Förtroende, i den hastighet som AI kräver: vad Global Ready Conference 2026 lärde oss om framtidens översättningskvalitet

När det gäller översättning har hastigheten lösts: artificiell intelligens (AI) får ut lokaliserat innehåll på marknaden snabbare än något team någonsin har gjort. Ändå skapar snabbhet utan en kvalitetsgrund sina egna problem, från terminologi som glidande förändras och tonläge som skiftar mellan marknader till varumärkestermer som betyder något annat på japanska än på engelska – och ofta upptäcker ingen dessa problem förrän något levereras fel.

Det svårare problemet är förtroende. Kan du satsa ditt varumärke på vad AI producerar? Kan du ha ditt hjälpcenter på 21 språk och veta att det är rätt? Kan ni skicka en produktuppdatering till globala användare och känna er säkra på att den är korrekt?

Det är samtalet som Global Ready Conference 2026 byggdes kring. Lokaliseringsledare, marknadsföringsexperter, produktteam och lärande- och utvecklingsexperter (L&D) tillbringade dagen med att ställa dessa frågor från alla vinklar – och svaret som framkom under varje session är att förtroende inte är ett granskningssteg. Det måste byggas in i processen, och det betyder att det måste byggas in i plattformen.

Smartling lanserade den största AI-innovationslanseringen i företagets historia på årets Global Ready-konferens. Varje funktion i den är byggd kring samma princip: kvalitet ska vara automatisk, kontinuerlig och mätbar. Inte något som lagen försöker verifiera i efterhand.

Lanseringen: kvalitet inbyggd i varje lager

Smartlings AI-chef Olga Beregovaya och produktchef Andrew Saxe inledde produktplaneringssessionen och diskuterade hur volymen av AI-översättningar växer snabbare än något teams förmåga att övervaka den. Gapet mellan vad som produceras och vad som recenseras är den plats där kvaliteten ofta sviktar.

Att lösa den utmaningen är kärnan i Smartlings lansering — LQA Agent, en AI-driven kvalitetsutvärdering som tillämpar branschstandardiserade multidimensionella kvalitetsmått (MQM) för att automatiskt och i stor skala poängsätta översättningar, vilket ger kontinuerlig kvalitetsövervakning som visar var ytterligare uppmärksamhet faktiskt behövs och spårar trender över tid.

Utöver LQA-agenten, utgivningen inkluderar även:

• Omedelbar AI-översättning inuti anslutna verktyg inklusive Figma, Adobe Creative Suite och AEM, så att ditt översättningsminne, dina ordlistor och stilregler för AI gäller för varje översättning.
• Automatiskt val av LLM, som hanterar modellval, snabb ingenjörskonst och kontinuerlig benchmarking bakom kulisserna för högre kvalitet utan att några arbetsflödesändringar krävs. Inbyggd RAG säkerställer att varje översättning hämtas från översättningsminne, ordlistor och AI-stilregler för högre kvalitet än traditionell MT, utan inställningar och utan modelllåsning.
• Stilregler för AI, som tillämpar interpunktion, datumformat, regionala språkstandarder och valfria varumärkesröst- eller domänkrav på fler än 30 språkinställningar för att hålla all utdata i linje med varumärket.
• AI-bildöversättning, som extraherar text från bilder, översätter den och återskapar bilderna med den översatta texten på plats – och utökar samma kvalitetsstandarder som du förväntar dig av textbaserade tillgångar till bilder som produktfoton, banners och sociala medier.
• Språkanpassning att täcka regionala variantglapp, som amerikansk engelska till brittisk engelska, utan kostnaden för fullständig omöversättning.

Varje del är byggd på samma grund. En översättningsplattform där kvalitet är standard – inbäddad i motorn, reglerna, resultatet och utvärderingen.

Vad dagens sessioner lärde oss om kvalitet

Vad går fel när hastigheten överstiger strukturen? Olga och Alex Yanishevsky, Senior Director för AI- och MT-lösningar, ledde den grupp som tog itu med detta direkt.

I slutändan var de överens om att hastighet utan styrning skapar sina egna problem, inklusive inkonsekvent terminologi, avsaknad av revisionsspår och risken för hallucinationer som uppstår vid exakt fel tillfälle. Sessionen redogjorde för vad AI-styrning faktiskt innebär i praktiken: tillförlitliga data och robusta kvalitetskontroller, detektering och övervakning, transparens och granskningsbarhet samt riskreducering.

I Smartlings implementering ser det ut som hallucinationsdetektering som avslöjar AI-introducerade fel, kvalitetspoängsättning som dirigerar flaggat innehåll till mänskliga granskare och en LQA-agent som tillhandahåller kontinuerlig övervakning så att team kan spåra kvalitetstrender över tid.

Ramverket för AI-lokalisering som kom från hård erfarenhet

Inom SumUps verksamhet delade Jasmin Barth, Senior Localization Manager, och Maja Milosavljevic, Global Localization Manager, innehållsmatrisen som deras team byggt för att fatta översättningsbeslut i stor skala, med kvalitet som kriterium på varje filial.

Insikten bakom ramverket är att innehållstyp avgör kvalitetsrisken. Högsynliga, reglerade och varumärkeskritiska strängar behöver en annan väg än intern dokumentation eller aviseringar med låg risk. Kvalitetsprogram lyckas när varje innehållstyp får det arbetsflöde den faktiskt behöver.

Deras session mildrade inte de misslyckanden som format det de byggde upp. De delade med sig av sin resa med att avslöja arbetsflöden som gick sönder i produktionen, antaganden som inte höll, och de tillfällen då en övervakningssignal skulle ha upptäckt ett problem innan den levererades. Det som tydligt framgick är att det är att göra det hårda arbetet tidigt som är vad deras programs styrka bygger på.

När ett konsultföretag rekommenderade en generisk LLM

Michelle Kerr, chef för produkttransformation på IHG Hotels & Resorts, delade med sig av sitt teams erfarenheter av att utvärdera om en generisk stor språkmodell kunde hantera lokalisering på 21 språk och alla ägda kanaler.

Resultatet? Det kunde det inte. Generisk AI producerar en översättning, men den tillämpar inte godkänd terminologi, upprätthåller stil över olika marknader, dirigerar innehåll till rätt kvalitetsnivå baserat på synlighetsnivå eller tillhandahåller en revisionslogg när något går fel. Vart och ett av dessa krav behöver infrastruktur, som en plattform som samlar språkliga resurser, styrningskontroller och kvalitetsramverk på ett ställe.

IHG har ombyggt sin lokaliseringsarkitektur för att flytta översättning uppströms till innehållshanteringssystemet (CMS). Innehållet dirigeras nu till rätt översättningsmetod i stor skala. Kvalitetskontroller sker innan innehållet når gästerna, inte efter att det har skickats. I det ögonblick då IHGs team avböjde det generiska förslaget till juridiktekniker var det mer än ett teknikbeslut: det var ett beslut om vad kvalitet faktiskt kräver.

Vad marknadsföringsteam inte ser förrän kvaliteten redan har sjunkit

Dervilla O'Reilly, Lead Web Manager för lokalisering och internationell verksamhet på Docusign, hävdade att ostyrd AI-översättning är den kvalitetsrisk som marknadsföringsteam är mest utsatta för (och minst förberedda att upptäcka).

Problemet är inte att AI producerar uppenbart dåliga översättningar. Det är mer subtilt, för utan varumärkesutbildade arbetsflöden, tillämpning av ordlistor och en feedback-slinga tillbaka till plattformen finns det ingen signal när kvaliteten avviker från företagets riktlinjer: en varumärkesterm som översätts inkonsekvent på tyska; en ton som förändras på franska; en fras som landar annorlunda på en reglerad marknad. Inget av det syns i en leveransrapport eller en ordräkning.

Hennes teams arbete involverar två saker som de flesta marknadsföringslokaliseringsprogram hoppar över: att utbilda intressenter om vad ostyrd AI faktiskt producerar i praktiken, och att anpassa innehåll innan AI ens rör vid det. På så sätt slutar kvaliteten i marknadsföringslokalisering att vara en kontrollpunkt nedströms och blir istället ett beslut som fattas innan översättningen påbörjas.

Från 200 till 2 000 timmar: där automatiseringen slutar och kvaliteten börjar

Bruno Gonçalves, global programstrateg och chef för lärandeupplevelse på IBM SkillsBuild, presenterade en siffra som omformulerade hur L&D-team tänker på skala: IBM gick från 200 till 2 000 timmar översatt utbildningsinnehåll med ett mindre team än tidigare.

När teamet närmade sig skalning till denna volym var fullständig automatisering inte lösningen: innehållet var tekniskt, vissa elever var så unga som 14 år och vissa språk krävde stöd för höger-till-vänster-läsning som verktygen inte var utformade för. Det som fungerade istället var ett system där människor var i loopen med tydliga beslut om var AI-översättning kunde litas på och var den inte kunde. De byggde översättningsminne specifikt för L&D-innehållstyper, löste kompatibilitetsproblem med SCORM och Rise (vanliga e-lärandefilformat) som inte hade någon etablerad handbok, och satte tydliga regler för exakt när mänsklig validering var oförhandlingsbar.

Den viktiga lärdomen från IBM SkillsBuild är att skalning inte betyder att ta bort människor från arbetsflödet. Det innebär att placera dem precis där AI inte når tillräckliga resultat, och bygga infrastrukturen för att se skillnaden.

De 95 % som ingen varnar dig för

Chris Dell, Senior Advisor på Next Chapter Advisory + Coaching, har varit på båda sidor av beslutet att bygga kontra köpa på företagsnivå. Hans inställning var att medan API-anropet är de enkla 5% av att bygga ett översättningssystem, så stannar de andra 95% – integration av översättningsminne, tillämpning av ordlista, efterlevnadskontroller, underhåll av kontakter och omjustering av prompten varje gång en ny modell skickas – hos ditt teknikteam, permanent.

Var och en av dessa komponenter är en kvalitetsvariabel. Hemodlade stackar har inget översättningsminne, ingen kontinuerlig kvalitetsövervakning och ingen revisionslogg. De har allt som ditt team har tid och kapacitet att bygga och underhålla långsiktigt, tillsammans med allt annat de ansvarar för. I slutändan är den verkliga kostnaden för att bygga internt inte den initiala utvecklingen, utan den löpande kvalitetsskulden.

Mer från Global Ready-konferensen

Vad som faktiskt krävs för att bygga upp chefernas engagemang — Winnie Wong, lokaliseringsansvarig på DoorDash; Kenny Imery, Senior Manager för globalisering och internationell tillväxt på Tinder; och Jerome Selinger, ledare för global tillväxt och globalisering, gick igenom hur de har gjort lokaliseringens inverkan tydlig för chefer som tänker i olika mätetal. MQM-poäng påverkar lokaliseringsteam, men det som påverkar en VD är när kvalitet direkt leder till konverteringsfrekvens, marknadslojalitet och time-to-market. Panelen delade med sig av vad som gjorde att översättningen fungerade i deras organisationer.

Lokaliseringens dolda arbete — Rossella Barry, chef för lokaliseringsstrategi på AllTrails, och Verónica Celdrán, Senior Manager för globalisering på Taskrabbit, tog upp de kvalitetsproblem som uppstår innan översättningen börjar: strängar som skickas in utan kontext, saknad dokumentation, innehåll som förorenar översättningsminnet och skapar omarbetningsloopar som sammandrar sig i månader. Att få rätt inlämningsstandarder är det som faktiskt styr kvalitetsmåtten – och det som gör AI snabbare och mer effektiv. Ju renare ditt insug, desto bättre presterar AI:n.

Bortom pilotprojektet: hur högpresterande team skalar upp AI — Tommaso Rossi, lokaliseringschef på Spotify; Patricia Sainz, översättningsprogramchef på SAS; Julio Leal, lokaliseringschef på Rover.com; och Ana Vehar, global chef för innehållslokalisering på SumUp, avslutade innehållssessionerna med ett av dagens mest uppriktiga samtal. Den genomgående röda tråden genom diskussionen var att gapet mellan att pilottesta AI och att skala upp det i slutändan är ett kvalitetsgap. De team som har skalat upp AI-översättning byggde effektivt först upp en högkvalitativ infrastruktur.

Global Ready-utmärkelserna

Konferensen avslutades med ett erkännande för de program som gör lokalisering på rätt sätt. Årets vinnare av Global Ready Award: Atlassian (Excellence), Busuu (Tillgänglighet), Docusign (Samarbete), Fortra (Acceleration), Kyndryl (Globalisering), Netskope (Partnerskap) och Commonwealth of Virginia / VITA (Panor) – hedrade för att ha introducerat 67 statliga myndigheter i Global Delivery Network att göra kritiskt myndighetsinnehåll tillgängligt för invånarna på deras egna språk.

Vad lokaliseringsledare strävar efter

Anna Schlegel, VD för Universalization.ai, inledde Global Ready Conference med att nämna vad de flesta lokaliseringsledare redan vet men inte helt har räknat med: AI-eran har inte gjort det här arbetet enklare, den har bara höjt ribban. De ledare som blomstrar är de som äger förtroendefrågan, eftersom förtroende för vad AI producerar nu är ett av de svåraste problemen inom globalt innehåll. De som kan lösa det är de som har den djupaste expertisen i hur språk faktiskt fungerar på olika marknader.

Annas kärnidéer framkom under varje session. Varje utövare på scenen hade en version av samma berättelse: AI gjorde översättningar snabba, och den nya utmaningen blev att se till att resultatet var något man kunde satsa sitt varumärke på. Det är det ultimata värdet av Smartlings kvalitetsinnovationer – översättningar du kan lita på, med den hastighet som AI kräver, med kvalitet som övervakas automatiskt i stor skala.

Alla elva sessioner på Global Ready-konferensen är tillgängliga på begäran. Se lanseringen, praktikersessionerna och hela samtalet på smartling.com/conference.