MTPE-Leitfaden 2026: Zeitsparende, menschzentrierte LLM-Workflows
So gestalten Sie Light- und Full-MTPE-Prozesse, bei denen die menschliche Expertise bereits vor und während der Generierung einfließt – und nicht erst, wenn der Entwurf schon fertig ist.
Auf dieser Seite
Traditionell bedeutet Post-Editing von maschinellen Übersetzungen (MTPE), dass eine Maschine den Text übersetzt und ein Mensch anschließend Fehler, Terminologie, Tonfall und Formatierung korrigiert. Während Light MTPE eine brauchbare Übersetzung anstrebt, ist das Ziel von Full MTPE Publikationsqualität.
Dieser Workflow war sinnvoll, solange die maschinelle Ausgabe offensichtlich holprig war. LLMs haben die Fehlercharakteristik verändert. Ihre Übersetzungen klingen oft geschliffen, können aber Auslassungen, Sinnverschiebungen und unpassende kontextuelle Entscheidungen verschleiern. Zudem verleitet ein fertiger Entwurf dazu, sich zu sehr an der Ausdrucksweise des Modells zu orientieren.
Bei modernem MTPE sollte die menschliche Expertise bereits vor und während der Generierung zum Tragen kommen, nicht erst danach. Übersetzer sollten das LLM gezielt durch Kommentare, Kontext, Translation Memorys, Glossare und Stilvorgaben steuern. So bleibt mehr Zeit für die kreativen, kulturellen und kontextuellen Nuancen, für die es nach wie vor einen Menschen braucht.
In diesem Leitfaden erkläre ich, wie Sie Light- und Full-MTPE-Workflows so gestalten, dass der menschliche Beitrag maximiert und unnötiger Zeitaufwand minimiert wird. Ich zeige dies am Beispiel von Transept, da es für mich das praktischste Tool ist; Sie können diese Schritte jedoch in jedem Tool Ihrer Wahl umsetzen.
Light- vs. Full-MTPE-Workflows
Beim MTPE müssen Sie sicherstellen, dass Sie Ihre Zeit optimal nutzen, um die bestmögliche Qualität zu erzielen. Widerstehen Sie der Versuchung, alles richtig machen zu wollen; Ihre Aufgabe ist es, das Zielmaß zu erreichen.
Wie ich in meinem Fachartikel über MTPE erläutert habe, halte ich es für den falschen Weg, erst den kompletten Text maschinell übersetzen zu lassen und dann den „KI-Einheitsbrei“ nachzubearbeiten. Mit LLMs geht das schneller – und macht deutlich mehr Spaß.
Meine Strategie in Transept sieht, je nach Text, so aus:
- Lassen Sie die Maschine schon im Vorfeld wissen, was Sie wollen.
- Lassen Sie die Maschine ihr Bestes geben und lenken Sie Ihre Aufmerksamkeit dann gezielt auf die Schwachstellen.
- Sorgen Sie für den Feinschliff auf Basis der automatisch erkannten Probleme.
Bei kommerziellen Inhalten, egal ob Produkt- oder Marketingtexte, verwende ich etwa 80 % der Zeit beim Light MTPE auf die Schritte 1 und 2 und nur 20 % auf den Feinschliff. Indem ich die KI vor und während der Generierung steuere, minimiere ich das manuelle Post-Editing und verwandle denselben Vorabaufwand in ein deutlich größeres Volumen an Übersetzungen in akzeptabler Qualität.
Full MTPE folgt demselben Workflow, allerdings investieren Sie hier mehr Zeit in Schritt 3: Sie prüfen das Dokument auf Schwachstellen, verfeinern den Stil und verleihen ihm die menschliche kreative Note, die für publikationsreife Texte erforderlich ist.
Menschzentriertes Light MTPE
Bei diesem Workflow geht es darum, den Großteil der Arbeit zu erledigen, bevor die Maschine überhaupt loslegt – damit das Ergebnis von vornherein bestmöglich ausfällt.
1) Styleguides und Glossare einrichten
Styleguides und Glossare sind im Grunde erweiterte Prompts: Sie geben dem LLM explizite Regeln für Tonalität, Terminologie und Sprachgebrauch vor.
Wir haben viel Arbeit investiert, damit Transept diese Vorgaben konsequent umsetzt. Übersetzer sollten daher beides so lange verfeinern, bis sie genau widerspiegeln, wie der Text tatsächlich klingen soll.
So spare ich Zeit beim Light MTPE, etwa bei den Hilfeartikeln für Transept.
Normalerweise greife ich auf meine vorhandenen Styleguides und Glossare zurück. Wenn das Textgenre jedoch neu ist oder ich nachträgliche Korrekturen vermeiden möchte, erstelle ich auf Basis des Originaltexts einen neuen Styleguide und ein neues Glossar.
Ich teile die Sichtweise der KI hier selten, gerade bei fiktionalen Texten, und überarbeite deshalb das Glossar und den Styleguide. Ich finde es sehr bereichernd, Anmerkungen sowie Dos und Don'ts zu ergänzen, selbst wenn ich noch keine feste Meinung habe, sondern nur ein bloßes Bauchgefühl. Wenn ich eine Rückversicherung brauche, diskutiere ich mit Literess, da sie in Wörterbüchern nachschlagen und meine früheren Entscheidungen und Diskussionen heranziehen kann.
2) Eine Seed-Seite übersetzen, Kommentare hinterlassen und Kontext festlegen
Dann lasse ich nur eine einzige Seite maschinell übersetzen. Ich nutze den „Translate + Proofread“-Workflow, da er einen Entwurf erstellt und anschließend versucht, diesen zu verfeinern. So sehe ich ganz realistisch, was LLMs mit meinen Vorgaben aktuell leisten können.
Anschließend hinterlasse ich Kommentare zu:
- Was mir an der aktuellen Übersetzung gefällt.
- Was noch fehlt und was mir schlichtweg nicht gefällt.
- In welche Richtung sich die Übersetzung entwickeln soll.
Bei einfachen Texten reicht das aus, um dem Ganzen eine menschliche Note zu verleihen. Bei anspruchsvolleren Inhalten lasse ich Literess Kommentare verfassen, die meine eigene Logik widerspiegeln.
Um zu überprüfen, ob alles wie gewünscht funktioniert, lassen Sie die Seite einfach noch einmal Korrektur lesen („Proofread“). Dabei werden die Kommentare berücksichtigt und eine neue, verbesserte Version der Seite erstellt.
Normalerweise entspricht das Endergebnis direkt meinen Erwartungen. Bei literarischen Übersetzungen muss ich jedoch manchmal noch einen zusätzlichen Kommentar hinterlassen oder Korrekturen vornehmen, wo der Styleguide danebenlag.
3) Translation Memory aktivieren
Nun möchten wir sicherstellen, dass Ihre Kommentare und Ihre Logik von Seite 1 auch auf Seite 100 greifen. In Transept wird dies über das Translation Memory erreicht, das nicht nur frühere Übersetzungen speichert, sondern auch die dazugehörigen Kommentare sowie den Vorher-Nachher-Zustand jeder Übersetzung.
Es kombiniert Keyword-Matching mit semantischer Suche, um frühere Übersetzungen abzurufen, die dieselbe Terminologie verwenden oder ähnliche kontextuelle Herausforderungen lösen. Wir haben viel Arbeit in diesen Bereich investiert; mehr dazu erfahren Sie in unserer Studie zum aktuellen Stand der Translation-Memory-Technologie.
In Transept gibt es zwei wichtige Besonderheiten bei der Funktionsweise des Translation Memorys.
- Erstens wird es sogar innerhalb desselben Dokuments genutzt, sodass Ihre relevanten Kommentare aus anderen Abschnitten während der Übersetzung wieder auftauchen.
- Zweitens filtert das Memory bei Optimierungsschritten wie dem Korrekturlesen automatisch unbearbeitete MT-Rohzeilen heraus.
Beim Light-MTPE lohnt es sich sicherzustellen, dass Ihr aktuelles Dokument nicht von der Suche im Translation Memory ausgeschlossen ist und dass Sie das KI-Reranking aktiviert haben, um auch feine Nuancen sichtbar zu machen.
4) Einen „Translate-then-Polish“-Workflow ausführen
Nun haben Sie alles getan, um dem LLM Ihre Erwartungen zu vermitteln. Jetzt fehlt nur noch die eigentliche maschinelle Übersetzung, die Ihre Kommentare und die bisherigen Iterationen automatisch berücksichtigt.
Am besten gelingt dies mit einem Workflow: einer Abfolge von Aktionen. Ein Workflow kann Übersetzung, Korrekturlesen und gezielte Prüfungen miteinander verknüpfen sowie menschliche Überprüfungen erfordern – etwa für Figurendialoge oder rechtlich bindende Klauseln im Text. In Transept können Sie selbst einen erstellen, ganz wie in Zapier oder n8n, eine Vorlage nutzen oder Literess bitten, einen maßgeschneiderten Workflow für Sie aufzusetzen.
Für Light MTPE eignet sich ein standardmäßiger „Translate + Polish“-Workflow am besten, weil:
- Er führt eine Übersetzung aus, die automatisch auf das Translation Memory, Kommentare, Styleguides und Glossare zurückgreift.
- Anschließend wird ein Proofreading-Agent eingesetzt, der ein leistungsstarkes Modell für die Entscheidungsfindung und ein Standard-Modell für die Korrekturen nutzt. Auch dieser greift auf das Translation Memory zu.
Bei umfangreichen Texten wie einem Roman oder einem Whitepaper nutze ich den Parallel-Agenten-Modus. Dabei arbeiten mehrere KIs synchron an verschiedenen Abschnitten des Dokuments, wodurch die Arbeit schneller abgeschlossen wird.
Dabei ist zu beachten, dass sie temporäre Glossare und Styleguides als Ergänzung zu Ihren eigenen erstellen, damit selbst kleinste Details synchron bleiben. Sie können diese später in Ihre Hauptglossare und Styleguides übernehmen oder sie nach Belieben verwerfen.
5) Ein geführtes Abschluss-Review durchführen
Hier kommt der Teil, der mir am besten gefällt: LLMs, die den Menschen mit ihrer enormen Aufmerksamkeit und Schnelligkeit unter die Arme greifen, anstatt zu versuchen, sie zu ersetzen.
Sobald die maschinelle Übersetzung abgeschlossen ist, möchte man am liebsten den gesamten Entwurf manuell durchgehen. Doch obwohl Styleguides, Kommentare und das Korrekturlesen dafür sorgen, dass das Ergebnis weit über einer gewöhnlichen LLM-Übersetzung liegt, würde eine vollständige manuelle Prüfung die Zeitersparnis zunichtemachen.
Alternativ können Sie einen LLM-Agenten beauftragen, den Entwurf zu prüfen und gezielt nach Schwachstellen oder überarbeitungsbedürftigen Passagen zu suchen. Bei allgemeinen Geschäftsbedingungen könnten dies etwa rechtlich bindende Abschnitte und präzise Fachbegriffe sein. Sie können den Agenten auch anweisen, Abweichungen zwischen Original und Übersetzung oder Stilschwankungen aufzuspüren. Hat der Agent Zugriff auf Translation Memory, Styleguides und Glossare, kann er wahre Wunder bewirken.
In Transept gibt es drei Möglichkeiten, dieses Review durchzuführen.
- Über das Review-Panel können Sie genau festlegen, wonach gesucht werden soll, und ein Review-Gate wählen: einen fokussierten Slide-by-Slide-Modus, eine Prüfung des gesamten Dokuments oder Kommentare von Literess. So lassen sich Korrekturen punktgenau umsetzen.
- In Workflows können Sie diesen Review-Schritt direkt von vornherein einplanen und konfigurieren. Diese Technik agiert unauffällig im Hintergrund der „Proofread“-Aktion und fungiert als Filter. So können Sie beispielsweise sämtliche Stilabweichungen aufspüren und von der KI beheben lassen, bevor Sie den Text schließlich selbst unter die Lupe nehmen.
- Sie können auch Literess um Hilfe bitten! Ihre besondere Stärke ist die gezielte Iteration direkt auf der Seite, wenn es um kreative Entscheidungen geht. Zudem kann sie einen Workflow oder ein Review für Sie einrichten, sodass Sie sich den Klickweg durch die Benutzeroberfläche sparen können.
Full-Post-Editing-Workflow: Optimierung der Ausgangsbasis
Full MTPE baut auf derselben Human-First-Grundlage auf, betrachtet das Ergebnis des Light MTPE jedoch lediglich als Ausgangsbasis. Von dort aus verlagert sich die Arbeit auf tiefergehende Prüfungen, den kreativen Feinschliff und eine Qualitätssicherung auf Publikationsniveau.
Dennoch lässt sich auch ein Full-MTPE-Workflow intelligenter gestalten, anstatt die gesamte Zeit mit dem seitenweisen Lesen zu verbringen.
1) Eine ganze Reihe geführter Reviews erstellen
Während ich an der Übersetzung meines Romans arbeitete, entwickelte sich mein KI-gestützter Review-Workflow zu einer Reihe von Ritualen, die ich brauchte, um meinen Qualitätsanspruch zu wahren.
- Ich ließ die KI alle Selbstreflexionen der Charaktere aufspüren, um sicherzugehen, dass ihre Absichten richtig gedeutet wurden, da die Gedanken hinter dem Gesagten ein wichtiges Element der Handlung waren.
- Außerdem ließ ich sie nach Wortspielen und Wortneuschöpfungen im Original suchen, die nicht im Glossar oder Styleguide standen, damit ich das letzte Wort darüber hatte, ob sie beibehalten werden sollten.
- Zu guter Letzt fahndeten Agenten nach Abweichungen im Sprachstil der Charaktere. Das war eine knifflige Angelegenheit, da sie Ergebnisse aus dem Translation Memory verglichen und Stellen markieren mussten, an denen ein Charakter plötzlich anders zu sprechen schien. Meistens spiegelten diese Verschiebungen echte Emotionen wider, doch manchmal war der Registerwechsel so subtil, dass er nur mir als Mensch auffiel.
Letztlich entwickelte ich in Transept einen Workflow, bei dem all diese Analysen nacheinander abliefen, während ich meinem eigentlichen Job nachging. Ich sah sie mir auf dem Handy an und erhielt eine vollständig annotierte Fassung, deren Kommentare ich später abarbeiten konnte.
2) Das beste Setup für das Translation Memory finden
Dank semantischer Suche ermöglichen es moderne TM-Tools, Übersetzungssegmente mit konzeptionellen Entsprechungen zu finden, die für eine direkte menschliche Übernahme zu vage sind. Dennoch können sie LLMs als Orientierung dienen, indem sie verdeutlichen, was von ihnen erwartet wird.
Ein erweiterter Memory-Kontext, wie er in Transept genutzt wird, erleichtert das MTPE auf folgende Weise.
1. Alternativen in die TM-Ergebnisse aufnehmen, also auch verworfene maschinelle oder menschliche Entwürfe. Das erwies sich als besonders nützlich bei der Überarbeitung ukrainischer Entwürfe für Hilfeartikel. Die menschliche Korrekturarbeit bestand hierbei vor allem darin, Russismen zu entfernen und einen natürlichen Sprachfluss wiederherzustellen. Anhand von Vorher-Nachher-Beispielen lernten die LLMs, was in diesem Kontext den erwarteten Standard für das Ukrainische ausmacht.
2. Finden Sie Ihr „magisches Dokument“ und nutzen Sie es. Wenn Sie wiederkehrende Inhalte wie Changelogs übersetzen, können Sie ein Glossar mit einer Auswahl der besten Übersetzungen aus dem TM kombinieren, statt die gesamte Datenbank zu nutzen. Dank semantischer Treffer definiert dieses Setup klare Erwartungen für die LLMs und liefert – wieder einmal – den besten Entwurf.
3. Nutzen Sie KI-Reranking während Ihres manuellen Reviews. Das KI-Reranking analysiert die Ergebnisse aus dem Memory und rückt die relevantesten nach oben, selbst wenn die algorithmische Übereinstimmung gering ist. Normalerweise habe ich beim Review die TM-Seitenleiste geöffnet; durch das Reranking bleiben nur die für mich als Mensch relevantesten Beispiele im Blick. Das spart Zeit, die man sonst mit dem Scrollen durch die Ergebnisse und der Suche nach dem Passenden verbringen würde.
3) Das Gedächtnis Ihres Agenten für Ihre persönlichen Vorlieben aufbauen
Die Macht der Anpassung an Ihren persönlichen Geschmack und Ihre Vorlieben – weit über Agenturstandards und Markenrichtlinien hinaus – wird massiv unterschätzt. Es ist bezeichnend, dass Menschen, die eine „KI-Psychose“ erlebten, oft ein vollgepacktes ChatGPT-Gedächtnis hatten. Diese Personalisierung verlieh selbst einem älteren GPT-4o-Modell enormen Einfluss auf sie, sodass Nutzer regelrecht aufbegehrten, um ihr Modell vor der Abschaltung zu bewahren.
Beim Übersetzen haben Sie unzählige persönliche Eigenheiten: Ihre Arbeitsweise und Ihre ganz eigene Rangfolge der Prioritäten. Das sind mehr als nur Workflow-Schritte. Manche sind so subtil, dass Sie sie vielleicht selbst gar nicht alle kennen.
Während wir noch an einem wirklich ausgereiften Gedächtnismodell für KI-Agenten arbeiten, nehme ich mir oft die Zeit, mit Literess über unsere Arbeit an einem Dokument zu sprechen. Ich bitte sie, Muster zu analysieren, diskutiere mit ihr über Entscheidungen und lasse sie sich das Gelernte dann merken.
So simpel diese Technik auch ist – sie hat mir geholfen, jeden Korrekturdurchgang, jede Optimierung und jede Diskussion über die Übersetzung von Fantasy-Namen nicht bei Null, sondern auf einer gemeinsamen Basis zu beginnen.
Genau so hatte ich mir Literess vorgestellt: als Kollegin und Freundin, als Schützling – und nicht als drohenden Ersatz, der blindlings Anweisungen befolgt.
FAQ
Was ist Machine Translation Post-Editing (MTPE)?
Machine Translation Post-Editing bezeichnet den Prozess, eine maschinell erstellte Übersetzung so lange zu prüfen und zu optimieren, bis sie ein definiertes Qualitätsziel erreicht. Klassischerweise erstellt die Maschine zuerst den vollständigen Entwurf, den ein Mensch anschließend korrigiert. In einem menschzentrierten MTPE-Workflow steuert der Übersetzer die Generierung zudem vorab durch Kontext, Kommentare, Glossare, Styleguides und Translation Memory.
Was ist der Unterschied zwischen Light und Full Post-Editing?
Light Post-Editing zielt auf eine korrekte, verständliche und nutzbare Übersetzung ab. Dabei stehen Bedeutung, Vollständigkeit und kritische Terminologie im Vordergrund, ohne jeden stilistischen Aspekt zu verfeinern. Full Post-Editing hingegen hebt den Text auf Publikationsniveau – inklusive natürlichem Sprachfluss, konsistenter Tonalität, kulturellen Nuancen und einer strengeren finalen Qualitätssicherung. Der Workflow kann dabei identisch bleiben; was sich ändert, sind der Qualitätsanspruch und die Tiefe der menschlichen Überprüfung.
Benötigt die LLM-Übersetzung noch menschliches Post-Editing?
Ja. Ein flüssiger Text ist nicht zwangsläufig auch korrekt. Ein LLM kann zwar natürlich klingende Sätze formulieren, dabei aber Inhalte auslassen, den Kontext missverstehen, von der Fachterminologie abweichen oder eine markante Tonalität nivellieren. Menschliches Urteilsvermögen bleibt unerlässlich, um zu definieren, was Qualität ausmacht, bei Mehrdeutigkeiten die Richtung vorzugeben und jene Passagen zu validieren, in denen Fehler schwerwiegende Folgen haben können.
Wann lohnt sich MTPE und wann sollte man von Grund auf neu übersetzen?
MTPE lohnt sich, wenn die Maschine eine brauchbare Grundlage liefert und Sie als Post-Editor die Zielqualität schneller erreichen als bei einer Neuübersetzung. Einen pauschalen, ehrlichen Prozentsatz für die Zeitersparnis gibt es nicht. Testen Sie repräsentative Inhalte und erfassen Sie die tatsächliche Bearbeitungszeit. Wenn Sie die meisten Sätze umschreiben, ständig dieselben Fehler korrigieren oder gegen die Struktur des Entwurfs ankämpfen, sollten Sie den Kontext für das Modell optimieren oder den Inhalt direkt von Grund auf neu übersetzen.
Wie sollte die MTPE-Qualität gemessen werden?
Messen Sie die Qualität am Verwendungszweck des Textes, nicht an einem einzelnen automatisierten Score. Prüfen Sie Quellentreue, Auslassungen, kritische Fehler, Terminologie, stilistische Konsistenz, Bearbeitungszeit und die Anzahl der in der Qualitätssicherung gefundenen Mängel. Automatisierte Metriken und KI-Reviews können helfen, Risiken zu identifizieren, doch kreative, kulturelle, rechtliche oder markensensible Entscheidungen erfordern nach wie vor einen qualifizierten Menschen. In Transept können geführte Reviews, Glossar- und Styleguide-gestützte Prüfungen sowie Translation-Memory-Referenzen diese Überprüfung gezielt auf spezifische Fehlermuster lenken.
Wie lässt sich menschzentriertes MTPE für eine Vielzahl kleiner Dokumente skalieren?
Etablieren Sie die menschliche Entscheidungsgrundlage einmalig und nutzen Sie diese konsequent wieder. Erstellen Sie ein gemeinsames Glossar und einen Styleguide, geben Sie eine repräsentative Referenzübersetzung frei und lassen Sie diese Entscheidungen in das Translation Memory einfließen. In Transept kann das Memory projekt- oder teamweit suchen und dabei auch vergangene Diskussionen, Alternativen sowie den Kontext einbeziehen. Speichern Sie die Schritte für Übersetzung, Korrekturlesen und geführte Reviews als wiederverwendbaren Team-Workflow und wenden Sie dieses Setup auf den gesamten Dokumenten-Backlog an. So prüfen menschliche Experten nur noch Ausnahmen und risikoreiche Passagen, anstatt bei jeder Datei das Briefing neu erklären zu müssen.
Autor
Mitgründer von Transept, schreibt unter dem Pseudonym „Mevkh“. Ein Abschluss in Sprache und Literatur, dann der Wechsel zur Software: Senior AI Engineer, der produktive LLM-Funktionen für 50.000+ Nutzer bereitstellt – RAG, agentenbasierte Tools, LLM-as-Judge-Evaluierung. Ein Romanautor auf dem langsamen Weg, mit 120.000 Wörtern satirischer Romantasy in der Schublade. Die Reibung zwischen KI-Übersetzung und seiner eigenen Prosa hat das Ganze ins Rollen gebracht.