2025-05-21 · Redaktionen Baduno · 7 blog.readMin · Blog & Kunskap
Känna igen maskinöversättning: Sju typiska felmönster
AI-översättningar har blivit bra – deras fel också: mer sällsynta, men subtilare. Vad granskare känner igen dem på, innan kunder gör det.
De iögonfallande fyra
Falska vänner (‚eventuell' blir ‚eventually'), inkonsekventa facktermer i samma text, bokstavliga uttryck och tilltalsbrott mellan du och ni: Dessa klassiker hittar ett tränat öga på några minuter.
De subtila tre
Självsäkert felaktiga siffror och egennamn, kulturellt skeva exempel och en alltför slät enhetston som slipar bort all varumärkesfärg. Farligt, eftersom texten ser felfri ut – den är bara inte rätt.
Systematiskt granska
Maskiner granskar struktur (siffror, platshållare, fullständighet, terminologi), människor granskar betydelse och effekt – i denna ordning, med dokumenterat resultat. Stickprov ersätter inte systematik vid inkomstsidor.
Konsekvens för inköpare
Fråga inte tjänsteleverantörer om de använder AI – fråga hur de hittar dess fel. Den som inte kan beskriva en granskningsprocess har ingen. Vårt svar står offentligt på denna webbplats.
Vilseledande idiom och metaforer
Maskinöversättningar misslyckas ofta med idiomatiska uttryck som inte kan översättas ordagrant. Så blir 'to kick the bucket' på svenska snabbt 'sparka i hinken', trots att idiomet är 'att lägga skedarna'. Även metaforer som 'the ball is in your court' bör kulturellt anpassas till målgruppen, till exempel 'bollen ligger hos dig'. Granskare måste här inte bara känna till den bokstavliga betydelsen utan även den avsedda effekten. Ett typiskt exempel: 'break a leg' översätts ofta av AI till 'bryt ett ben', vilket på svenska uppfattas som en dålig önskan – rätt är 'hals- och benbrott'. I marknadsföringstexter kan sådana fel vara pinsamma och förvränga budskapet. Därför bör granskare leta efter vanliga idiom i källtexten och manuellt kontrollera deras målspråkliga motsvarighet. En bra arbetsflöde: AI översätter, granskaren markerar alla idiom och validerar dem med en referensdatabas eller med modersmålskänsla.
Fel med siffror, datum och format
AI-översättningar behandlar siffror ofta korrekt, men inte alltid – särskilt vid tusentalsseparatorer, decimalkomma och datumformat. Ett amerikanskt datum '03/04/2024' kan tolkas som 3 april eller 4 mars. Valutor: '$1.50' blir på svenska '1,50 $', men en del AI utelämnar kommat eller sätter punkt. Även måttenheter: '10 miles' bör bli '16 kilometer', inte '10 miles'. Ännu lurigare är procentangivelser med kulturella skillnader: 'a 50% increase' kan betyda 'en ökning med 50 %' eller 'till 150 %'. Granskare bör därför systematiskt jämföra alla siffror, datum, enheter och valutor med källtexten. En checklista hjälper: kontroll av decimalkomma, datumformat (DD.MM.ÅÅÅÅ vs. MM/DD/ÅÅÅÅ), valutasymboler (€ vs. $) och enheter (km vs. miles). Särskilt viktigt vid prisangivelser i webbutiker – ett felaktigt kommatecken kan tiodubbla priset. Dokumentera varje avvikelse och korrigera formateringen enligt målspråkets regler.
Felaktiga egennamn och varumärkesbegrepp
Egennamn, varumärken och produktbeteckningar ska i regel förbli oöversatta. Men AI tenderar att även översätta dem: från 'Apple' blir 'Äpple', från 'Microsoft' blir 'Mikroprogram'. Ännu mer kritiskt: facktermer som 'SAP' eller 'CRM' ersätts ibland med förmodade motsvarigheter ('Socialistiska Arbetarpartiet' istället för system). Även akronymer som 'NASA' bör inte skrivas ut om inte målkulturen använder översättningen. Granskare måste därför underhålla en terminologidatabas som anger vilka namn som ska behållas. Vid granskning bör alla egennamn, företagsnamn, produktnamn och akronymer markeras och jämföras med denna databas. Ett vanligt fel: 'Köln Bonn Airport' blir 'Cologne Bonn Airport' – beroende på målspråk kan båda vara rätt, men konsekvens är avgörande. Dokumentera varje beslut så att samma namn behandlas enhetligt vid senare översättningar.
AI-översättningar har blivit bra – deras fel också: mer sällsynta, men subtilare. Vad granskare känner igen dem på, innan kunder gör det.
Saknad långtidskontext och uppdatering
Maskinöversättningar betraktar oftast bara den aktuella meningen eller stycket, inte hela texten eller tidigare översättningar av samma kund. Det leder till inkonsekvenser vid återkommande begrepp, fraser eller meddelanden. Exempel: Ett företag ändrar sin slogan från 'Quality first' till 'Quality & Speed'. AI:n översätter den nya texten korrekt, men alla gamla översättningar blir kvar – besökare ser olika budskap på olika sidor. Även vid produktlanseringar: En version heter 'Pro 2024', nästa 'Pro 2025'. Utan långtidskontext översätter AI:n kanske 'Pro 2024' som 'Pro 2024' och 'Pro 2025' som 'Pro 2025', men om kunden vill att varumärkesnamnet alltid förblir oöversatt måste det gälla globalt. Granskare bör därför före arbetet se kundens stilguide och kontrollera befintliga översättningar för konsekvens. Ännu bättre: Använd AI-system med översättningsminne (TM) som känner igen tidigare översättningar. Ändå är mänsklig granskning oumbärlig för att säkerställa att varumärkesidentiteten förblir enhetlig över alla kanaler.
Fel i URL:er, metadata och hreflang-angivelser
Maskinöversättningar fokuserar oftast på den synliga texten och ignorerar tekniska element som webbadresser, metadata och hreflang-taggar. Dessa är dock avgörande för flerspråkig sökmotoroptimering. Typiska fel: AI:n översätter URL-slag, trots att de oftast bör förbli oförändrade – från "/de/produkte" blir det felaktigt "/en/products", vilket leder till döda länkar. Även metatitlar och metabeskrivningar översätts ofta automatiskt utan hänsyn till teckenbegränsningen: Tyska metabeskrivningar med 160 tecken blir efter översättning till engelska ofta för långa och kapas. Särskilt kritiska är hreflang-angivelser: Dessa HTML-taggar visar sökmotorer språkversionerna av en sida. En AI kan av misstag sätta hreflang="de" för en engelsk sida eller hänvisa den kanoniska webbadressen till fel språkversion. Följden: Sökmotorer indexerar felaktiga sidor eller straffar dubblettinnehåll. Granskare bör därför efter översättningen systematiskt gå igenom alla länkar, metadata och hreflang-taggar. Använd verktyg som Screaming Frog eller manuella stickprov. Se till att webbadressstrukturer förblir konsekventa (t.ex. /de/, /en/ som språksökvägar) och att metaangivelser är språkspecifikt optimerade. Dokumentera varje justering för att bibehålla den tekniska ramen vid framtida översättningar.
Lokalisering av juridiska texter och säkerhetsanvisningar
Juridiska texter som allmänna villkor, integritetspolicyer eller impressum innehåller ofta standardiserade formuleringar som AI visserligen översätter ordagrant korrekt men rättsligt otillräckligt. Så blir den tyska "Einwilligung gemäß Art. 6 DSGVO" på engelska ofta ett generiskt "consent according to law", utan att nämna den specifika rättsliga grunden. Det kan leda till varningar. Även säkerhetsanvisningar för produkter är särskilt känsliga: Varningar som "Nicht in die Hände von Kindern gelangen lassen" försvagas ibland av AI ("Keep out of reach" istället för "Keep out of reach of children"). I Europa är precisa varningar lagstadgade; oegentligheter äventyrar produktsäkerheten. Granskare bör därför inte bara kontrollera juridiska texter för språkriktighet utan för juridisk ekvivalens. En beprövad metod: Skapa en ordlista med bindande översättningar för klausuler, paragrafer och juridiska begrepp. Arbeta med en modersmålstalare som känner till mål-landets rättsordning. Låt slutligen en juridisk expert korrekturläsa. AI kan snabba upp arbetsflödet, men ansvaret ligger kvar hos företaget – därför är systematisk mänsklig granskning oumbärlig.
Hreflang-taggar och SEO: De osynliga fallgroparna
Medan språkfel omedelbart syns, äventyrar osynliga fel i källkoden din flerspråkiga webbplats synlighet. Maskinöversättningar levererar ofta korrekta texter men glömmer att anpassa hreflang-taggar, metadata och webbadressstrukturer. Ett typiskt exempel: AI:n översätter innehållet men hreflang-attributet pekar fortfarande på källsidan – sökmotorer visar då fel språkversion i sökresultaten. Även översättning av metatitlar och metabeskrivningar försummas ofta, så din sida läses visserligen på tyska men visas med engelska snippet. Ännu mer kritiskt: När AI:n översätter sidtitlar men lämnar webbadressen oförändrad uppstår dubblettinnehållsproblem. Granskare bör därför systematiskt kontrollera varje sida för fullständig lokalisering av SEO-element: hreflang, canonical, metabeskrivning, alt-texter och webbadresser. Felet ligger i källkoden: en saknad språkkod eller fel region (de-DE istället för de-AT) kan förstöra din internationella synlighet. Vår granskning omfattar därför inte bara den synliga texten utan även lokaliseringens tekniska infrastruktur. Bara så säkerställer du att ditt innehåll hittas på alla målmarknader – utan rankingförluster på grund av maskinell slarv.
Terminologihantering som kvalitetsankare
En av de största utmaningarna med maskinöversättningar är den inkonsekventa användningen av facktermer. Medan en enskild text kan verka felfri, avslöjar jämförelsen med tidigare översättningar från samma kund ofta allvarliga avvikelser. AI:n har inget minne för företagsspecifika termer – den översätter varje förekomst på nytt utan hänsyn till etablerad vokabulär. Därför är en central termhantering oumbärlig. Upprätta bindande ordlistor före översättningen som anger föredragna termer, förbjudna synonymer och kontextberoende varianter. Denna ordlista måste integreras i både AI-miljön och granskningsmiljön. En granskare bör sedan systematiskt kontrollera varje fackterm i måltexten mot ordlistan. Särskilt kritiska är nybildningar, produktnamn och juridiska formuleringar. Utan en ordlista riskerar du att samma term översätts olika i olika publikationer – en missad chans för varumärkeskonsistens och en irritation för dina kunder. Investera därför i underhållet av din termdatabas; det är den mest effektiva hävstången för att höja kvaliteten på maskinöversättningar till en professionell nivå.
blog.faqT
Hur hanterar jag felöversatta egennamn?
Skapa en bindande terminologidatabas som fastställer rätt stavning för varje egennamn på målspråket. Granskare bör markera alla egennamn och jämföra dem mot databasen. Avvikelser korrigeras och databasen uppdateras vid nya fall. På så sätt säkerställer du att varumärkes- och produktnamn förblir enhetliga.
Vilka verktyg stöder granskning av siffer- och formatfel?
Använd QA-verktyg som Xbench eller Verifika, som automatiskt kontrollerar tusentalsavgränsare, datumformat och valutor. Dessa verktyg listar avvikelser som sedan måste valideras manuellt. Alternativt kan reguljära uttryck utföra anpassade kontroller. Resultaten dokumenteras i granskningsprotokollet.
