Warum KI-Übersetzungen je nach Sprache variieren

Wer ein KI-Übersetzungstool öffnet, sieht eine lange Liste von Sprachen. Jede ist nur einen Klick entfernt. Die Oberfläche erweckt dadurch den Eindruck, alle Einträge seien technisch gleich gut erschlossen. Hinter dieser Liste liegen jedoch sehr unterschiedliche Voraussetzungen.

Wie gut eine KI übersetzt, hängt nicht davon ab, ob eine Sprache an sich „leicht“ oder „schwierig“ ist. Entscheidend sind das genaue Sprachpaar und die Übersetzungsrichtung, die Menge und Art der nutzbaren Trainingsdaten, das Fachgebiet, der Aufbau des Modells und die Methode, mit der die Übersetzungsqualität gemessen wird. Deshalb kann ein System alltägliche Texte in einer Richtung überzeugend übersetzen und bei Fachtexten in der Gegenrichtung scheitern. Eine Sprache besitzt also keinen festen Genauigkeitswert für KI-Übersetzungen.

Eine Sprachauswahl verbirgt ungleiche Grundlagen

Für ein System zur maschinellen Übersetzung ist Sprachunterstützung kein einfaches Ja oder Nein. Zu einer Sprache können große Mengen sauberer Paralleltexte vorliegen, also Ausgangssätze mit ihren zugeordneten Übersetzungen. Diese Daten können aber auf wenige Themenbereiche beschränkt sein. Auch Wörterbücher, Testdatensätze, Softwarewerkzeuge und die Forschungskapazität sind je nach Sprache unterschiedlich gut ausgebaut.

Deshalb verstehen Forschende „ressourcenarm“ als Kontinuum und nicht als anderes Wort für „von wenigen Menschen gesprochen“. Der Survey of Low-Resource Machine Translation beschreibt Lücken bei parallelen und einsprachigen Daten, Werkzeugen, Evaluationsressourcen und den Möglichkeiten, Sprachtechnologie zu entwickeln und dauerhaft zu pflegen.

Die Zahl der Sprecher allein sagt daher überraschend wenig aus. Auch für eine große Sprache kann in einem bestimmten Fachgebiet nur wenig digitales Material verfügbar sein. Eine kleinere Sprache kann dagegen von sorgfältig erstellten Korpora, institutioneller Unterstützung oder nutzbaren Daten verwandter Sprachen profitieren. Für KI-Modelle zählt nicht die Bevölkerungsstatistik, sondern das verwertbare sprachliche Material.

Mehr Daten helfen, doch die passenden Daten zählen

Trainingsdaten lassen sich leicht als großer Vorrat vorstellen: Je größer der Vorrat, desto besser die Übersetzung. Datenmengen spielen eine Rolle, aber dieses Bild lässt zwei entscheidende Fragen offen. Was enthalten die Daten, und wie ähnlich sind sie dem Text, den das System übersetzen soll?

Ein Modell, das vor allem mit Nachrichten, öffentlichen Dokumenten oder allgemeinen Webseiten trainiert wurde, beherrscht nicht automatisch medizinische Berichte, Softwareoberflächen oder Werbetexte. Es geht dabei nicht nur um Fachterminologie. Textsorten unterscheiden sich auch durch Satzbau, Konventionen, vorausgesetztes Wissen und den Umgang mit Mehrdeutigkeit.

Eine Studie aus dem Jahr 2024 verglich Korpusgröße, Ähnlichkeit zwischen Ausgangs- und Zielsprache sowie die Ähnlichkeit zwischen Trainings- und Testdomäne. Die Domänenähnlichkeit hatte in diesem Versuchsaufbau den stärksten Vorhersageeffekt. Daraus folgt nicht, dass das Fachgebiet immer wichtiger ist als die Datenmenge. Das Ergebnis zeigt vielmehr, warum der Satz „Dieses Modell wurde mit sehr vielen Texten trainiert“ noch nichts über einen konkreten Auftrag aussagt.

Auch die Qualität der Daten ist wichtig. Falsch übersetzte, schlecht zugeordnete oder fachfremde Inhalte können die Menge vergrößern, ohne verlässliche Beispiele beizusteuern. Ein kleinerer Bestand relevanter und sauber ausgerichteter Übersetzungen kann nützlicher sein als ein sehr großer Bestand aus der falschen Domäne.

Ein Sprachpaar hat zwei Richtungen, nicht einen Wert

Die Frage „Wie genau übersetzt KI Französisch?“ klingt präzise, lässt aber die Hälfte der Aufgabe weg. Jede Übersetzung führt von einer Ausgangssprache in eine Zielsprache. Englisch nach Französisch und Französisch nach Englisch sind zwei verschiedene Richtungen. Für beide können unterschiedlich viele Trainingsdaten vorliegen, und beide stellen andere Anforderungen an die Fähigkeit des Modells, natürlich und präzise in der Zielsprache zu formulieren.

Bei mehrsprachigen Systemen wird diese Asymmetrie besonders sichtbar. Eine Untersuchung von 1.560 Zero-Shot-Übersetzungsrichtungen fand große Leistungsunterschiede. In diesem Versuchsaufbau spielten unter anderem die zielsprachliche Qualität, die Überschneidung des Wortschatzes und sprachliche Eigenschaften eine Rolle. Die Studie bezieht sich auf neuronale maschinelle Übersetzung ohne direkte Trainingsbeispiele für die jeweilige Richtung und lässt sich nicht unverändert auf jedes kommerzielle System übertragen. Ihre grundsätzliche Einsicht bleibt wichtig: Genauigkeit gehört zu einer bestimmten Richtung und einem bestimmten Modell, nicht zu einer Sprache im Allgemeinen.

Das erklärt auch, warum ein flüssig klingender Text täuschen kann. Ein Sprachmodell kann stilistisch glatte Sätze erzeugen und trotzdem eine Beziehung, eine fachliche Unterscheidung oder einen Teil der Ausgangsbedeutung verfehlen. Gute Lesbarkeit ist ein Teil der Qualität, aber kein Beweis für eine genaue Übersetzung.

Warum kleiner nicht automatisch schlechter bedeutet

Unterschiede bei den Ressourcen sind real, ergeben aber keine dauerhafte Rangliste, in der die größten Sprachen immer gewinnen. Übersetzungssysteme verwenden unterschiedliche Trainingsdaten, Modellarchitekturen, Transferverfahren und Methoden zur Textaufteilung. Auch die verwendeten Testdatensätze decken unterschiedliche Themen ab. Eine Sprache kann in einer Kombination schwach und in einer anderen deutlich besser abschneiden.

Eine Benchmark-Studie verglich vier quelloffene Systeme auf vier Datensätzen und in 26 Sprachen. Sie kam zu dem Ergebnis, dass eine geringere Ressourcenverfügbarkeit nicht zwangsläufig zu einer niedrigeren Leistung führte, die Ergebnisse jedoch stärker schwankten. Wegen der ausgewählten Systeme, Datensätze und automatischen Kennzahlen lässt sich daraus keine Bewertung jedes verfügbaren KI-Übersetzers ableiten. Die Studie widerlegt aber eine einfache Annahme: Der Ressourcenstand prägt die Bedingungen, bestimmt jedoch nicht allein das Ergebnis.

Die vorsichtigere Erwartung lautet deshalb: Bei schwächerer Datengrundlage kann die Leistung unberechenbarer sein. Das beste System lässt sich schwerer vorhersagen, Ergebnisse reagieren stärker auf das Fachgebiet, und ein Durchschnittswert kann wichtige Schwächen verbergen. Das ist nicht dasselbe wie die Behauptung, jede ressourcenärmere Sprache werde schlecht übersetzt.

Große Sprachmodelle beseitigen die Unterschiede nicht

Große Sprachmodelle (Large Language Models, LLMs) können sehr flüssige mehrsprachige Texte erzeugen. Ihre Sprachgewandtheit löst das Ressourcenproblem jedoch nicht auf. Auch diese KI-Modelle hängen davon ab, welche Sprachen und Textsorten im Vortraining vorkamen, wie viel relevantes Parallelmaterial verfügbar war und ob Abruf- oder Anpassungsverfahren zur Aufgabe passen.

Zwei neuere Forschungsrichtungen verdeutlichen diese Grenze. Eine Studie zur Übersetzung von Süd-Quechua ins Spanische zeigte, dass Modellwahl, Kontext und Retrieval die Ergebnisse beeinflussten. Andere Versuche zur Anpassung großer Sprachmodelle an ressourcenarme Übersetzung fanden, dass Menge und Relevanz paralleler Daten bei den untersuchten Modellen und Sprachgruppen wichtig blieben. Das sind begrenzte Befunde und kein Urteil über jedes aktuelle Modell. Sie zeigen aber, weshalb eine neue Modellgeneration Sprachunterstützung nicht automatisch vereinheitlicht.

Auch der Test kann den Sieger verändern

Selbst eine sorgfältige Evaluation kann die Zuverlässigkeit einer Übersetzung nicht in eine allgemeingültige Prozentzahl pressen. Automatische Kennzahlen vergleichen die Ausgabe eines Systems mit Referenzübersetzungen. Gültige Übersetzungen können jedoch unterschiedlich formuliert sein. Ein Messwert kann Systeme unter kontrollierten Bedingungen vergleichen, ohne zu beantworten, ob ein konkreter Text jede wichtige Bedeutung bewahrt.

Auch menschliche Bewertungen haben Voraussetzungen. Prüfer benötigen passende Sprach- und Fachkenntnisse, genügend Kontext und einheitliche Kriterien für Fehler. Forschung zu verschiedenen Expertenverfahren zeigte, dass die Methode zur Erkennung und Einordnung von Fehlern die Schlussfolgerungen beeinflusst.

Testdatensätze können weitere Verzerrungen enthalten. Teile eines Tests könnten bereits in ähnlicher Form in Trainingsdaten vorgekommen sein. Auch die Tokenisierung kann einzelne Sprachen begünstigen oder benachteiligen. Eine Studie aus dem Jahr 2026 zu extrem ressourcenarmen Übersetzungen stellte fest, dass Exposition, Überschneidungen und Tokenisierung einen erheblichen Teil der Leistungsunterschiede in der Benchmark erklärten. Automatische Kennzahlen sind deshalb nicht nutzlos. Sie beantworten lediglich eine engere Frage als „Kann ich dieser Übersetzung vertrauen?“

So lässt sich KI-Übersetzung für den eigenen Zweck beurteilen

Wer mit KI übersetzen möchte, sollte nicht zuerst fragen, welche Sprache „gut für KI“ ist. Hilfreicher ist es, die Frage so weit einzugrenzen, bis sie dem tatsächlichen Inhalt entspricht:

Richtung festlegen. Englisch nach Deutsch sollte getrennt von Deutsch nach Englisch bewertet werden.
Fachgebiet und Textsorte abgleichen. Ein Ergebnis für allgemeine Webtexte belegt keine Qualität bei Verträgen, Produktdokumentation, Marketingtexten oder Untertiteln.
Repräsentative Beispiele verwenden. Vor dem Übersetzen der endgültigen Inhalte sollten echte Sätze mit der vorgesehenen Terminologie, Formatierung, Mehrdeutigkeit und dem nötigen Kontext getestet werden.
Bedeutung und Lesbarkeit prüfen. Zu typischen Übersetzungsfehlern zählen Auslassungen, Ergänzungen, umgekehrte Beziehungen, schwankende Fachbegriffe und natürlich klingende Sätze mit falscher Aussage.
Folgen eines Fehlers berücksichtigen. Für eine private Verständnishilfe ist ein anderes Maß an Unsicherheit vertretbar als für Texte, die Kunden, Beschäftigte oder wichtige Entscheidungen beeinflussen.
Bei entsprechendem Risiko qualifiziert prüfen lassen. Zweisprachigkeit allein genügt nicht immer. Fachwissen ist entscheidend, weil ein grammatisch korrekter Satz inhaltlich falsch sein kann.

Die entscheidende Frage lautet also nicht nur, ob ein Tool eine Sprache auflistet. Entscheidend ist, ob das genaue Sprachpaar, die Richtung, die Domäne, das System und die konkrete Ausgabe für den vorgesehenen Zweck ausreichend geprüft wurden. Die Sprachauswahl ist nur der Einstieg in diese Prüfung, nicht ihre Antwort.

Warum KI-Übersetzungen bei manchen Sprachen besser funktionieren