specialudviklet neuralt oversættelsesprogram udmærker sig ved konsistens, terminologikontrol og stabile resultater. En generel LLM udmærker sig ved konteksthåndtering, fleksibel tone og evnen til at følge detaljerede instrukser. De fleste produktionsarbejdsgange anvender begge dele til forskellige opgaver.
| Dimension | Neuralt maskinoversættelsesprogram | Generel LLM (f.eks. ChatGPT) |
|---|---|---|
| Konsistens | stabilt, gentageligt resultat | kan variere for det samme input |
| Terminologistyring | kraftfuld med en trænet motor eller en ordliste | svag uden omfattende prompting |
| Håndtering af kontekst | med fokus på sætninger og segmenter | den bredere dokumentkontekst |
| Fleksibilitet i tone og stil | begrænset | følger instrukser |
| Sprog med begrænsede ressourcer | afhænger af træningsdataene | ofte svagere, større risiko for hallucinationer |
| Bedst egnet til | stort omfang, stabilt indhold | udkast, fleksibel tekst eller tekst, hvor konteksten er vigtig |
Den praktiske konklusion: Betragt “AI-oversættelse” som to forskellige værktøjer. Send stabilt indhold i store mængder til en neuralt program med en ordliste, og brug en LLM, når fleksibilitet og kontekst er vigtigt, og hvor et menneske vil gennemgå resultatet.
Hvornår skal man bruge maskinoversættelse, og hvornår skal man undgå det?
Brug maskinoversættelse, når hastighed og omfang er vigtigere end sproglig præcision, og undgå uredigeret maskinoversættelse, når en fejl kan koste penge, gå ud over sikkerheden, medføre overtrædelse af regler eller skade tilliden til firmaet eller brandet.
Hvor maskinoversættelse har sin berettigelse
Maskinoversættelse er det rigtige valg, når målet er forståelighed og output i stor skala. De bedste anvendelsestilfælde:
- Intern viden og dokumentation, så en flersproget medarbejderstab hurtigt kan sætte sig ind i virksomhedens politikker og rapporter.
- Stort omfang af gentagende indhold, såsom ofte stillede spørgsmål og produktoversigter, hvor en fuldstændig menneskeudført oversættelse ikke vil være økonomisk rentabel.
- Forståelse ved første gennemlæsning, når et team skal gennemgå forskningsmateriale eller konkurrenters materiale på et fremmedsprog.
- Indhold, der ellers ikke er oversat, hvor alternativet er at lade det forblive på kun ét sprog.
Forestil dig en producent, der giver tusindvis af fabriksmedarbejdere hurtig adgang til opdaterede sikkerhedsretningslinjer på deres eget sprog. En perfekt formulering er mindre vigtig end at formidle den korrekte betydning hurtigt til medarbejderne.
Hvor man ikke bør nøjes med en rå maskinoversættelse
Undgå at bruge rå maskinoversættelse til indhold, der er rettet mod kunder, er underlagt lovgivning, er specialiseret eller er af kreativ karakter. Risiciene:
- Markedsførings- og brand-tekster, hvor tone og argumenter har kommerciel betydning og kræver transkreation frem for oversættelse.
- Juridiske forhold og kontrakter, hvor en enkelt fejloversat klausul kan ændre ansvaret.
- Medicinsk og teknisk indhold, hvor nøjagtighed er et spørgsmål om sikkerhed; dette hører til områderne for medicinsk oversættelse og teknisk oversættelse.
- Alt, der har med argumentering eller omdømme at gøre, såsom kommunikation til investorer eller pressen.
Et slogan afslører faldgruben. En maskine kan fremstille en grammatisk korrekt version på målsproget, der falder til jorden, eller som på markedet kommer til at betyde noget andet end det, der var meningen. Teksten lyder som sådan fint, og skaden forbliver usynlig, indtil en modersmålsbruger ser den.
Ifølge Tobias’ erfaringer er det også her, at efterredigering når grænsen for sin nytteværdi: Det kan tage længere tid at redigere et maskinoversat udkast op til en kreativ standard, end det ville gøre at starte helt forfra.
| “Hvis kunden forventer et kreativt kunstværk, vil efterredigering ikke føre dig i mål, for så går det hurtigere at oversætte helt fra bunden.” Tobias |
Sådan fordeler du dit indhold: en beslutningstabel
Den mest praktiske fremgangsmåde er at fordele indholdet efter risiko og værdi: maskinoversættelse (MT) til opgaver med lav risiko, maskinoversættelse med menneskeudført efterredigering (MTPE) til vigtigt forretningsindhold og menneskeudført oversættelse til reguleret og brand-kritisk materiale – i stedet for at behandle alle filer ens.
| Indholdstype | Fordeling | Kvalitetskrav | Hvorfor |
|---|---|---|---|
| Interne dokumenter, brugergenereret indhold, orientering | rå maskinoversættelse | letlæseligt, præcis nok til at blive forstået | hastighed og volumen, lav risiko |
| Support, produktbeskrivelser, vidensbase | MTPE (ISO 18587) | præcis og konsekvent terminologi | vigtigt, men med stort omfang; et menneske redigerer udkastet |
| Markedsføring, kampagner, brand | menneske/transkreation | i tråd med brandet, kulturelt tilpasset | overtalelse og tone indebærer en kommerciel risiko |
| Juridisk, medicinsk, teknisk, reguleret | menneske (ISO 17100) | præcis, sporbar, i overensstemmelse med regler | fejl har juridiske eller sikkerhedsmæssige omkostninger |
To standarder ligger bag denne tabel. ISO 17100 omhandler menneskeudført oversættelse med en uafhængig sprogrevisor, mens ISO 18587 omhandler fuldstændig menneskeudført efterredigering af maskinoversættelser. Hos AdHoc Translations overholder vi begge standarder, så hvert trin foregår efter en fastlagt proces og ikke blot efter bedste evne fra gang til gang.
Et eksempel: fordeling af en virksomheds indhold
Her er tabellen anvendt som det kunne e ud i virkeligheden. Lad os forestille os en mellemstor modevirksomhed, der bruger et CMS og et PIM og som markedsfører sig på flere europæiske markeder.
| Deres indhold | Volumen/kadence | Fordeling | Hvorfor |
|---|---|---|---|
| Produktoversigter, specifikationsark | høj, daglig | MTPE | omfang og gentagelse; terminologien skal være konsekvent |
| Kundeanmeldelser vist på hjemmesiden | høj, kontinuerlig | rå MT | læsbarhed og hensigt er nok; hastigheden er vigtig |
| Hjælp og ofte stillede spørgsmål | mellemhøj, regelmæssige opdateringer | MTPE | vigtigt, men gentagende; hukommelsen udvikler sig med tiden |
| Sider til sæsonkampagner, hovedtekst | lav, høj risiko | menneske/transkreation | overtalelse og brandets tone indebærer en kommerciel risiko |
| Vilkår, returpolitik, compliance | lav, høj risiko | menneske (ISO 17100) | en fejl medfører juridisk risiko |
Størstedelen af mængden går til maskinoversættelse (MT) og maskinoversættelse med menneskelig efterredigering (MTPE), mens den menneskelige indsats koncentreres dér, hvor risikoen er størst. Den samlede pris pr. ord falder, uden at kvalitetskravene sænkes dér, hvor det virkelig tæller. For yderligere oplysninger om prissætning henvises til vores artikel om hvad en professionel oversættelse koster.
Hvordan maskinoversættelse fejler, og hvordan man opdager det
De farlige fejl er netop dem, hvor teksten lyder flydende, så det er ved at bære bevidst om de specifikke mønstre, at en sprogrevisor kan opdage dem, inden teksten udgives. At teksten lyder flydende ved første gennemlæsning er ikke et tegn på kvalitet.
| Fejltype | Sådan ser det ud | Sådan sker det | Sådan fanger man det |
|---|---|---|---|
| Terminologiske afvigelser | den samme term oversat på tre forskellige måder i ét dokument | ingen fastlagt ordliste; variation i LLM’er | en termbase og en konsistenskontrol af nøgleterminologi |
| En selvsikker fejloversættelse | lyder helt korrekt, men betyder det modsatte (et udeladt “ikke”, mg i stedet for mcg) | flydende sprogbrug prioriteres over nøjagtighed | tosproget gennemgang af vigtige afsnit |
| Hallucination | tilføjet indhold, der ikke findes i kilden | modellen udfylder huller, sprogpar med begrænsede ressourcer | kontrol af, om kilden er fuldstændig |
| Forkert tone eller stilleje | grammatisk korrekt, forkert formalitetsgrad eller brand-tone | standardindstillinger for modellen, ingen styring af stil | gennemgang af en person på det lokale marked |
| Fejl i tal, datoer og måleenheder | forkert decimal-, valuta- eller datoformat | håndtering af indstillinger for sprogversion | målrettet kvalitetssikring af tal |
Derfor sender fordelingstabellen indhold af stor betydning videre til menneskelig gennemgang. En efterredaktør eller sprogrevisor har til opgave at opfange de fejl, som en maskine ikke kan se i sit eget output, hvilket er en helt anden opgave end at finpudse teksten.
Hvorfor AI-parathed afhænger af, hvordan du allerede arbejder
Om AI-oversættelse fungerer for dig, afhænger mindre af værktøjet og mere af, hvor modent dit lokaliseringssystem allerede er. En virksomhed med oversættelseshukommelser, aftalt terminologi, definerede processer og medarbejdere, der har ansvaret for kvaliteten, kan også hurtigt begynde at bruge kunstig intelligens. En virksomhed uden disse elementer skal lægge fundamentet først.
Tobias ser forandringen som en ændring i rolle snarere end i viden: Kunstig intelligens omformer det, som sprogspecialisten laver i hverdagen, fordi det skifter fokus fra at oversætte fra bunden til at forberede materialer, styre terminologi og foretage efterredigering.
| “Kunstig intelligens ændrer de ting, sprogspecialister laver – ikke de ting sprogspecialister ved.” Tobias |
Det er netop denne ændring, som teams undervurderer. Han mener, at et godt resultat afhænger af det arbejde, der lægges omkring værktøjet.
| “Det er ikke alle, der forstår, at man ikke bare kan putte indhold ind i den ene ende og så få et perfekt resultat ud i den anden. Der ligger arbejde i det – sprogligt arbejde og processtyring.” Tobias |
Han er ærlig over for kunderne, når deres opsætning eller system ikke er klar, for det gavner ingen at love for meget.
| “Det giver ingen mening at sælge en Lamborghini til nogen og så levere et skateboard.” Tobias |
I praksis skal der være nogle forudsætninger på plads, før AI-oversættelse kan betale sig. Betragt dette som en tjekliste for, om alt er klar:
- Sprogressourcer. Oversættelseshukommelser og en termbase , så oversættelsesprogrammet genbruger godkendte formuleringer og termer konsekvent. Hvis disse ressourcer endnu ikke er til stede, kan eksisterende godkendt indhold tilpasses i en opbygningsfase.
- Der skal være tilstrækkeligt med indhold på sproget. AI har brug for materiale at lære af; et sprog med få eksisterende tekster giver et svagere resultat.
- En kendt målgruppe og tone. Stilen varierer fra marked til marked, så målgruppen skal defineres i stedet for blot at antages.
- En realistisk forventning til kvaliteten. Efterredigering egner sig godt til gode, funktionelle oversættelser; virkelig kreativt arbejde oversættes bedst fra bunden.
- Sproglig parathed varierer. Omfanget af efterredigering varierer fra sprog til sprog: Nogle sprog, såsom dansk, kræver kun let redigering, mens andre, såsom polsk, kræver langt mere.
Intet af dette kræver, at opsætningen er færdig, før man går i gang. Centralisering af anmodningerne, tilføjelse af de rette værktøjer og opbyggelse af en vidensbase ud fra eksisterende indhold er alt sammen med til at bringe et team med lavere modenhed fremad, og hvert trin gør det næste skridt inden for AI mere sikkert.
Sådan vurderes kvaliteten af AI-oversættelser
Vurder AI-resultater ud fra fuldstændighed, terminologi, flydende sprogbrug og egnethed til formålet, og betragt de automatiske vurderinger som indikatorer snarere end et grønt lys til at offentliggøre teksten.
En praktisk første kontrol, inden der anvendes en målemetode:
- Fuldstændighed: intet er udeladt eller sammenføjet; AI udelader eller sammenføjer nogle gange sætninger.
- Terminologi: godkendte termer og produktnavne, der anvendes konsekvent, understøttet af god terminologistyring.
- Flydende sprog og tone: naturlig for målgruppen, skrevet som en modersmålstalende ville skrive det.
- Kulturel tilpasning: talemåder, eksempler og referencer, der kan overføres til markedet.
Køberne hører også om vurderingsmetoder. BLEU måler, hvor tæt oversættelsen ligger på en referenceoversættelse, og TER tæller de redigeringer, der er nødvendige for at nå op på en professionel standard.
En mere nyttig produktionsmåling er “Time to Edit”, altså hvor lang tid en sprogspecialist har brug for til at bringe et segment op til samme kvalitet som en menneskeudført oversættelse (Translated, 2026). Nyere modeller til kvalitetsvurdering går endnu længere og forhåndssorterer segmenter i let eller fuld efterredigering, inden et menneske går i gang (Frontiers in Artificial Intelligence, 2025).
Alle disse måler lighed eller arbejdsindsats. Ingen af dem fortæller dig, om teksten er sikker at offentliggøre, og det er derfor, at indhold med meget på spil stadig ender hos et menneske.
Det spørgsmål om sikkerhed og data, som de fleste vejledninger springer over
Inden du sender indhold gennem et AI-værktøj, skal du kontrollere, hvor dataene ender, da indsættelse af fortroligt eller reguleret indhold i en offentlig model kan udgøre et brud på de vilkår, du er underlagt.
Fire kontroller løser det meste:
- Hvor indholdet behandles og opbevares, og om dette sted opfylder dine forpligtelser til overholdelse af diverse regler.
- Om dit indhold bruges til at træne modellen, hvilket kan afsløre ikke-offentliggjort eller fortroligt materiale.
- Om der findes et revisionsspor, så man kan påvise, hvordan en oversættelse er blevet udarbejdet, hvis man bliver bedt om det.
- Hvem der har adgang, og om følsomme projekter er afskærmet fra almindelig brug.
En økonomiafdeling, der indsætter endnu ikke offentliggjorte resultater i en chatbot rettet mod forbrugere for at få en hurtig oversættelse, er præcis den slags genvej, der skaber et reelt problem. En kontrolleret arbejdsgang har netop til formål at sikre, at hastigheden ikke går ud over fortroligheden.
Integration af AI-oversættelse i dine eksisterende systemer
Værdien af AI-oversættelse kommer til sin ret, når den kører direkte i dit eksisterende CMS eller PIM – ikke som et separat kopier-og-indsæt-trin – så indholdet flyder ind og ud igen uden manuel håndtering.
Det er netop i kopier-og-indsæt-arbejdsgangen, at tid og kvalitet kan gå tabt. Indholdet eksporteres, indsættes i et værktøj, indsættes tilbage og omformateres for hvert sprog, og hvert manuelt trin udgør en risiko for versionsafvigelser og fejl.
Det sammenhængende alternativ er et integrationslag mellem dine systemer og din leverandør. Vores SmartConnect opretter forbindelse mellem et CMS, PIM eller webshopsystem og os, så indholdet flyttes automatisk, hvilket fjerner eksport- og importtrinnene samt de fejl, der følger med dem.
Opgavefordelingen kræver også styring: hvem der godkender, hvordan terminologi og oversættelseshukommelse vedligeholdes, og hvem der sidder med sprogrevisionen. Vores kundeportal SmartDesk samler alt dette på ét sted, hvor hvert projekts sprog, opgavefordeling, status og terminologi er synlige og rapporteres samlet i stedet for at være spredt ud over en masse e-mails.
Maskinoversættelse i CAT-editoren: et engelsk kildesegment med den spanske oversættelse og en kvalitetsscore på 84. Her er den underliggende motor Phrase Language AI (NextMT), der vælges automatisk for dette sprogpar. Scoren angiver, hvor meget efterredigering en sprogrevisor kan forvente at skulle udføre, før teksten er klar til offentliggørelse.
Det samme kildesegment oversat til tysk med en score på 92 ved hjælp af en anden motor (Phrase Language AI, DeepL), der er valgt automatisk til sprogparret. En højere score betyder mindre efterredigering, hvilket er grunden til, at valg af oversættelsesmotor foretages for hvert sprog i stedet for én gang for hele projektet.
Det samme segment oversat til dansk med en score på 69. Den lavere score viser, hvorfor efterredigeringsindsatsen varierer fra sprog til sprog: Den samme engelske sætning kræver mere manuelt arbejde på nogle målsprog end på andre – selv inden for det samme projekt.
Vores tilgang til maskinoversættelse og kunstig intelligens hos AdHoc Translations
Vi anvender maskinoversættelse og AI, hvor det er hensigtsmæssigt, kombineret med menneskeudført sprogrevision, når kvaliteten er afgørende, og vi styrer det hele gennem dokumenterede proceskontroller i stedet for hen ad vejen.
Det har vi gjort siden 1990 med over 5.500 sprogspecialister, der oversætter til deres modersmål på flere end 99 sprog, og kontorer i Nord- og Vesteuropa, Indien og USA. Vi bygger på mennesker, processer og teknologi for at opretholde en stabil kvalitet, selvom mængden vokser.
Der er nogle få faktorer, der præger den måde, vi udfører AI-understøttet arbejde på:
- vi arbejder med flere forskellige motorer og Phrase Language AI og vælger den rigtige til den enkelte anvendelse i stedet for at satse på ét enkelt værktøj;
- vi er certificeret i henhold til ISO 17100 og ISO 18587, så både menneskeudført oversættelse og efterredigering foregår i henhold til en fastlagt standard; og
- vores projektteams sikrer, at terminologi og oversættelseshukommelse er ensartet på tværs af maskinoversættelser og menneskeudførte oversættelser, så kvaliteten er ensartet på tværs af markeder
Hvis du gerne vil have overblik over dit eget indhold og opnå den rette kombination af maskinoversættelse, efterredigeret oversættelse og menneskeudført oversættelse, kan du se, hvordan vi understøtter dit indholds økosystem.
Ofte stillede spørgsmål om maskinoversættelse og AI
Er ChatGPT et værktøj til maskinoversættelse?
ChatGPT kan oversætte, men det er en generel, stor sprogmodel og ikke et dedikeret maskinoversættelsesprogram. Det genererer flydende udkast og tilpasser sig instrukser, men er svagere end et specialudviklet neuralt program, når det kommer til konsistens og terminologistyring. Til erhvervsmæssig brug bør man betragte det som et værktøj til udarbejdelse af udkast, der skal gennemgås, og ikke som et værktøj til endelig produktion.
Hvad er forskellen mellem maskinoversættelse og AI-oversættelse?
Maskinoversættelse er en funktion, der oversætter tekst automatisk. AI-oversættelse er et bredere begreb, der nu omfatter både specialudviklede neurale programmer og generelle store sprogmodeller. Al oversættelse med kunstig intelligens er også maskinoversættelse, men ikke alle former fungerer på samme måde, og derfor er det vigtigt, hvilken type motor der er tale om.
Hvornår bør man undgå at bruge maskinoversættelse?
Undgå rå maskinoversættelse af reguleret, juridisk, medicinsk, brand-kritisk og kreativt indhold, hvor en fejl kan have juridiske, sikkerhedsmæssige eller omdømmemæssige konsekvenser. Denne slags indhold kræver menneskeudført oversættelse eller, hvis der er tale om reklamekampagner, transkreation. Maskinoversættelse med efterredigering kan undertiden fungere for vigtigt indhold, der på trods af vigtigheden udgør en lavere risiko ved fejl.
Er maskinoversættelse det samme som et CAT-værktøj?
Nej. Maskinoversættelse genererer oversættelsen automatisk, mens et CAT-værktøj (computerassisteret oversættelse) er det miljø, som en menneskelig sprogspecialist arbejder i, med oversættelseshukommelse, terminologi og kvalitetskontrol. En sprogspecialist kan efterredigere resultatet af en maskinoversættelse i et CAT-værktøj, men de to udfører forskellige opgaver.
Kan maskinoversættelse håndtere specialiseret eller teknisk indhold?
Nogle gange kan det lade sig gøre med efterredigering, et trænet oversættelsesprogram og en godkendt ordliste, men rå maskinoversættelse er risikabelt i forbindelse med tekniske, medicinske eller juridiske opgaver, hvor der står meget på spil. Den sikre fremgangsmåde er at sende specialiseret indhold til en fagsprogspecialist eller at foretage efterredigering i henhold til ISO 18587, hvor risikoen tillader det.
Udsætter brugen af AI-oversættelse mine data for risiko?
Det kan det gøre, hvis indholdet går gennem et offentligt værktøj, der gemmer eller træner modellen med det, du indsætter. Inden du bruger et AI-oversættelsesværktøj, bør du derfor tjekke, hvor dataene behandles, om de bruges til at træne modellen, og om det overholder dine compliance-forpligtelser. En kontrolleret arbejdsgang sikrer, at fortroligt indhold holdes ude af offentlige modeller.
FAQ JSON-LD schema is delivered in-line in the chat reply, not embedded here. The FAQs above remain visible in the page body.
Kilder
- Nimdzi Insights. MTPE-effektivitetskløften (The MTPE Efficiency Gap) og undersøgelsesdata fra 2025 om anvendelsen af efterredigering af maskinoversættelse. 2025. nimdzi.com.
- Mordor Intelligence. Machine Translation Market size and forecast, 2025–2030. 2025. mordorintelligence.com.
- Translated. Machine Translation in 2026: An Honest Assessment. 2026, for Time to Edit (TTE). translated.com.
- Frontiers in Artificial Intelligence. Quality estimation models for machine translation post-editing. 2025.
- ISO 17100:2015 (Translation services. Requirements for translation services). Den Internationale Standardiseringsorganisation (ISO). iso.org.
- ISO 18587:2017 (Translation services. Post-editing of machine translation output. Requirements). Den Internationale Standardiseringsorganisation (ISO). iso.org.