{"id":58260,"date":"2026-02-27T08:22:12","date_gmt":"2026-02-27T07:22:12","guid":{"rendered":"https:\/\/www.d-velop.de\/blog\/?p=58260"},"modified":"2026-03-02T08:02:48","modified_gmt":"2026-03-02T07:02:48","slug":"ki-gestuetzte-uebersetzungen-software","status":"publish","type":"post","link":"https:\/\/www.d-velop.de\/blog\/engineering\/ki-gestuetzte-uebersetzungen-software\/","title":{"rendered":"LLMs als \u00dcbersetzungsbooster: Wenn Developer nicht mehr auf Lokalisierung warten m\u00fcssen"},"content":{"rendered":"\n

Wie \u00fcbersetzt man „K\u00fcnstliche Intelligenz“ auf Spanisch? Die Antwort lautet „Inteligencia Artificial“, aber darum geht es in diesem Artikel eigentlich gar nicht. Es geht darum, wie man mit Hilfe von KI bzw. genauer noch Large Language Models (LLMs) Texte in andere Sprachen \u00fcbersetzen kann, um so neue Softwarefeatures schneller und in mehr Sprachen bereitzustellen.<\/p>\n\n\n\n

Denn wir bei d.velop arbeiten daran, dass unsere Software f\u00fcr alle Menschen in ihrer bevorzugten Sprache verf\u00fcgbar ist. Ganz gleich, ob Spanisch, Chinesisch oder eine der vielen anderen Sprachen, die unsere Kund:innen sprechen. Produkte wie d.velop invoices liefern wir bereits heute in 14 Sprachen, von Tschechisch \u00fcber Spanisch bis hin zu Chinesisch. Da wir fast t\u00e4glich neue Features und Verbesserungen ausrollen, war es bisher eine Herausforderung, alle Texte zeitnah in allen Sprachen bereitzustellen.<\/p>\n\n\n\n

Aktuell sieht der Prozess f\u00fcr den Release neuer Features grob wie folgt aus:<\/p>\n\n\n

\n
\"Prozessgrafik,\n\t\t\t\n\t\t\t\t\n\t\t\t<\/svg>\n\t\t<\/button><\/figure><\/div>\n\n\n

Wie man hier sehen kann, nimmt der Part des \u00dcbersetzungsb\u00fcros einen Gro\u00dfteil der Zeit ein.<\/p>\n\n\n\n

<\/span>Unsere Evaluationsphase: KI-gest\u00fctzte \u00dcbersetzungen <\/span><\/h2>\n\n\n\n

Wir testen jetzt, wie LLMs uns dabei helfen k\u00f6nnten. Wie der Name dies bereits impliziert, sind diese Sprachmodelle KI-Systeme, die auf das Verstehen und Erzeugen nat\u00fcrlicher Sprache spezialisiert sind. LLMs basieren auf sogenannten Transformer- bzw. Transformatoren-Modellen, um aus den unstrukturierten Daten wie Flie\u00dftexten oder Bildern f\u00fcr die KI<\/a> verwertbare Werte herzustellen. Die eingegebenen Prompts bzw. zu \u00fcbersetzenden Texte werden in Token umgewandelt. Jedes Token umfasst dabei einen Wortbestandteil. Das LLM kann nun statistische Verbindungen erstellen und somit Muster zwischen den Token erkennen. Die Ausgabe der LLMs basiert auf der gleichen Logik. Es werden hier Token generiert und dann die Token ausgew\u00e4hlt, deren Wahrscheinlichkeit am h\u00f6chsten ist. Diese Token werden dann wieder in nat\u00fcrliche Sprache umgewandelt. Vereinfacht k\u00f6nnte man sagen, dass die H\u00e4ufigkeit der Kombination in dem aus dem Internet aufgebauten Datensatz von dem Satz \u201eDie Hauptstadt von Schleswig-Holstein ist L\u00fcbeck\u201c niedrig ist. Dagegen ist die Wahrscheinlichkeit, dass auf \u201eDie Hauptstadt von Schleswig-Holstein ist\u201c \u201eKiel\u201c folgt, hoch. Diese Funktionalit\u00e4t machen wir uns zunutze, indem wir dem LLM unsere bereits \u00fcbersetzten Texte als Grundlage geben. Dadurch entstehen Texte, die sich im unternehmerischen Kontext bspw. im Wording der Digitalen Rechnungsverarbeitung (d.velop invoices)<\/a> befinden, statt im normalen Sprachgebrauch.<\/p>\n\n\n\n

<\/span>Vorteile durch den Einsatz KI-gest\u00fctzter \u00dcbersetzungen f\u00fcr d.velop Software User <\/span><\/h2>\n\n\n\n

Sollten die Tests erfolgreich verlaufen, w\u00fcrden sich folgende Vorteile ergeben:<\/p>\n\n\n\n