AI och översättning

Ingemar Strandvik om AI och översättning

22 dec, 2025

Ingemar Strandvik, kvalitetsspecialist vid EU-kommissionen, höll ett uppskattat webbinarium den 19 november 2025 och presenterades av Helen Taylor. Vi var ett 80-tal mycket intresserade åhörare på webbinariet, i SFÖ-SAT:s regi.

Ingemar Strandvik började föreläsningen med att konstatera att översättningsbranschen idag befinner sig i snabb teknisk utveckling.

Några förändringar bara de senaste åren är:

Kring 2015 kom neural maskinöversättning (NMT)

2017, ”transformer-modellen” (Vaswani et al., 2017)

■ 2018, ”MT at human parity” (Hassan et al., 2018)

2020, modeller för automatisk MT-utvärdering når nya toppnivåer som är i nivå medmänsklig bedömning (Rei et al., 2020)

November 2022, OpenAI lanserar ChatGPT 3.5

■ Därefter, RAG (Retrieval-augmented generation), resonerande språkmodeller, AI-agenter, symbolisk AI.

Problemet med detta är hajpen anser Ingemar. Hajpen följer ett tydligt mönster med påståenden som sticker ut: ”MT at human parity”, ”70% savings” etc.

”Forskare nyanserar eller vederlägger men säljsnacket fastnar i huvudet på icke-experter som därmed förleds att tro att ”översättningsproblemet” är löst.”

Ingemar radade upp hajpens negativa konsekvenser som han anser är att slutkunder med bristande kunskap tycker att priserna ska vara lägre och att översättarnas arvoden och arbetsvillkor blir sämre. Forskare nyanserar eller vederlägger men säljsnacket fastnar i huvudet på icke-experter som därmed förleds att tro att ”översättningsproblemet” är löst. Många översättare lämnar yrket för att de inte kan försörja sig eller för att de blir påtvingade orimliga arbetsförhållanden. Även språkbyråerna har börjat bli pessimistiska och studenter lockas inte längre till översättarutbildningarna på universiteten. Den största utmaningen är att hantera förväntningar. Fokus ligger nästan uteslutande på besparingar och kortsiktig kostnadseffektivitet. (jfr ELIS-rapporterna)

Verkligheten bakom AI och NMT

AI-system kan liknas vid avancerade efterapare – de är ofrånkomligen opålitliga och kvaliteten varierar starkt mellan språkkombinationer och ämnesområden. De träningsdata som väljs kan göra att bias byggs in i systemen. Översättningar måste alltid bedömas utifrån användarperspektiv, målgrupp och risk. De stora teknikbolagen driver också på hajpen, ofta för att sticka ut i den hårda konkurrensen. Idag ifrågasätts hajpen mer öppet, och både utmaningar och risker har fått ökad uppmärksamhet. Diskussioner har börjat föras om språkmodeller som riskerar att försämras (”model collapse”).

Ingemar poängterar viktigt innehåll i EU:s AI-förordning (2024/1689):

■ Bygger på riskhantering och värnar grundläggande rättigheter.

■ Hög risk gäller till exempel för rättskipning och brottsbekämpning, där höga krav ställs på utvecklare och leverantörer.

■ Den mänskliga kontrollen är avgörande enligt förordningen.

■ Översättning nämns inte direkt, men riktlinjer väntas 2026.

■ Låg risk anses råda i områden där AI inte avsevärt kan påverka beslut eller orsaka skada.

Förordningen syftar till transparent, säker, människocentrerad och tillförlitlig användning av AI på ett sätt som inte underminerar grundläggande rättigheter. Den innefattar rätten till /…/ icke-diskriminering, rätten till utbildning, konsumentskydd, arbetstagares rättigheter, rättigheter för personer med funktionsnedsättning, jämställdhet, immateriella rättigheter, rätten till ett effektivt rättsmedel och till en opartisk domstol, rätten till försvar och presumtionen för oskuld och rätten till god förvaltning. (Ur förordningen, skäl 48).

”…innefattar rätten till /…/ icke-diskriminering, rätten till utbildning, konsumentskydd, arbetstagares rättigheter, rättigheter för personer med funktionsnedsättning, jämställdhet, immateriella rättigheter, rätten till ett effektivt rättsmedel och till en opartisk domstol, rätten till försvar och presumtionen för oskuld och rätten till god förvaltning.” (Skäl 48)

Vad kan översättare göra för att stå starkare i ”teknikstormen”?

■ Samarbeta med utvecklare och leverantörer av AI och bidra med expertis för granskning och utvärdering av kvaliteten.

■ Ha en öppen inställning till AI och satsa på fortbildning inom teknik och AI, ISO-standarder (för översättning, kvalitetsledning, riskhantering, informationssäkerhet). Fokusera på väl definierade specifikationer som tydliggör kvalitetskrav och arbetsflöden före, under och efter produktion. Före produktion: för att klargöra kvalitetskraven, syfte, risker, och risktolerans, för att besluta om lämpliga och effektiva arbetsflöden med lämpliga resurser. Under produktion: som ”brief”/uppdragsbeskrivning för översättare, efterredigerare, granskare, utvärderare, projektledare med mera. Efter produktion: för att möjliggöra utvärdering av kravuppfyllelse objektivt, konsekvent och effektivt.

■ Hantera terminologi, kringprocesser och råutkast.

■ Utvärdera maskinöversättning och AI-lösningar objektivt med hjälp av erkända mått och specifikationer.

Foto på Ingemar Strandvik från webbinariet.
Foto på Ingemar Strandvik från webbinariet.

■ Bistå både utvecklare och jurister med specialistkunskap, särskilt i högriskanvändningsområden där mänsklig kontroll är viktig.

■ ”Översättningsjuridik” blir allt viktigare, dvs. översättningsexpertis behövs för att AI-systemens resultat ska tolkas och fastställas av översättare. Framtiden för ”översättningsjuridik” ser ljus ut. Om ”mänsklig kontroll” inte implementeras seriöst, kommer olämpligt bruk av AI i högrisksammanhang att ge upphov till en mängd rättsprocesser. Översättningsexpertis kan spela en viktig roll för att bistå jurister med att utvärdera AI-genererade översättningar med hjälp av ISO-standarder och MQM (Multidimensional Quality Metrics) . Om specifikationerna fastställer risktoleransen är ”riskägarna” kända och kan då hållas ansvariga.

Översättare? Samarbeta, fortbilda dig, utvärdera MT och AI, bistå utvecklare och jurister och agera översättningsexpert!

Yrkesföreningar som SFÖ-SAT, EULITA, och FIT kan bidra med att samla information om incidenter, lyckade tillämpningar och metoder för mänsklig kontroll. Konsumenter har rätt att få veta om översättningen skapats automatiskt och utan inblandning av en professionell översättare (jfr AI-förordningens artikel 14, Mänsklig kontroll). Typen av verifiering beror på specifikationerna.

Bilden visar märkning av översättningar med etiketter (labels) för att vara transparenta gentemot konsumenter av AI-genererat innehåll (Raw automatic translation – NMT, Gen-AI etc.) versus mänskligt innehåll eller kombinationer.

Bild: PPT-bild, Ingemar Strandvik.
Bild: PPT-bild, Ingemar Strandvik.

”Hajpens orealistiska förväntningar kan stävjas om fokus sätts på specifikationer och utvärdering. Översättarna har en viktig roll att spela för den mänskliga översynen över AI-systemen.”
(Ingemar Strandvik)

Ingemar Strandvik avslutade webbinariet med att konstatera att AI är här för att stanna. ”Hajpens orealistiska förväntningar kan stävjas om fokus sätts på specifikationer och utvärdering. Översättarna har en viktig roll att spela för den mänskliga översynen över AI-systemen.”

Han pekade på att “Augmented translation” (förstärkt översättning) är vägen framåt, dvs. att använda AI som ett avancerat hjälpmedel, men med översättaren i förarsätet.

Efter en givande diskussion avslutades webbinariet och deltagarna loggade ut med många nya tankar i huvudet.

Ingemars källor och tips på mer läsning

Alemohammad, S., Casco-Rodriguez, J., Luzi, L., Imtiaz Humayun, A., Babaei, H., LeJeune, D., Siahkoohi, A. & Baraniuk, R. (2023). Self-Consuming Generative Models Go MAD. https://arxiv.org/pdf/2307.01850

Canfora, C & Ottmann, A. (2018). Of ostriches, pyramids and Swiss cheese – Risks in safety-critical translations. Translation Spaces 7:2, 167–201. Benjamins.

Canfora, C, & Ottmann, A. (2020). Risks in neural machine translation. Translation Spaces 9:1, 58–77. Benjamins.

CSA. (2024b). Human at the core or human in the loop. Blog post: https://www.linkedin.com/posts/csa-research_human-at-the-core-or-human-in-the-loop-activity-7203759381635633153-zOZy/

CSA. (2024c). On AI and LLMs.https://www.linkedin.com/company/csa-research/posts/?feedView=all

ISO. (2024). 5060:2024 – Translation services – Evaluation of translation output – General guidance. Geneva: ISO.

ISO (2024). 11669:2024. Translation projects – Guidance. Geneva: ISO.

Fields, P., Hague, D., Koby, G., Lommel, A. & Melby, A. (2014). What Is Quality? A Management Discipline and the Translation Industry Get Acquainted. Revista Tradumàtica, número 12, Traducciói qualitat. (pp. 404–412). https://ddd.uab.cat/pub/tradumatica/
tradumatica_a2014n12/tradumatica_a2014n12p404.pdf

Gladkoff, S. (2025). Human-Produced Content, Experts: Crucial To Prevent LLM Model Collapse

Gladkoff, S. (2025). Label It Or Leave It: The New Baseline For AI Disclosure

Multidimensional Quality Metrics (MQM). See “theMQM.org”

Nitzke, J., Hansen-Schirra, S. & Canfora, C. (2019). Risk management and post-editing competence. The Journal of Specialised Translation Issue 31. (pp. 239–259). https://jostrans.soap2.ch/issue31/art_nitzke.php

Nitzke, J., Canfora, C., Hansen-Schirra, S., & Kapnas, D. (2024). Decisions in projects using machine translation and post-editing: an interview study. JoSTrans: The Journal of Specialised Translation, (41), 127–148. https://doi.org/10.26034/cm.jostrans.2024.4715

Marcus, G. (2024). Evidence that LLMs are reaching a point of diminishing returns — and what that might mean. https://garymarcus.substack.com/p/evidence-that-llms-are-reaching-a

Melby, A., & Foley, R. (2025). Why Translation Errors Must Be Part of the AI Safety Discussion: Labeling, use-case typologies, and risk mitigation for AI translation. Tranquality.

Murphy, B. (CEO Smartling), “The Myth of Cheap LLM Translation: Why Progress is Stalling and Enterprise Projects are Failing”  https://www.linkedin.com/pulse/myth-cheap-llm-translation-why-progress-stalling-projects-murphy-nnpde/

Niederhoffer et al. (2025). AI-Generated “Workslop” Is Destroying Productivity Harvard Business Review

Strandvik, I. (2025). Translation_quality_and_the_role_of_specifications_-_How_standards_can_help_the_translation_sector_today

Shumailov, I., Shumaylov, Z., Zhao, Y., Gal, Y., Papernot, N. & Anderson, R. (2023). The Curse of Recursion: Training on Generated Data Makes Models Forget. https://arxiv.org/pdf/2305.17493v2

Vashee, K. (2021). Understanding MT Quality: BLEU Scores

Wiggins,D.(2025). We are living in the era of the AI idiot. Blog post. https://www.linkedin.com/pulse/we-living-era-ai-idiot-dion-wiggins-3ovwc/.

Xing, X., Shi, F., Huang, J., Wu, Y., Nan, Y., Zhang, S., Fang, Y., Roberts, M., Schönlieb, C.-B., Del Ser, J. & Yang, G. (2024). On the Caveats of AI Autophagy. https://arxiv.org/pdf/2405.09597v3

SAMMA FÖRFATTARE +

SENASTE INSLAG +