Nu iedereen steeds kortere doorlooptijden voor content wil, is het geen wonder dat TechDoc-teams AI gebruiken om de lokalisatie te versnellen.
En omdat technische documentatie aan strikte kwaliteitsnormen en regelgeving onderworpen is, vragen sommigen zich af: "Waarom zouden we niet ons eigen AI-model voor lokalisatie bouwen, om alles intern te houden en volledige controle te hebben over de output?".
Voor een verhelderend antwoord op deze vraag, spraken we met Signe Winther Poulsen, COO van LanguageWire. Signe heeft meer dan 20 jaar ervaring in lokalisatie en helpt wereldwijde organisaties bij het beheren van complexe ecosystemen voor technische documentatie.
Signe merkt in haar werk dat het makkelijk is om met je eigen AI-model te beginnen, maar veel moeilijker om het te onderhouden. In dit artikel legt ze uit waarom dat zo is en hoe je het anders kunt aanpakken.
Waarom een AI-model opschalen moeilijker is dan het te bouwen
Organisaties die werken met technische documentatie hebben meestal al een gedegen aanpak voor hun contentmanagement. Ze werken doorgaans met gestructureerde contentomgevingen die zijn opgebouwd rond XML, DITA of component-based authoring.
Ze zijn dus gewend aan complexiteit en schaal. Veel organisaties zijn ook goed in het experimenteren en verbeteren van hun contentcreatieprocessen met AI.
Volgens Signe Winther Poulsen zijn de toepassing van AI voor contentcreatie en het gebruik ervan als onderdeel van een grotere lokalisatieworkflow twee verschillende zaken:
"Ik zou goed nadenken over de kosten op de lange termijn. Het kan makkelijk en verleidelijk lijken, maar op grond van wat we zien en de feedback van klanten, blijkt het lastig om het rendement op de investering op peil te houden zodra AI in de dagelijks gang van zaken geïntegreerd is."
Wanneer je je eigen AI-model bouwt, moet je voor een veilige en betrouwbare lokalisatie van de technische documentatie zelf alle nodige infrastructuur, governance, kwaliteitscontroles en continue optimalisatie onderhouden.
Na verloop van tijd kunnen veranderingen in technologie of omgeving ervoor zorgen dat de AI fouten maakt, zelfs als het aanvankelijk goed presteerde: "Wat we in de praktijk zien, is dat de AI-vertalingen continue training, voortdurende modificaties en nieuwe AI-agentflows vereisen om hallucinaties te voorkomen."
Naarmate de contentvolumes toenemen, moet het model ook consistent kunnen blijven presteren voor alle producten, markten en talen. Het moet de goedgekeurde terminologie behouden, hallucinaties vermijden en voldoen aan de technische vereisten en regelgeving, elke keer weer, ongeacht het contenttype of de taal.
Dit is vooral belangrijk in een niche als technische documentatie, waar kwaliteit vaak wordt bepaald door nauwkeurigheid.
Een kleine inconsistentie in terminologie of een slecht vertaalde instructie kan leiden tot verwarring, operationele risico's of inbreuken op de regelgeving.
Maar nauwkeurigheid en precisie kunnen bijzonder lastig zijn als je met AI werkt.
"Wat we zien, is dat het vrij eenvoudig is om zo'n project te starten, maar dat het opschalen en de kwaliteit behouden moeilijker is, vooral wanneer precisie een belangrijk onderdeel van de kwaliteit is," legt Signe uit.
Voor een goede kwaliteitscontrole moet elke stap zorgvuldig beheerd worden. Je kunt de precisie verbeteren door het model te trainen, maar ook door het te combineren met technologieën die veel beter scoren op het vlak van nauwkeurigheid, zoals termbases en vertaalgeheugens.
AI is slechts een fractie van het lokalisatieproces. Ook het volgende is van belang
Een van de grootste misvattingen die Signe ziet, is dat vertaling het belangrijkste onderdeel van het lokalisatieproces zou zijn, en dat het trainen van AI om goed te vertalen de grootste uitdaging is voor teams.
In werkelijkheid is de vertaling slechts één stap in een complexe workflow.
Een typische lokalisatieworkflow voor technische documentatie omvat doorgaans verschillende belangrijke stappen:
Contentcreatie
Omzetting en verwerking van bestanden
Matching van vertaalgeheugen
Toepassing van terminologie
AI-ondersteunde vertaling
Menselijke tekstbewerking
Proeflezing en/of validatie
Definitieve levering en herintegratie in de documentatieomgeving
Elke fase speelt een rol in het behouden van de kwaliteit, consistentie en technische nauwkeurigheid. Wanneer organisaties zich afvragen of ze hun eigen AI-model moeten bouwen, kijken ze vaak maar naar één onderdeel van een veel groter lokalisatie-ecosysteem.
Signe wijst erop dat het de holistische workflow is die het grootste verschil maakt voor technische documentatie. AI creëert alleen waarde wanneer het in die opzet wordt geïntegreerd, samenwerkt met de andere tools in plaats van er 'bovenop' te zitten:
"Ik denk dat we technologie moeten zien als een geheel dat zich in de loop der tijd ontwikkelt. Het is niet zo dat er ooit één technologie was en nu een nieuwe technologie, namelijk AI. We zullen altijd AI-vertalingen als kern aanbevelen, net zoals we altijd het vertaalgeheugen als eerste stap zullen aanraden, omdat dit misschien wel het meest precieze is."
Konecranes: hoe een goed gebruik van AI eruitziet in de praktijk
AI door die bril bekijken, kan ook helpen om een deel van de angst die TechDoc-teams rond AI hebben weg te nemen.
Signe legt uit: "Om de risico's te beperken dat AI-vertaling op hol slaat, heb je een combinatie van mens en technologie nodig, bijvoorbeeld om de taalkwaliteit te controleren. Je kunt profiteren van de voordelen die AI biedt zonder er blindelings op te vertrouwen dat alles goed zal verlopen.
Een voorbeeld is onze klant Konecranes, een wereldwijde fabrikant van op maat gemaakte industriële kranen. Jarenlang had het bedrijf een gedecentraliseerde en handmatige opzet, waarbij technische content vanaf nul werd aangemaakt in de verschillende bedrijfseenheden.
Het bedrijf besloot om met de hulp van LanguageWire zijn technische documentatie te centraliseren om kosten te besparen. In plaats van dat elke afdeling werkte met zijn eigen terminologie, workflows en vertaalopzet, creëerden ze één gezamenlijk lokalisatie-ecosysteem.
"We werken samen met hen om onze gezamenlijke processen continu te optimaliseren. We maken deel uit van dat proces, zowel voor de technische kant als de opbouw van de workflow", legt Signe uit.
Omdat ze al een lokalisatieworkflow hadden die ontworpen was om op te schalen, kon AI simpelweg een extra onderdeel binnen dit systeem worden.
Volgens Pasi Savola, Documentatiemanager van Konecranes, is de menselijke component wellicht het belangrijkste onderdeel van hun AI-lokalisatieworkflow. In een recent artikel in Slator benadrukt hij hoe de complexiteit van zijn bedrijf betekent dat de lokalisatie die complexiteit moet volgen, zowel qua taalassets, processen als AI, en zegt hij dat AI "niet zomaar snel content kan creëren voor iemand die een kraan een onderhoudsbeurt moet geven." Klantgerichte content moet door mensen worden nagekeken.
"We kunnen natuurlijk niet alles aan AI overlaten, zeker niet in ons bedrijf. We hebben de menselijke touch nodig om ervoor te zorgen dat de inhoud klopt." Pasi Savola, Documentatiemanager, Konecranes.
Daarom is het zo belangrijk dat we het al dan niet inschakelen van AI niet als een definitieve keuze moeten zien, maar eerder moeten focussen op het bouwen van een gecontroleerde workflow. AI kan zich dan binnen die workflow aanpassen op een manier die waarde toevoegt zonder het risico te vergroten.
Zoals Signe het ziet:
"We mogen ons niet gedwongen voelen om definitief wel of niet voor AI te kiezen, maar moeten ons eerder de vraag stellen: "Hoe vullen we de toegevoegde waarde van technologie aan met menselijke tussenkomst, maar ook met andere niet-AI-technologieën die wat rigider en strikter zijn, zoals terminologiebeheer?".
Moet je je eigen AI-model bouwen?
Voordat je in je eigen model investeert, moet je jezelf afvragen of vertaalkwaliteit wel je grootste lokalisatie-uitdaging is. Of is dat het terminologiebeheer, de workflowintegratie, proefleescapaciteit en schaalbaarheid in alle talen?
Hoe voorkom je hallucinaties en onderhoud je het model? En heb je de middelen om het continu te trainen en te optimaliseren?
Signe raadt aan om die vragen te beantwoorden voordat je begint met het bouwen van je eigen model. Uit ervaring weet ze wel dat je betere resultaten boekt wanneer je je bestaande aanpak voor content en ervaring meeneemt naar een vertrouwde partner zoals LanguageWire:
"Klanten hebben veel mogelijkheden om hun processen voor contentcreatie te verbeteren met AI. Laten we samenwerken om die twee eindjes aan elkaar te knopen: de geoptimaliseerde contentcreatie aan het geoptimaliseerde vertaalproces dat wij hebben. Dan kunnen we samen navigeren in dit geweldige, spannende, grote en soms ietwat angstaanjagende universum van AI."
De juiste manier vinden om AI te implementeren
Voor de meeste organisaties is de uitdaging niet het lanceren van een AI-model op zich. Maar wel het bouwen van een lokalisatieproces dat kan opschalen, de kwaliteit kan behouden en bedrijfskritische content kan ondersteunen in alle markten en talen.
Bij LanguageWire hebben we al meer dan 25 jaar ervaring in het ondersteunen van het beheer van meertalige content, terminologie, lokalisatieworkflows en kwaliteitsgarantie op grote schaal. Onze aanpak combineert AI, automatisering, taalkundige expertise en bewezen lokalisatieprocessen om organisaties te helpen de voordelen van AI te benutten zonder toegevingen te doen aan de controle of kwaliteit.
Als je AI-lokalisatie zoekt voor technische documentatie, spreek dan met een van onze experts. Wij helpen je de juiste lokalisatiestrategie voor je TechDoc-team uit te tekenen. Spreek met een expert
Dit is een artikel uit de augustus 2026-editie van Lost & found in translation, onze maandelijkse nieuwsbrief waarin we inzichten en tips delen van mensen met ervaring in lokalisatie. Abonneer je hier om een melding te krijgen wanneer de volgende editie verschijnt.
