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

Warum sind die Ergebnisse von Google Translate manchmal seltsam oder ungenau?

Google Translate liefert seltsame oder ungenaue Ergebnisse, weil es jeden Satz isoliert übersetzt, ohne Zugriff auf Ihr Glossar, Ihren Styleguide, das umgebende Dokument oder einen menschlichen Korrekturleser. Die neuronale Maschine sagt den statistisch wahrscheinlichsten Zielsatz voraus, sodass mehrdeutige Wörter, Redewendungen, Formalitäten und Produktnamen die "durchschnittliche" Wiedergabe erhalten, anstatt die richtige. Eine Studie des UCLA Medical Center ergab, dass die Bedeutung insgesamt in 82,5 % der Fälle erhalten blieb, die Werte jedoch zwischen 94 % für Spanisch und 55 % für Armenisch schwankten – dasselbe Werkzeug ist für eine Aufgabe zuverlässig und für die nächste unbrauchbar.

Letzte Überprüfung: 9. September 2026

Warum liefert Google Translate falsche Übersetzungen?

Google Translate macht Übersetzungen aus strukturellen Gründen falsch, nicht aus zufälligen Gründen – die Fehler fallen in dieselben Kategorien, die das MQM-Framework (Multidimensional Quality Metrics) verwendet, um jede Übersetzung zu bewerten:

  • Mehrdeutigkeiten werden durch Wahrscheinlichkeit und nicht durch Kontext aufgelöst. Ein Wort wie „charge“, „run“ oder „table“ hat mehrere Bedeutungen; die Engine wählt diejenige aus, die in ihren Trainingsdaten am häufigsten vorkommt. Da es jeweils nur einen Satz sieht, kann es den vorhergehenden Absatz nicht zur Auflösung von Mehrdeutigkeiten heranziehen – deshalb kann es passieren, dass auf einer Produktseite über Abrechnung auch von Strom die Rede ist.
  • Redewendungen und Register wurden wörtlich übersetzt. Ausdrücke wie „It's raining cats and dogs“ oder „reach out“ werden zu wörtlichen Wiedergaben, die MQM als unidiomatische oder Registerfehler einstuft. Marketingtexte leiden am meisten darunter, dass sie sich genau auf diese Stilmittel stützen.
  • Keine Terminologie-Kontrolle. Free Google Translate hat kein Glossar, daher können "Workspace", "Premium-Plan" oder ein Arzneimittelname unvorhersehbar übersetzt, transliteriert oder unvorhersehbar gelassen werden – der falsche Begriff und inkonsistente Verwendung von Begriffskategorien .
  • Der Formalitätsgrad wird pro Satz geschätzt. Spanisch, Deutsch, Französisch, Japanisch und Koreanisch kodieren Formalität grammatikalisch (tú/usted, du/Sie). Google Translate wählt die Form Satz für Satz aus, sodass ein Absatz zwischen einer formellen und einer informellen Anrede wechseln kann – eine häufige Beschwerde hinter Suchanfragen wie „schrecklich auf Spanisch“.
  • Dünne Trainingsdaten für das Sprachpaar. Quality verfolgt die Menge an parallelen verfügbaren Texten. Deshalb bewertete dieselbe UCLA-Studie Spanisch mit 94 % und Armenisch mit 55 %, und deshalb hat Googles Expansion 2024 auf 240+ Sprachen die Abdeckung schneller hinzugefügt als die Qualität.
  • Markup, Platzhalter und Zahlen werden verfälscht. HTML-Tags, {variable} Platzhalter in Software-Strings, Datumsangaben und Währungsformate sind für die Engine Text. Durch das Verschieben oder Löschen von Elementen entstehen Markup-Tag-, lokale Formatierungs- und Zahlenformatierungsfehler , die für den Endbenutzer unverständlich sind, selbst wenn die Wörter korrekt sind.
  • Fließend, aber falsch. Seit Google 2016 von statistischer auf neuronale maschinelle Übersetzung umgestellt hat, liest sich die Ausgabe deutlich natürlicher – Google berichtete von einer Fehlerreduktion von 55–85 % bei Hauptpaaren –, aber die Sprachflüssigkeit verbirgt nun Fehlübersetzungen, Auslassungen und Ergänzungen, die ein Nichtsprecher nicht erkennen kann.

Welche häufigen Probleme treten bei der wiederholten Nutzung automatisierter Übersetzungsdienste auf?

Die wiederholte Verwendung automatisierter Übersetzungen – bei jeder Veröffentlichung, jedem Support-Ticket, jedem Produktupdate – verschärft die oben genannten Fehler auf Satzebene zu Problemen auf Programmebene:

  • Inkonsistenz zwischen den Läufen. Derselbe Quellsatz kann am Dienstag anders als am Montag zurückkommen, weil die Engines still aktualisiert werden und die Kontextfenster unterschiedlich sind. Ohne Übersetzungsspeicher erhält ein identischer UI-String drei Renderings in Ihrer App, im Hilfezentrum und in E-Mails.
  • Fehlerkumulierung bei Hin- und Rückflügen. Die Rückübersetzung des Ergebnisses in die Ausgangssprache zur Überprüfung (Rückübersetzung) verschleiert Fehler: Eine flüssige Fehlübersetzung führt zu einem flüssigen, plausiblen englischen Satz, der nicht mehr dem Original entspricht. Die viralen „100-mal übersetzen“-Experimente sind eine extreme Ausprägung genau dieser Entwicklung.
  • Ungeprüfte Ausgaben verunreinigen Ihren Übersetzungsspeicher. Wird die Rohausgabe der Maschine als genehmigte Übersetzung gespeichert, erbt jede nachfolgende Fuzzy-Übereinstimmung den Fehler. Die Wiederherstellung eines kontaminierten TM ist weitaus kostspieliger als die Überprüfung vor dem Speichern.
  • Keine Prüfspur. Das Einfügen in ein kostenloses Tool hinterlässt keine Spuren darüber, welche Engine, welche Version oder welche Person eine veröffentlichte Übersetzung erstellt hat – ein Problem, sobald eine Aufsichtsbehörde, ein Kunde oder ein Rechtsteam danach fragt.
  • Datenexposition. Kostenlose Verbraucherübersetzung enthält keine Bedingungen für die Verarbeitung von Unternehmensdaten, sodass wiederholte Verwendung bei Verträgen, Tickets oder nicht veröffentlichtem Produkttext ebenso eine Compliance-Frage wie eine Qualitätsfrage darstellt.
  • Qualitätsdrift, die du nicht sehen kannst. Ohne einen Bewertungsrahmen wie MQM, der nach einem Zeitplan angewendet wird, verschlechtert sich die Qualität monatelang, bevor eine Beschwerde auftaucht. Das Messen an einer Frequenz verwandelt wiederholte MT von einer Belastung in einen verwalteten Workflow.

Fehler und Qualitätsdaten der maschinellen Übersetzung

Metrisch Figur Warum es wichtig ist
Google Translate bedeutet erhalten (UCLA Medical Center Studie, PubMed Central)82,5 % insgesamt; 94 % Spanier, 55 % ArmenierGenauigkeit ist eine sprachspezifische Eigenschaft; eine Schlagzeile verschleiert eine Spanne von 39 Punkten.
Fehlerreduzierung durch Googles Umstellung auf neuronale maschinelle Übersetzung im Jahr 2016.55–85 % bei den HauptsprachpaarenDie Ausgabe wurde so flüssig, dass verbleibende Fehler ohne Überprüfung schwerer zu erkennen sind.
Von Google Translate unterstützte Sprachen240+Die Abdeckung wuchs schneller als die Sprachqualität; die neuesten Sprachen haben die dünnsten Trainingsdaten
Standardmäßige Schweregradgewichte des MQM (Smartling LQA-Schema)Kritisch 25, Major 5, Minor 1, Neutral 0Eine ausgelassene Negation in einem Vertrag kostet bis zu 25 Tippfehler – Schwere und nicht Zählung bestimmen die Punktzahl
MQM-Bestehensschwelle bei Standard-Akzeptablen Strafpunkten (20)Rohqualitäts-Score 98Gibt den Teams eine objektive Bestanden/Nicht bestanden-Anzeige anstelle von „Es sieht komisch aus“;
Smartling LQA Agent-ErkennungsratenEtwa 90 % Genauigkeit bei der Identifizierung fehlerfreier Inhalte; 99 % der kritischen Fehler werden erkanntAutomatisierte MQM-Bewertung kann 100 % der MT-Ausgabe abdecken, anstatt eine manuelle Stichprobe zu machen

Wie kann ich die Qualität maschineller Übersetzungen verbessern?

Die Qualität der maschinellen Übersetzung verbessert sich, wenn der Engine vor der Übersetzung Kontext gegeben wird und ihr Ergebnis danach bewertet wird – eine vollständige Antwort auf Programmebene liegt darin , wie Unternehmen die Übersetzungsqualität im großen Maßstab verbessern. Die Mindestsequenz zur Behebung von Google-Übersetzer-ähnlichen Fehlern:

  1. Wechseln Sie vom kostenlosen Tool zu einer Engine, die Sie konfigurieren können – nutzen Sie MT über eine Plattform, die Glossar, Translation Memory und Styleguide zur Übersetzungszeit anwendet. Smartlings Glossary Term Insertion erzwingt beispielsweise die Eingabe genehmigter Begriffe in die MT-Ausgabe, anstatt darauf zu hoffen, dass die Engine sie auswählt.
  2. Formalität explizit festlegen – Amazon Translate und DeepL akzeptieren einen formalen/informellen Parameter für unterstützte Sprachen, und Smartlings AI Formality Adjustment wendet diese Einstellung auf Anbieter an, die dies nicht tun, und endet den tú/usted-Flipflop innerhalb eines Absatzes.
  3. Wählen Sie die Engine pro Sprachpaar aus, nicht global – keine einzelne Engine ist für Spanisch, Japanisch und Polnisch gleichzeitig optimal; leiten Sie jedes Paar an die beste Engine weiter (Smartling Auto Select erledigt dies automatisch) und testen Sie erneut, wenn Engines aktualisiert werden.
  4. Schätzen Sie die Qualität ein, bevor ein Mensch sie sieht – ein Schritt zur Schätzung der Sprachqualität kennzeichnet jede MT-Zeichenkette als hoch, mittel oder niedrig in Bezug auf grammatikalische Korrektheit, Flüssigkeit, semantische Kohärenz und lexikalische Genauigkeit, sodass die Prüfer Zeit mit Zeichenketten mit niedriger Qualität verbringen und Zeichenketten mit hoher Qualität direkt veröffentlicht werden können.
  5. Punkteausgabe nach einem Zeitplan mit MQM – Proben oder vollständige Bewertungen gegen ein MQM-Schema, sodass Terminologie, Genauigkeit, Stil und Ortsfehler gezählt und gewichtet werden; ein Anstieg von Terminologiefehlern bedeutet, dass das Glossar verbessert werden muss, ein Anstieg von Stilfehlern bedeutet, dass der Stilführer dies tut.

Können Sie gleichzeitig in mehrere Sprachen übersetzen, ohne dass die Qualität leidet?

Die Übersetzung in viele Sprachen gleichzeitig (ein "Massenübersetzer"-Workflow) hält nur dann Qualität, wenn jeder Zielort die gleichen linguistischen Ressourcen und dieselben Prüfungen teilt. Es funktioniert für Teams, die:

  • Pflegen Sie ein Glossar und ein Übersetzungsspeicher, die für alle Zielsprachen gelten, sodass ein Produktname in 30 Sprachen auf die gleiche Weise dargestellt wird.
  • Leiten Sie jedes Sprachpaar an die leistungsstärkste Engine weiter, anstatt für jede Sprache einen bestimmten Anbieter zu erzwingen.
  • Führen Sie vor der Überprüfung automatisierte Qualitätsprüfungen – Platzhalter, Tags, Zahlenformat, Glossarkonformität – für jede Zeichenkette in jedem Gebietsschema durch.
  • Verwenden Sie eine Qualitätsbewertung oder MQM-Bewertung pro Gebietsschema, damit ein schwaches Sprachpaar (z. B. Armenisch) mehr menschliche Überprüfung erhält als ein starkes (z. B. Spanisch) anstatt des gleichen pauschalierten Prozesses.
  • Bei kundenorientierten Inhalten in ressourcenarmen oder von rechts nach links geschriebenen Sprachen, bei denen die maschinelle Übersetzung am schwächsten ist, sollte ein Überprüfungsschritt beibehalten werden.

Wann ist die Ungenauigkeit von Google Translate kein Problem, das es wert ist, behoben zu werden?

  • Gisting eingehender Text – eine fremdsprachige E-Mail, Bewertung oder ein Support-Ticket gut genug zu verstehen, um sie weiterzuleiten – wobei eine unbeholfene Darstellung nichts kostet.
  • Interne, flüchtige Texte wie Chat-Nachrichten oder Meetingnotizen, die kein Kunde lesen wird.
  • Persönliche und reisende Nutzung, bei der die Kamera und der Offline-Modus der mobilen App wichtiger sind als die Präzision.
  • Sehr geringes Volumen ohne Wiederholungsinhalt, bei dem das Einrichten von Glossaren und Übersetzungsspeicher zusätzlichen Aufwand verursacht, ohne dass es sich lohnt. In dem Moment, in dem der Inhalt kundenorientiert, reguliert oder wiederkehrend ist, dreht sich die Berechnung um.

Bewertungscheckliste: Fragen, die man stellen sollte, bevor man sich auf maschinelle Übersetzung verlässt

Gibt es bessere Übersetzungstools als Google Translate für komplexe Texte?
Ja – bei komplexen, markenkritischen oder regulierten Texten erzielen die Vorteile weniger durch den Austausch von Engines als durch das Hinzufügen eines Glossars, Übersetzungsspeichers, Formalitätskontrolle und Überprüfung um die jeweilige Engine die beste Leistung pro Sprache; DeepL, Microsoft Translator, Amazon Translate und Multi-Engine-Plattformen passen jeweils zu unterschiedlichen Fällen, verglichen im Smartling-Leitfaden zu Google Translate-Alternativen.

Welche meiner Sprachpaare sind schwach?
Teste deinen echten Inhalt in jedem Paar und in jede Richtung; die Differenz von 94 % zu 55 % der UCLA-Studie bedeutet, dass "unterstützt" nichts über "genau" aussagt. Die Details pro Sprache finden sich in der Sprachabdeckung von Google Translate.

Sieht die Engine mein Glossar und meinen Styleguide, bevor es übersetzt wird?
Wenn die Terminologie erst nachträglich überprüft wird, führt jede Charge dieselben Fehler mit falschen Begriffen erneut ein; fragen Sie, ob Glossarbegriffe zur Übersetzungszeit eingefügt werden.

Was passiert mit einer Zeichenkette, die der Computer völlig falsch verarbeitet?
Suchen Sie nach Halluzinationserkennung mit automatischem Rückfall zu einem anderen Anbieter und nach Qualitätsschätzungen, die Low-Confidence-Strings an einen Menschen statt an die Produktion leiten.

Woran merke ich, ob die Qualität nachlässt?
Bestehen Sie auf einer MQM-basierten Bewertung nach Zeitplan, nach Sprachpaar und Inhaltstyp; eine Trendlinie im Dashboard ist die einzige Möglichkeit, eine Verschlechterung zu erkennen, bevor es die Kunden tun.

Wohin geht der Text?
Bestätigen Sie die Bedingungen für die Datenverarbeitung, bevor Sie Verträge, Tickets oder nicht veröffentlichte Produktkopien in einen Übersetzungsdienst einfügen.

Wie verhindert Smartling die Fehler, die maschinelle Übersetzungen schlecht aussehen lassen?

Smartling behandelt Google Translate als eine von über 20 Engines in seinem AI Hub – neben DeepL, Amazon Translate, Microsoft Translator und LLMs von OpenAI, Anthropic und Google – und stattet jede Engine mit den Steuerelementen aus, die dem kostenlosen Tool fehlen. Die Glossar-Term-Einfügung verwendet genehmigte Terminologie zum Zeitpunkt der Übersetzung, der Übersetzungsspeicher verwendet überprüfte Sätze wieder, anstatt sie neu zu erraten, und die Formalität wird anhand des Style Guides (für Amazon Translate und DeepL) oder durch KI-Formalitätsanpassung für andere Anbieter festgelegt. Smartling Auto Select leitet jedes Sprachpaar an die leistungsstärkste Engine weiter, sodass ein spanischsprachiger Anbieter nicht gezwungen wird, auch Armenisch zu nutzen.

Nach der Übersetzung kennzeichnet der Language Quality Estimation Agent jede Zeichenkette hinsichtlich grammatikalischer Korrektheit, Flüssigkeit, semantischer Kohärenz und lexikalischer Genauigkeit als Hoch, Mittel oder Niedrig, und ein dynamischer Workflow kann hohe Strings veröffentlichen, Medium leicht überprüfen und Low an die Nachbearbeitung schicken. Wenn ein LLM der Anbieter ist, vergleicht die standardmäßig aktivierte Halluzinationserkennung Quelle und Ziel mit einem Vertex-AI-Embedding-Modell und greift auf ein alternatives MT-Profil zurück oder führt zu einem Übersetzungsproblem, wenn die Bedeutung abgedriftet ist. Smartlings LQA-Agent bewertet dann KI-, MT-, nachbearbeitete oder menschliche Übersetzungen automatisch mit einem MQM-Schema, mit veröffentlichten Erkennungsraten von etwa 90 % Genauigkeit bei der Identifizierung fehlerfreier Inhalte und 99 % der erkannten kritischen Fehler, und zeigt Trends nach Sprachpaar, Inhaltstyp und Übersetzungsmethode im LQA-Dashboard auf. Die praktische Folge ist, dass "seltsame" Ausgaben keine Überraschung mehr sind, die ein Kunde entdeckt, sondern zu einem gezählten, gewichteten und gerouteten Ereignis im Workflow wird.

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