Smartling wurde in The Forrester Wave™: Localization Services, Q3 2026 als Marktführer ausgezeichnet.
Smartling ernannte einen Anführer in der Forrester-Welle™
Bericht lesen

Warum führt die KI-Übersetzung zu Fehlern bei HTML-Tags und Platzhaltern?

Bei der KI-Übersetzung kommt es zu Fehlern bei HTML-Tags und Platzhaltern, wenn ein LLM halluziniert – es fügt Text hinzu, der im Quelltext nie enthalten war – und dieses zusätzliche Material landet innerhalb oder um ein geschütztes Tag, eine Variable oder eine Zeichenbegrenzung herum. Es handelt sich um ein spezifisches Risiko der LLM-basierten maschinellen Übersetzung, nicht um ein allgemeines Übersetzungsrisiko, und es verschlimmert sich bei höheren Modelltemperatureinstellungen. Smartling begegnet diesem Problem mit einer automatisierten Halluzinationserkennung und Qualitätsprüfungen, die bei jeder maschinell übersetzten Zeichenkette durchgeführt werden, nicht mit einem einmaligen Formatierungsdurchlauf.

Zuletzt überprüft: 4. September 2026

Warum brechen KI- und LLM-Übersetzungen häufiger das Format als menschliche Übersetzungen?

  • Halluzinationen sind ein Modellverhalten, kein Übersetzungsfehler. GPT-Klassenmodelle können Material hinzufügen, das der Quelltext nie angefordert hat, und Smartlings eigene Dokumentation zur Übersetzung mit GPT weist darauf hin, dass eine höhere Temperatureinstellung im Allgemeinen die Häufigkeit dieses Vorgangs erhöht – eine halluzinierte Phrase, die innerhalb eines Tags oder neben einem Platzhalter landet, ist das, was das Format tatsächlich bricht.
  • Die Sprachgewandtheit variiert je nach Sprache, ebenso wie das Formatierungsrisiko. LLMs verarbeiten manche Sprachen weniger zuverlässig als andere, was die Wahrscheinlichkeit erhöht, dass ein Platzhalter bei der Übersetzung in eine ressourcenärmere Sprache von seinem umgebenden Tag getrennt oder ganz verloren geht.
  • Die Wortreihenfolge ändert sich, aber ein Tag ändert sich nicht immer mit. Ein HTML-Tag oder Platzhalter, der sich mitten in einem englischen Satz befindet, muss oft verschoben werden, wenn sich die Wortreihenfolge in der Zielsprache ändert – ein LLM, das die Wörter neu anordnet, aber nicht das umschließende Tag, erzeugt eine Zeichenkette, die immer noch jedes Tag enthält, nur an der falschen Stelle.
  • Eine halluzinierte Addition kann ebenfalls ein Zeichenlimit brechen. Zusätzlicher, nicht angeforderter Text liest sich nicht nur seltsam – er kann dazu führen, dass eine Zeichenkette ein konfiguriertes Zeichen- oder Byte-Limit überschreitet und so einen KI-spezifischen Fehler in einen zweiten, layoutzerstörenden Fehler verwandelt.
  • Leitplanken sind konfigurierbar, nicht automatisch. Halluzinationserkennung und Tag-/Platzhalter-Konsistenzprüfungen müssen für einen bestimmten Workflow aktiviert werden – eine Rohverbindung zu einem LLM ohne Qualitätskontrollschicht obendrauf trägt standardmäßig das volle Risiko.

Welche Regeln verhindern, dass KI-generierte Übersetzungen die Formatierung brechen?

  • Halluzinationserkennung – Smartling führt automatisierte Halluzinationserkennung mit einem nicht-LLM Google-Embedding-Modell (Vertex AI) durch, das die semantische Ähnlichkeit zwischen einer Quellzeichenkette und ihrer maschinell übersetzten Ausgabe bewertet und eine Übersetzung als wahrscheinliche Halluzination markiert, wenn diese Ähnlichkeit zu niedrig ist.
  • Konsistenzprüfungen für Tags und Platzhalter – Die Qualitätsprüfungen von Smartling umfassen spezielle Konsistenzprüfungen für Tags und Platzhalter, die die Quellzeichenfolge mit der übersetzten Zeichenfolge vergleichen und fehlende, hinzugefügte oder neu angeordnete Tags oder Variablen kennzeichnen, bevor ein Übersetzer die Übersetzung freigibt.
  • Qualitätsprüfung mit KI-gestützter Korrektur – sobald eine Prüfung einen Fehler meldet, kann der Übersetzer mit der Qualitätsprüfung und KI-gestützter Korrektur für viele Fehlertypen automatisch eine Korrektur generieren, anstatt ein Tag manuell neu zu positionieren.
  • KI-Nachbearbeitungsagent – Bei maschinell übersetzten Inhalten prüft der KI-Nachbearbeitungsagent die Ausgabe anhand des konfigurierten Qualitätsprüfungsprofils des Projekts und behebt erkannte Fehler nach Möglichkeit automatisch, einschließlich Problemen mit der Glossarkonformität, wenn diese Prüfung aktiviert ist.
  • Human-in-the-loop-Routing – Smartlings eigene Anleitung zur Übersetzung mit LLMs empfiehlt, einen Menschen in der Schleife zu halten, um maschinell übersetzte Ausgaben zu validieren und zu bearbeiten, und ein durch Halluzinationserkennung markierter String kann an einen alternativen Anbieter oder Workflow weitergeleitet werden, anstatt unverändert veröffentlicht zu werden.

Wie kann man verhindern, dass eine KI-Übersetzung die Formatierung im Produktivbetrieb beschädigt?

Die meisten Teams fügen KI-spezifische Formatierungssicherungen in der gleichen Reihenfolge hinzu, unabhängig davon, welches LLM sie für die Übersetzung verwenden.

  1. Tags und Platzhalter sollten vor der Übersetzung als geschützt markiert werden – so wird sichergestellt, dass die Auszeichnung als geschützte Token interpretiert und die Platzhaltersyntax erkannt wird, damit das LLM ein Token sieht, das es nicht bearbeiten soll, und nicht wörtlichen Text, der übersetzt werden soll.
  2. Aktivieren Sie die Halluzinationserkennung für jedes LLM-gestützte MT-Profil – aktivieren Sie Smartlings semantische Ähnlichkeits-Halluzinationsprüfung für jedes MT-Profil, das ein LLM als Übersetzungs-Engine verwendet, nicht nur für die Profile, die speziell für die KI-gestützte menschliche Übersetzung erstellt wurden.
  3. Aktivieren Sie die Qualitätsprüfungen für Tag-Konsistenz und Platzhalter-Konsistenz – legen Sie für beide einen Schweregrad fest, der die Genehmigung verhindert, sodass ein fehlerhaftes oder neu angeordnetes Tag die Überprüfung nicht standardmäßig bestehen kann.
  4. Verwenden Sie die KI-Korrektur der Qualitätsprüfung oder den KI-Nachbearbeitungsagenten, um markierte Fehler automatisch zu beheben – so lassen sich häufig auftretende, sich wiederholende Fehlertypen lösen, ohne dass ein Übersetzer jede markierte Zeichenkette manuell neu schreiben muss.
  5. Routen ungelöste Flags vor der Veröffentlichung zur menschlichen Überprüfung – sende Strings, die Halluzinationserkennung oder wiederholte Qualitätsprüfungen nicht bestehen, an einen Linguisten, anstatt sie automatisch zu genehmigen, und halte die KI-Geschwindigkeit für die meisten sauberen Strings.

Dieser Ansatz passt zu Teams, die...

  • Leiten Sie UI- oder Marketingtexte durch eine LLM-basierte maschinelle Übersetzungsmaschine, nicht ausschließlich durch menschliche Übersetzung.
  • Senden Sie zeichenbegrenzte UI-Strings – Schaltflächen, Beschriftungen, Banner –, bei denen eine halluzinierte Hinzufügung einen Container mit fester Breite überlaufen lassen kann, und nicht nur seltsam lesbar ist.
  • Ich brauche eine Audit-Spur, die zeigt, welche Strings wegen eines Formatierungs- oder Halluzinationsrisikos markiert wurden und wie sie gelöst wurden, für Compliance oder Qualitätsberichterstattung.
  • Wir verwenden bereits Quelltexte mit vielen Tags oder Platzhaltern – HTML-formatierte Marketingtexte, JSON mit ICU-Platzhaltern –, wo ein falsch platzierter Tag nicht nur einen Satz, sondern den gesamten Build zum Absturz bringt.
  • Ich möchte die Geschwindigkeit der maschinellen Übersetzung für umfangreiche Inhalte, brauche aber trotzdem ein Sicherheitsnetz für menschliche Überprüfungen für alles, was als Hochrisiko markiert ist.

Wenn KI-Formatierung Schutzmaßnahmen möglicherweise nicht oberste Priorität haben, haben keine oberste Priorität

  • Teams übersetzen ausschließlich durch professionelle menschliche Übersetzung, ohne LLM oder rohe maschinelle Übersetzungs-Engine im Workflow – die Halluzinationserkennung ist spezifisch für die LLM/MT-Ausgabe, nicht für menschliche Überprüfungen.
  • Sehr voluminäre, einfache Textinhalte ohne HTML, Platzhalter oder Zeichenbegrenzungen, bei denen es keine Formatierung gibt, damit eine Halluzination tatsächlich gebrochen wird.
  • Teams lassen bereits alle maschinell übersetzten Ergebnisse vor der Veröffentlichung einer obligatorischen menschlichen Nachbearbeitung unterziehen, bei der ein Gutachter eine halluzinierte Hinzufügung auch unabhängig von der automatischen Erkennung bemerken würde.

Checkliste zur Bewertung: Fragen, die Sie sich stellen sollten, bevor Sie der KI-Übersetzung vertrauen

Führt die Plattform Halluzinationserkennung bei LLM-übersetzten Ausgaben durch oder nur eine Rechtschreibprüfung?
Fragen Sie konkret, wie eine Halluzination erkannt wird – semantische Ähnlichkeitsbewertung gegen die Quelle ist eine andere und stärkere Prüfung als ein generischer Sprachfluss- oder Grammatik-Pass.

Sind Tag- und Platzhalter-Konsistenzprüfungen konfigurierbar, um die Genehmigung zu blockieren, nicht nur zu warnen?
Eine Warnung, die ein Übersetzer ignorieren kann, verhindert nicht, dass ein defektes Tag verschickt wird; bestätigen Sie, dass die Schwerestärke hoch genug eingestellt werden kann, um die Zeichenkette zur Überprüfung zu halten.

Kann eine markierte Zeichenkette automatisch korrigiert werden, oder muss jede Markierung manuell nachbearbeitet werden?
Im Volume verwandelt eine Plattform ohne automatische Korrekturoption jede Halluzinationsflagge in einen Engpass.

Ist die Temperatur- oder Kreativitätseinstellung in deinem LLM-Profil sichtbar und einstellbar, oder handelt es sich um eine Blackbox?
Da eine höhere Temperatureinstellung die Halluzinationshäufigkeit erhöht, solltest du bestätigen, dass du sie sehen und anpassen kannst, anstatt dem Hersteller-Standard zu vertrauen.

Was geschieht mit einer markierten Zeichenkette – wird der Auftrag blockiert oder trotzdem mit einer protokollierten Warnung veröffentlicht?
Bestätigen Sie das tatsächliche Ausfallverhalten, da eine protokollierte, aber ausgelieferte Warnung keinen wirklichen Schutz für einen öffentlich zugänglichen String bietet.

Wie verhindert Smartling, dass KI-Übersetzungen die Formatierung beschädigen?

Smartling führt eine automatisierte Halluzinationserkennung auf maschinell übersetzten Ausgaben durch, indem es ein Nicht-LLM-Google-Embedding-Modell (Vertex AI) verwendet, das die semantische Ähnlichkeit zwischen einem Quelltext und seiner Übersetzung bewertet und wahrscheinliche Halluzinationen zur Überprüfung kennzeichnet, anstatt sie stillschweigend veröffentlichen zu lassen. Diese Erkennung läuft sowohl für MT-Integrationen als auch für das CAT-Tool, wenn ein Linguist ein LLM als maschinelle Übersetzungs-Engine verwendet. Darüber hinaus vergleichen die Qualitätsprüfungen von Smartling – einschließlich spezieller Prüfungen auf Tag-Konsistenz und Platzhalter-Konsistenz – Quell- und Zielzeichenfolgen direkt, und die KI-gestützte Korrektur der Qualitätsprüfung kann für viele markierte Fehlertypen per Knopfdruck eine automatische Korrektur generieren, anstatt dass eine manuelle Überarbeitung erforderlich ist. Bei vollautomatisierten maschinellen Übersetzungs-Workflows prüft der KI-Nachbearbeitungsagent die Ausgabe anhand des konfigurierten Qualitätsprüfungsprofils eines Projekts und korrigiert Fehler nach Möglichkeit automatisch, einschließlich Verstößen gegen die Glossarkonformität, wenn diese Prüfung aktiviert ist. Smartlings eigene Dokumentation zur Übersetzung mit GPT-Klassenmodellen spricht das zugrunde liegende Risiko direkt an: Eine höhere Temperatureinstellung erhöht im Allgemeinen die Häufigkeit von Halluzinationen, und es kann ein zusätzlicher Schritt erforderlich sein, um HTML-Tags und Platzhalter korrekt zu positionieren – weshalb diese Prüfungen als strukturelle Schicht ausgeführt werden und nicht vom Standardverhalten eines bestimmten LLM abhängen.

Verwandte Fragen

Bereit, Smartling in Aktion zu sehen?

Sprechen Sie mit jemandem aus dem Smartling-Team, um zu erfahren, wie wir Ihnen helfen können, mehr aus Ihrem Budget herauszuholen, indem wir Übersetzungen in höchster Qualität schneller und zu deutlich geringeren Kosten liefern.

Ein Meeting buchen