Rethinking Higher Education/de/Chapter 4
Das Ende der Übersetzung: Wie KI die interkulturelle Kommunikation in der Bildung transformiert
Martin Woesler
Hunan-Normaluniversität
Zusammenfassung
Der Aufstieg der neuronalen maschinellen Übersetzung (NMT) und der generativen KI hat die Landschaft der interkulturellen Kommunikation und Sprachbildung grundlegend verändert. Dieser Artikel untersucht die durch KI-gestützte Übersetzungswerkzeuge – darunter DeepL, ChatGPT und chinesische Plattformen wie Baidu Translate und Youdao – bewirkte Transformation der Übersetzungspraxis, des Übersetzungsarbeitsmarktes und der Sprachpädagogik. Gestützt auf aktuelle Vergleichsstudien und Arbeitsmarktdaten dokumentieren wir eine dramatische Kontraktion der professionellen Übersetzungsnachfrage bei gleichzeitiger Expansion von Workflows für maschinelles Übersetzen mit anschließender menschlicher Nachbearbeitung (MTPE). Wir argumentieren, dass dieser Wandel ein neues Bildungsparadigma erfordert, das auf „maschinelle Übersetzungskompetenz" statt auf traditionelle Übersetzungsfähigkeit ausgerichtet ist. Durch einen systematischen Vergleich europäischer und chinesischer Reaktionen auf diese Transformation identifizieren wir divergierende regulatorische Ansätze und konvergierende pädagogische Herausforderungen. Wir schlussfolgern, dass das „Ende der Übersetzung" nicht das Ende interkulturellen Verständnisses ist, sondern vielmehr eine Neuorientierung menschlicher Expertise auf das irreduzibel Menschliche: kulturelle Nuancen, ethisches Urteil und literarische Sensibilität.
Schlüsselwörter: maschinelle Übersetzung, KI in der Bildung, DeepL, ChatGPT, Nachbearbeitung, Übersetzungskompetenz, EU-China-Vergleich, Sprachbildung
1. Einleitung
Am 30. Mai 2024 hielt der Autor im Rahmen der Vortragsreihe „Digitalisierung in China und Europa" des Jean-Monnet-Exzellenzzentrums an der Hunan-Normaluniversität einen Vortrag mit dem Titel „Das Ende der Übersetzung." Der Titel war bewusst provokativ. Übersetzen, eine der ältesten intellektuellen Tätigkeiten der Menschheit, scheint vor einer existenziellen Herausforderung durch Künstliche Intelligenz zu stehen. Neuronale maschinelle Übersetzungssysteme verarbeiten heute täglich Milliarden von Wörtern mit Genauigkeitsniveaus, die vor einem Jahrzehnt unvorstellbar erschienen wären. Der Internationale Währungsfonds berichtete im Januar 2026, dass sein Übersetzer- und Dolmetscherpersonal von 200 auf etwa 50 gesunken war, wobei die Verbleibenden zunehmend der Qualitätskontrolle maschinell erzeugter Ergebnisse zugewiesen wurden (CNN 2026). Eine Umfrage des Chartered Institute of Linguists (CIOL) von 2024 ergab, dass über 70 Prozent der freiberuflichen Übersetzer von rückläufigen Auftragsvolumina berichteten (CIOL 2024).
Doch die provokative Formulierung bedarf der Qualifizierung. Was endet, ist nicht Übersetzen als intellektuelle und kulturelle Tätigkeit, sondern Übersetzen als routinemäßige professionelle Dienstleistung, die vorwiegend von Menschen erbracht wird. Was entsteht, ist eine neue Ökologie der Mensch-Maschine-Zusammenarbeit, in der sich die menschliche Rolle von der Erstellung von Übersetzungen hin zur Bewertung, Verfeinerung und Kontextualisierung maschineller Ergebnisse verschiebt. Für die Bildung – insbesondere für Sprachabteilungen und Übersetzungsstudiengänge an europäischen und chinesischen Universitäten – wirft dieser Wandel drängende Fragen auf. Was sollten wir Studierenden beibringen, die in einen Beruf eintreten, der radikal anders aussieht als sein Vorgänger im 20. Jahrhundert? Wie kultivieren wir die genuin menschlichen Kompetenzen, die Maschinen nicht replizieren können? Und wie reagieren die verschiedenen Bildungssysteme – das europäische und das chinesische – auf diese Herausforderungen?
2. Historischer Kontext: Übersetzung und Technologie
Bevor wir die aktuelle KI-getriebene Transformation untersuchen, ist es nützlich, sie in die längere Geschichte der Beziehung zwischen Technologie und Übersetzung einzuordnen. Übersetzung war stets im weitesten Sinne technologisch vermittelt – von der Erfindung der Schrift selbst, die Übersetzen als Textpraxis ermöglichte, über die Druckerpresse, die Massennachfrage nach übersetzten Werken schuf, bis hin zur Schreibmaschine und dem Textverarbeitungsprogramm, die den physischen Arbeitsablauf des Übersetzers transformierten.
Der rechnergestützte Ansatz zur Übersetzung geht auf Warren Weavers Memorandum von 1949 zurück, das vorschlug, Informationstheorie und kryptographische Techniken auf das „Übersetzungsproblem" anzuwenden. Die folgenden Jahrzehnte regelbasierter maschineller Übersetzung (RBMT) und statistischer maschineller Übersetzung (SMT) produzierten Systeme, die für die Groberfassung nützlich waren, aber für die Erstellung veröffentlichungsfähiger Übersetzungen unzureichend blieben. Die neuronale Revolution Mitte der 2010er Jahre, beginnend mit dem Aufmerksamkeitsmechanismus (Bahdanau et al. 2014) und kulminierend in der Transformer-Architektur (Vaswani et al. 2017), änderte dies grundlegend. Erstmals war die Maschinenausgabe bei Routinetexten oft nicht von einer kompetenten menschlichen Übersetzung zu unterscheiden.
Die am häufigsten angeführte historische Parallele ist der Einfluss der Fotografie auf die Malerei. Die Fotografie hat die Malerei nicht eliminiert, aber sie hat das Monopol der Malerei auf visuelle Darstellung beseitigt und Maler dazu befreit, Dimensionen visueller Erfahrung zu erkunden – Abstraktion, Expressionismus, Konzeptkunst –, die die Fotografie nicht erfassen konnte. In ähnlicher Weise eliminiert die KI-Übersetzung möglicherweise nicht die menschliche Übersetzung, aber sie beseitigt das Monopol der menschlichen Übersetzung auf sprachübergreifende Kommunikation und befreit potentiell menschliche Übersetzer, sich auf Dimensionen interkultureller Bedeutungsproduktion zu konzentrieren, die Maschinen nicht replizieren können.
3. Die KI-Übersetzungslandschaft: Werkzeuge und Fähigkeiten
3.1 Neuronale maschinelle Übersetzung versus generative KI
Die Unterscheidung zwischen dedizierten neuronalen maschinellen Übersetzungssystemen (NMT) und generativen KI-Werkzeugen (GenAI) ist entscheidend für das Verständnis der aktuellen Landschaft. NMT-Systeme wie Google Translate und DeepL sind zweckgebaut für die Übersetzung, mit parallelen Korpora trainiert und für Flüssigkeit und Adäquatheit bei spezifischen Sprachpaaren optimiert. GenAI-Werkzeuge wie ChatGPT, Claude und Chinas Ernie Bot behandeln Übersetzung als eine Fähigkeit unter vielen, nutzen ein breiteres sprachliches Verständnis, verfügen aber nicht über die spezialisierten Trainingsdaten dedizierter NMT-Systeme.
Ein multidimensionaler Vergleich von ChatGPT, Google Translate und DeepL bei chinesischen Tourismustexten ergab, dass ChatGPT dediziertes NMT bei Metriken wie Treue, Flüssigkeit, kultureller Sensibilität und Überzeugungskraft übertraf – insbesondere bei kulturell angepassten Prompts (Chen et al. 2025). ChatGPT führte jedoch gelegentlich semantische Verschiebungen ein, die im Quelltext nicht vorhanden waren, ein Phänomen, das dedizierte NMT-Systeme zuverlässiger vermeiden.
3.2 Chinesische KI-Übersetzungsplattformen
Das chinesische KI-Übersetzungsökosystem verdient gesonderte Aufmerksamkeit, da es weitgehend unabhängig vom westlichen Ökosystem operiert. Baidu Translate (百度翻译) unterstützt 203 Sprachen, einschließlich seltener Dialekte und klassisches Chinesisch. Youdao (有道翻译), entwickelt von NetEase, veröffentlichte 2023 sein „Ziyue" (子曰) Bildungs-Sprachmodell, gefolgt vom Ziyue-o1-Schlussfolgerungsmodell 2025, das Übersetzungsfähigkeiten mit Wörterbuch- und Lernwerkzeugfunktionen über etwa 107 Sprachen hinweg integriert.
3.3 Stärken und anhaltende Schwächen
Aktuelle KI-Übersetzungssysteme bewältigen routinemäßige Informationstexte – Nachrichtenartikel, Geschäftskorrespondenz, technische Dokumentation – auf Niveaus, die an durchschnittliche menschliche Übersetzer heranreichen oder ihnen entsprechen. Allerdings bestehen systematische Schwächen in mehreren Bereichen fort:
Literarische Übersetzung, wo Stimme, Rhythmus, Mehrdeutigkeit und kulturelle Resonanz konstitutiv und nicht beiläufig sind.
Humor, Ironie und Sarkasmus, die von geteiltem kulturellem Wissen, kontextueller Inferenz und absichtlicher Verletzung sprachlicher Erwartungen abhängen.
Kulturell eingebettete Ausdrücke, denen direkte Entsprechungen fehlen – nicht bloß Redewendungen, sondern konzeptuelle Rahmen, die unterschiedliche Weltanschauungen widerspiegeln. Der chinesische philosophische Begriff 仁 (rén) widersteht beispielsweise der Übersetzung in ein einziges deutsches Wort („Güte", „Menschlichkeit", „Wohlwollen", „Humanität"), weil jede Option unterschiedliche Aspekte eines Konzepts hervorhebt, das im Chinesischen alle gleichzeitig umfasst.
Ethische und politische Sensibilität, wo Übersetzungsentscheidungen Konsequenzen jenseits sprachlicher Genauigkeit haben.
4. Arbeitsmarkttransformation
4.1 Die Kontraktion der Übersetzungsnachfrage
Die Auswirkungen der KI auf den Übersetzungsberuf waren gravierend und schnell. Forschungen des Centre for Economic Policy Research (CEPR) fanden heraus, dass „Gebiete mit höherer Verbreitung einen Rückgang der Übersetzerbeschäftigung erlebten" und dass „Verbesserungen der maschinellen Übersetzung die Nachfrage nach Fremdsprachenkenntnissen generell reduziert haben" (Frey & Llanos-Paredes 2025). Über drei Viertel der 2024 befragten professionellen Übersetzer erwarteten negative Auswirkungen generativer KI auf ihr zukünftiges Einkommen.
Die Reduzierung des Übersetzer- und Dolmetscherpersonals des Internationalen Währungsfonds von 200 auf etwa 50 stellt ein konkretes institutionelles Beispiel dar (CNN 2026). Duolingo entließ im Januar 2024 etwa 10 Prozent seiner Übersetzungsauftragnehmer und verlagerte sich auf KI-geführte Inhaltsproduktion.
4.2 Der Aufstieg der Nachbearbeitung
Der Rückgang traditioneller Übersetzungsbeschäftigung wurde teilweise durch das Wachstum der maschinellen Übersetzungsnachbearbeitung (MTPE) als berufliche Tätigkeit kompensiert. Nachbearbeiter überprüfen, korrigieren und verfeinern maschinell erzeugte Übersetzungen, anstatt von Grund auf zu übersetzen. Dies stellt eine fundamentale Verschiebung der Übersetzerrolle dar – vom Autor zum Lektor, vom Schöpfer zum Qualitätskontrolleur.
Allerdings wirft das Nachbearbeitungsmodell eigene Bedenken auf. Das Phänomen der „Nachbearbeitungsermüdung" – kognitive Erschöpfung durch die ständige Bewertung und Korrektur maschineller Ergebnisse statt des Engagements in kreativer Übersetzung – wurde unter professionellen Übersetzern dokumentiert.
5. Maschinelle Übersetzungskompetenz: Ein neues Bildungsparadigma
Das Konzept der „maschinellen Übersetzungskompetenz" wurde von Bowker und Buitrago Ciro (2019) entwickelt und von Bowker (2023) weiter ausgearbeitet. MÜ-Kompetenz umfasst mehrere Fähigkeiten: Verständnis der Funktionsweise von MÜ-Systemen, Verständnis ihrer praktischen Nutzung, Einschätzung der weiteren sozialen und ökonomischen Implikationen, Bewertung der MÜ-Freundlichkeit von Ausgangstexten, Erstellung oder Anpassung von Texten für bessere MÜ-Ergebnisse und Anpassung von MÜ-Ergebnissen hinsichtlich Qualität und Angemessenheit.
Dieses Rahmenwerk verschiebt den Bildungsfokus von Übersetzungskompetenz (der Fähigkeit zu übersetzen) zu Übersetzungsliteralität (der Fähigkeit, effektiv mit Übersetzungstechnologien zu arbeiten).
Eine Studie zu KI-Kompetenz von Übersetzungsstudienanfängern ergab, dass Studierende „häufig Begriffe wie ‚Big Data', ‚Deep Learning' und ‚neuronales Netzwerk' erwähnen, aber wenig Wissen darüber zeigen, was diese Wörter bedeuten oder wie sie mit KI-Übersetzungswerkzeugen zusammenhängen" (Zhang et al. 2025).
6. Nachbearbeitung im Curriculum
Die Integration von MTPE in Übersetzungscurricula ist nicht mehr optional, sondern unerlässlich. Studierende, die den Übersetzungsberuf ergreifen, werden fast sicher mit maschinell erstellten Erstentwürfen arbeiten, statt von leeren Seiten zu übersetzen. Curricula müssen daher Kompetenzen in folgenden Bereichen entwickeln:
Fehlererkennung und -klassifikation – Identifizierung der typischen Fehlerarten, die NMT- und GenAI-Systeme produzieren (Auslassungen, Hinzufügungen, Fehlübersetzungen, Registerfehler, kulturelle Unangemessenheit).
Effiziente Bearbeitungsstrategien – Unterscheidung zwischen „leichter Nachbearbeitung" (minimale Korrekturen für das Grobverständnis) und „vollständiger Nachbearbeitung" (gründliche Überarbeitung bis zur Veröffentlichungsqualität).
Quelltextbewertung – Beurteilung, ob ein Text für MÜ geeignet ist oder menschliche Übersetzung erfordert.
Qualitätsbewertung – Entwicklung von Rahmenwerken zur systematischen Bewertung von MÜ-Ergebnissen.
7. Europäische und chinesische Reaktionen im Vergleich
7.1 Der europäische Ansatz
Europäische Reaktionen auf die KI-Übersetzungsrevolution wurden durch mehrere Faktoren geprägt: die starke Tradition der EU-Mehrsprachigkeit (24 Amtssprachen), die relativ ausgereifte Professionalisierung der Übersetzung durch Organisationen wie das European Master's in Translation (EMT)-Netzwerk und den regulatorischen Rahmen der EU-KI-Verordnung.
Das EMT-Netzwerk, das die Übersetzerausbildung an mehr als 80 europäischen Universitäten koordiniert, hat eine systematische Überprüfung seines Kompetenzrahmens im Lichte der KI-Entwicklungen begonnen. Der Überprüfungsprozess 2024 identifizierte maschinelle Übersetzungskompetenz, Nachbearbeitungsfähigkeiten und KI-Ethik als Prioritätsbereiche für die Curriculumintegration.
In Deutschland hat die Konferenz der Universitätstranslationsinstitute debattiert, inwieweit traditionelle Übersetzungsprüfungen – bei denen Studierende typischerweise unbekannte Texte unter Zeitdruck ohne technologische Hilfsmittel übersetzen müssen – als Bewertungsinstrumente noch angemessen sind. Der sich abzeichnende Konsens favorisiert einen dualen Ansatz: Beibehaltung von Elementen der traditionellen Übersetzungskompetenzbewertung bei gleichzeitiger Hinzufügung neuer Bewertungsformen.
7.2 Der chinesische Ansatz
Chinas Reaktion war durch rasche institutionelle Adoption, staatliche Politiksteuerung und die Verfügbarkeit heimischer KI-Plattformen gekennzeichnet. Das chinesische Bildungsministerium schrieb KI-Bildung an allen Grund- und weiterführenden Schulen ab September 2025 vor. Auf Hochschulebene haben chinesische Institutionen KI-Werkzeuge schneller in Sprach- und Übersetzungscurricula integriert als viele europäische Pendants, teilweise getrieben durch Marktwettbewerb und teilweise durch staatliche Förderung der KI-Adoption.
Das heimische KI-Ökosystem – Baidu Translate, Youdao mit seinem Ziyue-Bildungsmodell, Tencent Translate, iFlytek – bietet chinesischen Studierenden und Lehrenden KI-Werkzeuge, die speziell für chinesische Sprachpaare optimiert und in breitere Bildungsplattformen integriert sind.
7.3 Konvergente Herausforderungen
Trotz dieser Unterschiede stehen europäische und chinesische Institutionen vor konvergenten Herausforderungen: Curriculumverzögerung, mangelnde Vorbereitung der Lehrenden, Bewertungsgestaltung und die Balance zwischen technischer und humanistischer Bildung.
8. Jenseits der maschinellen Übersetzung: Was irreduzibel menschlich bleibt
8.1 Literarische und kulturelle Übersetzung
Der Bereich, in dem menschliche Übersetzer am offensichtlichsten unersetzlich bleiben, ist die literarische und kulturelle Übersetzung. Literarische Übersetzung umfasst nicht bloß die Konvertierung von Bedeutung von einer Sprache in eine andere, sondern die Neuschöpfung von Stimme, Rhythmus, Mehrdeutigkeit, Humor, Ironie und ästhetischer Wirkung in einem anderen sprachlichen und kulturellen Kontext. Eine Maschine kann die Wörter eines Gedichts übersetzen; sie kann nicht das Gedicht übersetzen.
8.2 Ethisches Urteil in der Übersetzung
Die ethische Dimension – die Fähigkeit zu erkennen, wann eine Übersetzungsentscheidung Schaden verursachen kann, wann kulturelle Sensibilität ein Abweichen von wörtlicher Genauigkeit erfordert, wann politischer Kontext eine sorgfältige Formulierung verlangt – bleibt jenseits der aktuellen Fähigkeiten von KI-Systemen.
8.3 Der Fall der chinesischen Literatur in Übersetzung
Eine konkrete Illustration der Grenzen der KI-Übersetzung lässt sich aus der eigenen Erfahrung des Autors mit der Übersetzung chinesischer literarischer Texte – einschließlich Werke von Lu Xun und klassischer chinesischer Romane – ins Deutsche und Englische ziehen. Man betrachte die Eröffnungszeile von Lu Xuns 狂人日记 (Tagebuch eines Verrückten, 1918): „今天晚上，很好的月光." Eine maschinelle Übersetzung produziert etwas wie „Heute Abend, sehr gutes Mondlicht" – grammatisch angemessen, aber ästhetisch tot. Die Herausforderung für den menschlichen Übersetzer besteht darin, nicht nur den semantischen Gehalt, sondern den bewusst flachen, beunruhigenden Ton zu vermitteln, der den Geisteszustand des Erzählers etabliert.
9. Schlussfolgerung
Das „Ende der Übersetzung" ist eine irreführende Formulierung, wenn sie wörtlich verstanden wird. Was endet, ist Übersetzen als routinemäßige professionelle Dienstleistung, die vorwiegend von Menschen erbracht wird. Was entsteht, ist eine neue Ökologie der Mensch-Maschine-Zusammenarbeit, die neue Kompetenzen, neue Berufsrollen, neue Curricula und neue Formen ethischer Reflexion erfordert.
Für die Bildung erfordert diese Transformation nichts Geringeres als eine Neukonzeptualisierung dessen, was es bedeutet, Übersetzen zu lehren und zu lernen. Maschinelle Übersetzungskompetenz – technisches Verständnis, kritische Bewertung, effektive Nachbearbeitung und ethisches Urteil umfassend – muss zentral in Sprach- und Übersetzungscurricula werden. Zugleich müssen die humanistischen Kompetenzen, die Maschinen nicht replizieren können – kulturelle Sensibilität, literarische Sensibilität, ethisches Denken, kreative Interpretation – bewahrt und gestärkt statt als obsolet aufgegeben werden.
Der Vergleich europäischer und chinesischer Reaktionen offenbart eine produktive Spannung zwischen dem vorsichtigen, regulierungsinformierten Ansatz der EU und Chinas schneller, staatlich unterstützter Adoption von KI-Werkzeugen. Keiner der beiden Ansätze ist allein ausreichend. Eine Synthese beider Ansätze – ethische Strenge mit praktischer Agilität verbindend – bietet den vielversprechendsten Weg nach vorn.
Danksagung
Diese Forschung wurde durch das Jean-Monnet-Exzellenzzentrum „EUSC-DEC" unterstützt, gefördert von der Europäischen Union unter Fördervertrag Nr. 101126782.
Literaturverzeichnis
Bowker, L. (2023). De-mystifying Translation. Routledge.
Chen, S., & Lin, Y. (2025). A multidimensional comparison of ChatGPT, Google Translate, and DeepL. Frontiers in Artificial Intelligence, 8, 1619489.
CIOL. (2024). Freelance translators and interpreters: Work volumes survey.
CNN. (2026, January 23). Translation and language jobs face automation.
Frey, C. B., & Llanos-Paredes, D. (2025). Lost in translation: AI's impact on translators. CEPR/VoxEU.
Ohashi, L. (2024). AI in language education. In Artificial Intelligence in Education (pp. 225–242). Springer.
Sun, R. (2024). Evaluating ChatGPT and DeepL through the lens of implied subjects. Arab World English Journal, 8(4).
Vaswani, A., et al. (2017). Attention is all you need. NeurIPS, 30.
Zhang, J., & Doherty, S. (2025). Investigating novice translation students' AI literacy. The Interpreter and Translator Trainer.