In den letzten Jahren hat sich der Trend verstärkt, für Übersetzungen automatisierte Tools (wie generative KI oder neuronale maschinelle Übersetzung) einzusetzen. Manche Universitäten und Verlage verwenden sie inzwischen sogar schon für die Übersetzung wissenschaftlicher Bücher und Aufsätze.
Die Gründe sind leicht nachvollziehbar: Einen Text maschinell übersetzen und anschließend nachbearbeiten zu lassen (das sogenannte „Post-Editing“), kann für diejenigen eine attraktive Option sein, die nicht das Budget haben, einen professionellen Übersetzer zu beauftragen. Anders ausgedrückt: Es ist viel billiger. Und leider sind viele universitäre Fachbereiche derzeit gezwungen, den Gürtel enger zu schnallen.
In puncto Qualität sind maschinell übersetzte Texte (je nach Sprachkombination) heute schon viel besser als noch vor einigen Jahren, als automatisierte Tools oft ungrammatischen, unlesbaren Unsinn ablieferten. In vielen Situationen (mit Texten, die nicht allzu wichtig oder komplex sind und deren Übersetzung kein großes Risiko darstellt) scheint das Post-Editing von maschinellen Übersetzungen, abgekürzt als MTPE, „gut genug“ zu sein, weil es beides in sich vereint: sowohl die Geschwindigkeit und den günstigen Preis der maschinellen Übersetzung als auch die Verstehensleistung und Urteilskraft eines menschlichen Experten.
Und doch kann ich aus eigener Erfahrung sagen, dass viele Kunden, die mit MTPE experimentiert haben, weil sie Geld sparen wollten, mit den Ergebnissen unzufrieden waren und zu mir zurückgekehrt sind. Ich selbst habe mit einigen dieser Tools experimentiert und bin zu demselben Schluss gekommen: Maschinelle Übersetzung ist einfach kein geeignetes Verfahren, um komplexe wissenschaftliche Texte in einer Qualität zu übersetzen, mit der ich zufrieden bin. Wer als Kunde Wert auf Qualität legt und von einer Übersetzung mehr erwartet, als dass sie „gut genug“ ist, für den führt schlicht kein Weg daran vorbei, einen Text von einem Menschen statt von einer Maschine übersetzen zu lassen.
Deshalb werde ich in diesem Beitrag darlegen, warum es sich auch im Zeitalter von DeepL und ChatGPT lohnt, in die Dienste eines professionellen menschlichen Übersetzers zu investieren.
Zunächst ein paar Gründe allgemeiner Art, die gegen den Einsatz von KI und anderen automatisierten Tools sprechen:
Ökologie: Viele dieser Tools weisen einen extrem hohen Energie- und Wasserverbrauch auf. Können wir ihren Einsatz inmitten einer sich verschärfenden Klimakrise rechtfertigen?
Ethik und Recht: Diese Tools sind unter anderen deshalb so billig, weil sie häufig Inhalte verwenden, die von Menschen erstellt wurden, ohne dass diese für ihre Arbeit bezahlt wurden. Entsprechend verbreitet sind Befürchtungen, dass damit Urheberrechte verletzt und Inhalte plagiiert werden.
Gesellschaft: Kritisch eingeschätzt werden auch die gesellschaftlichen Folgen, die sich daraus ergeben können, dass komplexe kognitive Aufgaben Maschinen übertragen werden. Wie werden künftige Generationen ihre Fähigkeit zu kreativem und kritischem Denken entwickeln?
Ich werde auf diese Aspekte hier nicht im Detail eingehen, weil sie andernorts schon ausführlich diskutiert werden. Aber es sind gewichtige Gründe für meine Entscheidung, solche Tools nicht mehr zu verwenden (auch wenn Google, Microsoft und Co. mich damit unbedingt zwangsbeglücken möchten). Und sie spielen wahrscheinlich auch für viele wissenschaftliche Autoren eine wichtige Rolle, insbesondere für diejenigen, die sich mit Fragen der Nachhaltigkeit und sozialen Gerechtigkeit beschäftigen.
Doch wie sieht es im speziellen Fall der maschinellen Übersetzung aus?
Wie bereits erwähnt, habe ich in der Vergangenheit versucht, maschinelle Übersetzung in meinen eigenen Arbeitsablauf zu integrieren. Ich wollte sehen, ob sich dadurch meine Produktivität und Qualität verbessern würde. Also erwarb ich eine Einjahreslizenz für DeepL, eines der beliebtesten Tools. Daraufhin war ich allerdings mit den Ergebnissen, insbesondere von wissenschaftlichen Übersetzungen, sehr unzufrieden: Während DeepL theoretisch die Übersetzung der „einfachen Teile“ der Texte beschleunigt – d. h. der Teile, die einfach formuliert sind und mehr oder weniger direkt ins Englische übertragen werden können –, müssen die „schwierigen Stellen“ immer noch von Grund auf neu bearbeitet werden. Und „schwierige Stellen“ gibt es in deutschen wissenschaftlichen Texten eine ganze Menge.
Hinzu kommt: Weil der maschinell generierte Text an der Oberfläche so glatt und plausibel wirkt, braucht es viel mehr geistige Anstrengung, zu erkennen, wo Formulierungen unnatürlich sind oder sogar schwere Fehler eingebaut wurden. So musste ich die Zeit, die ich an den „einfachen Stellen“ eingespart hatte, an anderer Stelle zusätzlich aufwenden, weil ich die Abschnitte, die ich nicht direkt selbst übersetzt hatte, langsam durchgehen und mich vergewissern musste, dass mich der Output der Maschine nicht auf eine falsche Fährte gelockt hatte. Bestimmte Textabschnitte im Eiltempo durchzugehen, ist jedoch mit der Praxis der sorgfältigen und gewissenhaften Erstellung einer kohärenten Übersetzung nicht vereinbar. Vor allem bei wissenschaftlichen Übersetzungen wird die meiste Zeit ohnehin nicht dafür gebraucht, den Text in der Zielsprache einzutippen, sondern für die Terminologierecherche und das sorgfältige Nachdenken darüber, wie man Ideen und Argumente so strukturiert, dass sie bei einer neuen Zielgruppe funktionieren. Der springende Punkt ist hier, dass DeepL und andere Tools die Texte, die sie übersetzen, nicht verstehen: Sie erkennen keine sachlichen oder argumentativen Fehler, sie merken es nicht, wenn auf jemanden oder etwas, von dem an einer Stelle die Rede ist, anderswo mit einem ganz anderen Ausdruck verwiesen wird, dass damit aber dieselbe Person oder Sache gemeint ist, sie haben kein Gespür für Kontextnuancen, sie stellen keine Fragen an den Autor, wenn etwas unklar ist, und sie sind nicht in der Lage, ihre Übersetzungsentscheidungen zu erklären und zu begründen.
Solche Übersetzungen haben bei mir genauso lang gedauert, wie wenn ich sie ohne maschinelle Unterstützung angefertigt hätte – nur dass ich mit dem Ergebnis weniger zufrieden war. Bis ich weitere Korrekturen und Bearbeitungen vorgenommen hatte. So viel zum Thema Produktivitätssteigerung!
Außerdem muss ich betonen, dass es sich bei diesem Verfahren nicht um MTPE, sondern um eine „MT-unterstützte Übersetzung“ handelte, bei der ich die volle Kontrolle über den Übersetzungsprozess hatte und angemessen dafür bezahlt wurde, dass ich mir die Zeit für eine sorgfältige Ausarbeitung nahm – aber selbst dann war ich mit der Qualität nicht voll zufrieden. Bei MTPE hingegen wird von einem menschlichen Post-Editor ein viel höheres Arbeitstempo erwartet. Seine Leistung besteht weniger in einer Übersetzung als vielmehr in einer Art „Schadensbegrenzung“, bei der in einem MT-generierten Text die gröbsten Fehler beseitigt werden. Das ist für den Kunden deutlich günstiger, geht aber auf Kosten der Qualität. Maschinen können einen Text produzieren, der auf der Qualitätsskala bei, sagen wir, 50/100 liegt. Aber das bedeutet nicht, dass der Post-Editor diesen Text auf einen Qualitätswert von 100/100 bringen kann und dafür nur die Hälfte der Zeit benötigt, die er für eine komplette Neuübersetzung gebraucht hätte.
Fazit: Man kann verstehen, warum für budgetbewusste Kunden MTPE eine attraktive Option darstellt. Diese Kunden sollten sich jedoch im Klaren darüber sein, dass bei Kosteneinsparungen auch die Qualität leidet. Wenn Sie allerdings über das nötige Budget verfügen und möchten, dass jemand Ihrem Buch oder Aufsatz die gleiche Sorgfalt und Aufmerksamkeit widmet wie Sie selbst, wenn Sie möchten, dass Ihr Text einem neuen Publikum in einer Form zugänglich gemacht wird, die nicht nur „gut genug“, sondern ansprechend, sachlich korrekt, verständlich und souverän formuliert ist, dann lohnt es sich immer noch, dafür einen professionellen menschlichen Übersetzer zu bezahlen, der Muttersprachler ist, der weiß, was er tut, und seine Sache richtig gut macht.
Verfasser: Dr. Andrew G.-C., einer unserer dienstältesten wissenschaftlichen Übersetzer