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?
Dieser Artikel adressiert diese Fragen, indem er den aktuellen Stand der KI-Übersetzungstechnologie, ihre Arbeitsmarktauswirkungen, das aufkommende Konzept der „maschinellen Übersetzungskompetenz", die Rolle der Nachbearbeitung in der Bildung und die divergierenden Reaktionen europäischer und chinesischer Institutionen untersucht. Er trägt zum breiteren Anthologie-Projekt bei, indem er die technologische Dimension der KI in der Bildung mit dem ethischen Rahmenwerk verbindet, das im Begleitkapitel zur Angemessenheitstheorie (Woesler, dieser Band) entwickelt wird, und mit den empirischen Befunden zum KI-gestützten Sprachlernen (Woesler, dieser Band).
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 – das ungefähre Verständnis eines fremdsprachigen Texts – 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. Wie Ohashi (2024) in ihrem systematischen Vergleich zeigt, sind NMT-Systeme wie Google Translate und DeepL 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.
Diese Unterscheidung hat praktische Konsequenzen. 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. Sun, R. (2024), der die chinesisch-englische literarische Übersetzung durch die Linse impliziter Subjekte evaluierte, stellte fest, dass ChatGPT die impliziten Subjektstrukturen zeitgenössischer chinesischer Prosa (insbesondere die Essays von Yu Qiuyu) mit größerer Raffinesse handhabte als DeepL, was darauf hindeutet, dass das breitere kontextuelle Verständnis generativer KI den Mangel an spezialisiertem Übersetzungstraining in literarischen Bereichen kompensiert.
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, unter Verwendung von NMT-Technologie mit kontextbewusster Verarbeitung auf Satzebene. 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 umfangreichen Wörterbuch- und Lernwerkzeugfunktionen über etwa 107 Sprachen hinweg integriert. Tencent Translate und die Systeme von iFlytek kombinieren auf ähnliche Weise Übersetzung mit breiteren Bildungs- und Geschäftsanwendungen.
Eine vergleichende Qualitätsbewertung von Youdao AI Translate, Baidu Translate und Tencent Translate für chinesische musikhistorische Texte unter Verwendung einer Likert-Skalen-Bewertung fand erhebliche Variation in der fachspezifischen Genauigkeit, wobei keines der Systeme konsistente Expertenqualität bei spezialisierten kulturellen Inhalten erreichte (Zhang et al. 2025). Dieser Befund unterstreicht ein wiederkehrendes Thema: KI-Übersetzung glänzt bei allgemeiner Kommunikation, hat aber Schwierigkeiten mit fachspezifischen, kulturell eingebetteten und stilistisch anspruchsvollen Texten.
3.3 Stärken und anhaltende Schwächen
Aktuelle KI-Übersetzungssysteme bewältigen routinemäßige Informationstexte – Nachrichtenartikel, Geschäftskorrespondenz, technische Dokumentation, Benutzeroberflächen – auf Niveaus, die an durchschnittliche menschliche Übersetzer heranreichen oder ihnen entsprechen. Die Qualitätslücke verringert sich weiter, wenn Nachbearbeitung einbezogen wird. Allerdings bestehen systematische Schwächen in mehreren Bereichen fort:
Literarische Übersetzung, wo Stimme, Rhythmus, Mehrdeutigkeit und kulturelle Resonanz konstitutiv und nicht beiläufig sind. Maschinelle Übersetzung von Lyrik beispielsweise bleibt weitgehend unzureichend, wie laufende Debatten in der Verlagsbranche darüber dokumentieren, ob KI-Modelle „fortgeschritten genug sind, um Literatur zu übersetzen" (The Markup 2025).
Humor, Ironie und Sarkasmus, die von geteiltem kulturellem Wissen, kontextueller Inferenz und absichtlicher Verletzung sprachlicher Erwartungen abhängen. Maschinen können einige Muster von Ironie durch Trainingsdaten erkennen, aber sie können nicht verstehen, warum etwas lustig ist oder wie Ironie rhetorisch funktioniert.
Kulturell eingebettete Ausdrücke, denen direkte Entsprechungen fehlen – nicht bloß Redewendungen (die NMT-Systeme durch Mustererkennung zunehmend bewältigen), 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. Die Wiedergabe politisch aufgeladener Begriffe – „Entwicklungsland", „Menschenrechte", „Demokratie" – erfordert Urteile, die KI-Systeme auf der Grundlage statistischer Muster in Trainingsdaten treffen, nicht aufgrund ethischer Überlegung.
3.4 Anmerkung zur Evaluationsmethodik
Die Bewertung der KI-Übersetzungsqualität bleibt umstritten. Traditionelle Metriken wie BLEU (Bilingual Evaluation Understudy) und neuere neuronale Metriken wie COMET und BERTScore erfassen unterschiedliche Aspekte der Übersetzungsqualität und liefern manchmal widersprüchliche Ergebnisse. Die menschliche Bewertung, obwohl als Goldstandard angesehen, ist teuer, zeitaufwendig und unterliegt der Befangenheit der Bewerter. Die zunehmende Praxis, KI-Systeme zur Bewertung der Übersetzungen anderer KI-Systeme einzusetzen, wirft Fragen der Zirkularität auf.
Für Bildungskontexte ist das relevanteste Bewertungskriterium nicht abstrakte Qualität, sondern Zwecktauglichkeit. Eine maschinelle Übersetzung, die einem Studierenden hilft, einen fremdsprachigen Text zu verstehen, hat andere Qualitätsanforderungen als eine, die für Veröffentlichung, Gerichtsverfahren oder diplomatische Kommunikation verwendet wird. Diese pragmatische Perspektive – die mit der Skopostheorie-Tradition in der Translationswissenschaft und mit dem in diesem Band vorgeschlagenen Angemessenheitsrahmenwerk resoniert – legt nahe, dass die Frage „Ist maschinelle Übersetzung gut genug?" nur in Bezug auf einen bestimmten Zweck, Kontext und eine Reihe von Konsequenzen beantwortet werden kann.
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), die die Variation der Google-Translate-Nutzung über US-amerikanische lokale Arbeitsmärkte hinweg untersuchten, 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. Übersetzungsagenturen sind „zunehmend zu einem Geschäftsmodell übergegangen, das auf MTPE basiert, Honorare senkt und oft die Qualität des Endprodukts gefährdet" (The Markup 2025).
Diese Zahlen müssen mit Vorsicht interpretiert werden. Die Übersetzungsbranche umfasst ein breites Spektrum an Tätigkeiten – von der beglaubigten juristischen Übersetzung über Website-Lokalisierung bis zur literarischen Übersetzung und zum Konferenzdolmetschen – und die Auswirkungen der KI variieren dramatisch über diese Teilsektoren hinweg. Das Bureau of Labor Statistics prognostiziert bis 2032 eine anhaltende Nachfrage nach Dolmetschern und Übersetzern in den Vereinigten Staaten, getrieben durch Globalisierung und Immigration, selbst wenn sich die Art der Arbeit verändert. Was zurückgeht, ist nicht die Nachfrage nach sprachübergreifender Kommunikation, sondern die Nachfrage nach dem traditionellen Modell der rein menschlichen Übersetzung von Routinetexten.
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.
Forschungen zum Potenzial von ChatGPT-4o für die Unterstützung der Nachbearbeitung ergaben, dass es „menschliche Expertise bei der Nachbearbeitung ergänzen kann", aber „keine vollständig akkuraten Übersetzungen ohne menschliche Intervention liefern kann" und dass eine vollständige Integration „Kosten, Zeit und Aufwand erheblich reduzieren" würde (Chen 2025). Jiang, Wei und Al-Shaibani (2025), die die NMT-Nachbearbeitung chinesischer Texte zum immateriellen Kulturerbe ins Englische untersuchten, dokumentierten, wie MTPE-Workflows mit spezialisierten kulturellen Inhalten umgehen können, und zeigten gleichzeitig, dass menschliche Expertise für kulturell sensibles Material unerlässlich bleibt.
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 (The Markup 2025). Einige argumentieren, dass Nachbearbeitung den menschlichen Geist dazu trainiert, wie eine Maschine zu denken, anstatt die kulturelle und literarische Sensibilität zu entwickeln, die sachkundige menschliche Übersetzung auszeichnet.
4.3 Differenzierte Auswirkungen
Die Arbeitsmarktauswirkungen sind nicht einheitlich über die Übersetzungsbereiche hinweg. Routinemäßige Geschäfts-, technische und Verwaltungsübersetzung wurde am stärksten betroffen, wobei KI-Systeme diese Aufgaben in akzeptabler Qualität mit minimalem menschlichen Eingriff bewältigen. Literarische, juristische und diplomatische Übersetzung – Bereiche, in denen Präzision, Nuancen und kulturelle Sensibilität von höchster Bedeutung sind – wurden weniger betroffen, obwohl KI-Werkzeuge auch in diesen Feldern zunehmend als Erstentwurf-Generatoren eingesetzt werden.
Die geografische Verteilung der Auswirkungen variiert ebenfalls. In Europa, wo der Übersetzungsberuf relativ gut organisiert und reguliert ist, wurde der Übergang von professioneller Debatte und einigen institutionellen Reaktionen begleitet. In China, wo der Übersetzungsmarkt größer, aber fragmentierter ist, war der Wandel schneller und weniger durch Berufsorganisationen vermittelt. Chinesische Übersetzungsunternehmen haben KI-Werkzeuge aggressiv eingeführt, getrieben durch Marktwettbewerb und die Verfügbarkeit heimischer KI-Plattformen, die für chinesische Sprachpaare optimiert sind.
5. Maschinelle Übersetzungskompetenz: Ein neues Bildungsparadigma
5.1 Definition der MÜ-Kompetenz
Das Konzept der „maschinellen Übersetzungskompetenz" wurde von Bowker und Buitrago Ciro (2019) entwickelt und von Bowker (2023) in De-mystifying Translation: Introducing Translation to Non-translators weiter ausgearbeitet. MÜ-Kompetenz umfasst mehrere Fähigkeiten: Verständnis der Funktionsweise von MÜ-Systemen (architektonisch, nicht nur funktional), Verständnis ihrer praktischen Nutzung, Einschätzung der weiteren sozialen und ökonomischen Implikationen der MÜ, 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). Diese Verschiebung ist analog zur breiteren Bildungstransformation von der Informationsproduktion zur Informationsbewertung, die das digitale Zeitalter kennzeichnet.
5.2 Vorbereitung der Studierenden: Aktuelle Lücken
Eine Studie zur KI-Kompetenz von Übersetzungsstudienanfängern in der Übersetzerausbildung 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). Diese Kluft zwischen oberflächlicher Vertrautheit und echtem Verständnis kennzeichnet den aktuellen Stand der Übersetzerausbildung an vielen Institutionen.
Eine Umfrage zur Wahrnehmung von Studierenden hinsichtlich der Nutzung generativer KI in Übersetzungspraktiken ergab, dass GenAI-Werkzeuge Vorteile bei der „Steigerung der Übersetzungseffizienz, -qualität, des Lernens und der Praxis" bieten und eine positive Einstellung fördern – dass diese positive Einstellung jedoch eher unkritische Akzeptanz als informierte Bewertung widerspiegeln könnte (Zhang et al. 2025). Die Herausforderung für Lehrende besteht darin, kritische Auseinandersetzung mit KI-Werkzeugen zu fördern, ohne diese zu dämonisieren oder unkritisch zu feiern.
Forschungen zur maschinellen Übersetzung im Englischunterricht ergaben, dass Google Translate das beliebteste MÜ-Werkzeug unter Studierenden ist, gefolgt von DeepL und ChatGPT, das hauptsächlich für Leseverständnis, Grammatikprüfung und Schreibunterstützung genutzt wird (ELT Journal 2024). Ein bedeutsamer Befund war, dass „Lehrende die MÜ tendenziell als ‚Feind' betrachten, während Studierende sie als ‚Freund' sehen" – eine Generationenkluft, die pädagogische Reaktionen erschwert.
5.3 Auf dem Weg zu einer neuen beruflichen Rolle
Die Entstehung der MÜ-Kompetenz als Bildungsparadigma hat zu Vorschlägen für neue berufliche Rollen geführt. Ehrensberger-Dow, Delorme Benites und Lehr (2023) schlugen die Rolle des „MÜ-Kompetenzberaters" vor – eines Fachmanns, der die Lücke zwischen MÜ-Technologie und pädagogischen oder organisatorischen Bedürfnissen überbrückt (Ehrensberger-Dow 2023). Diese Rolle umfasst nicht nur technische Kompetenz, sondern auch die Fähigkeit, institutionelle Bedarfe zu bewerten, MÜ-Integrationsstrategien zu entwerfen und Endnutzer in der effektiven MÜ-Nutzung zu schulen.
Ein umfassendes Protokoll zur Integration der Mensch-KI-Zusammenarbeit in die Übersetzerausbildung wurde in Ren et al. (2025) vorgeschlagen, das Bewertungs-, Diagnose- und Strategieentwicklungsansätze skizziert, die die Mensch-KI-Zusammenarbeit als zentrales pädagogisches Rahmenwerk positionieren und nicht als Ergänzung zur traditionellen Übersetzerausbildung.
6. Nachbearbeitung im Curriculum
6.1 MTPE als Kernkompetenz
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) und Wissen, wann jede angemessen ist.
Quelltextbewertung – Beurteilung, ob ein Text für MÜ geeignet ist oder menschliche Übersetzung erfordert, basierend auf Faktoren wie Fachspezifität, kultureller Einbettung, Registeranforderungen und den Konsequenzen von Fehlern.
Qualitätsbewertung – Entwicklung von Rahmenwerken zur systematischen Bewertung von MÜ-Ergebnissen, über impressionistische Urteile hinaus zu strukturierten Bewertungskriterien.
6.2 Eine Taxonomie maschineller Übersetzungsfehler
Effektive Nachbearbeitung erfordert ein systematisches Verständnis der Fehlertypen, die KI-Übersetzungssysteme typischerweise produzieren. Basierend auf der Forschungsliteratur und der eigenen Erfahrung des Autors mit chinesisch-englischer und chinesisch-deutscher maschineller Übersetzung lassen sich folgende wiederkehrende Fehlerkategorien identifizieren:
Auslassungsfehler: NMT-Systeme überspringen manchmal Teile des Ausgangstextes, insbesondere Nebensätze, eingeschobene Bemerkungen oder kulturspezifische Erklärungen. Dies ist besonders problematisch bei der Übersetzung aus dem Chinesischen ins Englische, wo das Fehlen expliziter grammatischer Marker (keine Artikel, keine obligatorische Pluralmarkierung, keine flektierten Verbformen) bedeutet, dass die Maschine strukturelle Beziehungen erschließen muss, was zu Vereinfachungen führen kann.
Hinzufügungsfehler: Umgekehrt fügen GenAI-Systeme – insbesondere ChatGPT – gelegentlich Informationen ein, die im Ausgangstext nicht vorhanden sind, und greifen dabei auf ihre Trainingsdaten zurück, um das zu „vervollständigen", was sie als unvollständige Information wahrnehmen. Dieses „Halluzinations"-Problem, das in anderen GenAI-Anwendungen gut dokumentiert ist, manifestiert sich in der Übersetzung als Einfügung erklärender Phrasen, impliziten kulturellen Wissens oder erschlossener logischer Verbindungen.
Registerfehler: Maschinelle Übersetzungssysteme haben Schwierigkeiten mit dem Register – dem Grad an Formalität, Fachlichkeit oder Intimität, der für eine bestimmte Textsorte angemessen ist. Ein formelles diplomatisches Kommuniqué, das auf dem Registerniveau einer Alltagsunterhaltung übersetzt wird, oder eine Kindergeschichte in akademischer Prosa, kann semantisch genau, aber pragmatisch unangemessen sein.
Kulturelle Substitutionsfehler: Wenn KI-Systeme mit kulturspezifischen Referenzen konfrontiert werden, substituieren sie manchmal zielkulturelle Äquivalente, anstatt die quellkulturelle Spezifität zu bewahren. Dies ist eine Manifestation der Domestizierungstendenz, die Venuti (1995) bei menschlicher Übersetzung kritisierte, nun automatisiert und daher verbreiteter.
Kohärenzfehler: Während einzelne Sätze korrekt übersetzt sein können, kann die Kohärenz längerer Texte – der logische Argumentationsfluss, die Aufrechterhaltung thematischer Stränge, die Konsistenz der Terminologie – durch eine Verarbeitung auf Satzebene beeinträchtigt werden, die die Diskursstruktur aus dem Blick verliert.
Das Verständnis dieser Fehlertypen ist für eine effektive Nachbearbeitung unerlässlich und sollte eine Kernkomponente von MTPE-Curricula bilden.
6.3 Herausforderungen in der MTPE-Ausbildung
MTPE effektiv zu lehren stellt mehrere pädagogische Herausforderungen. Studierende müssen zunächst ausreichende Übersetzungskompetenz entwickeln, um maschinelle Fehler zu erkennen – man kann eine Übersetzung, die man nicht selbst hätte erstellen oder zumindest unabhängig bewerten können, nicht effektiv nachbearbeiten. Dies schafft ein Paradoxon: Genau jene Kompetenzen, die MTPE überflüssig zu machen scheint (tiefes Sprachwissen, kulturelles Verständnis, stilistische Sensibilität), sind genau diejenigen, die benötigt werden, um MTPE gut auszuführen.
Darüber hinaus riskiert die MTPE-Ausbildung, die Übersetzerausbildung auf eine technische Übung in Fehlerkorrektur zu reduzieren und die kreativen, kulturellen und ethischen Dimensionen zu vernachlässigen, die Übersetzung von anderen Formen der Textverarbeitung unterscheiden. Lehrende müssen Wege finden, sowohl technische MTPE-Fähigkeiten als auch die breiteren humanistischen Kompetenzen zu entwickeln, die diesen Fähigkeiten Bedeutung und Richtung verleihen.
Ein vielversprechender pädagogischer Ansatz umfasst strukturierte Vergleichsübungen, bei denen Studierende denselben Ausgangstext evaluieren, der von mehreren Systemen (NMT, GenAI und menschlicher Übersetzer) übersetzt wurde, und die charakteristischen Stärken und Schwächen jedes Systems analysieren. Solche Übungen entwickeln kritische Bewertungsfähigkeiten, bauen Bewusstsein für Fehlertypen auf und kultivieren die metalinguistische Bewusstheit, die einen informierten Nachbearbeiter von einem passiven Korrektor maschineller Ergebnisse unterscheidet.
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 hat begonnen, seinen Kompetenzrahmen zu überarbeiten, um KI-bezogene Fähigkeiten einzubeziehen, obwohl das Tempo des institutionellen Wandels hinter der technologischen Entwicklung zurückbleibt. Mehrere europäische Universitäten haben eigene MTPE-Kurse oder -Module innerhalb bestehender Übersetzungsstudiengänge eingeführt. Die EU-KI-Verordnung, die bestimmte KI-Anwendungen in der Bildung als hochriskant einstuft (siehe das Begleitkapitel zu KI-Ethik in der Bildung, Woesler, dieser Band), bietet einen regulatorischen Kontext, der eine sorgfältige, ethisch informierte Integration von KI-Werkzeugen statt einer unkritischen Übernahme fördert.
Eine bemerkenswerte europäische Entwicklung ist die wachsende Betonung der „KI-Kompetenz" als allgemeine Bildungsanforderung. Die EU-KI-Verordnung schreibt KI-Kompetenzschulung für die Nutzer von KI-Systemen vor, wobei diese Pflicht im Februar 2025 in Kraft getreten ist. Obwohl dieses Mandat sich an Organisationen und nicht direkt an Studierende richtet, schafft es institutionelle Anreize für Universitäten, KI-Kompetenzcurricula zu entwickeln, die übersetzungsbezogene Fähigkeiten einschließen.
Das European Master's in Translation (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. Allerdings variiert das Umsetzungstempo dramatisch zwischen den Mitgliedsinstitutionen – einige haben ihre Programme bereits um Mensch-KI-Zusammenarbeit herum umstrukturiert, während andere weiterhin Übersetzungsfähigkeiten unterrichten, als hätte sich die technologische Landschaft nicht grundlegend verändert.
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, die Nachbearbeitungsfähigkeit, Bewertung von MÜ-Ergebnissen und kritische Reflexion über KI-Werkzeuge prüfen.
Frankreich hat einen etwas anderen Ansatz gewählt: Die Société française des traducteurs (SFT) hat Leitlinien für die Integration von KI-Werkzeugen in die professionelle Praxis veröffentlicht, die die Curricula der Universitäten beeinflusst haben. Diese Leitlinien betonen die sich wandelnde Rolle des Übersetzers als „Sprachtechnologie-Experte", der Klienten über den angemessenen Einsatz maschineller und menschlicher Übersetzung für verschiedene Zwecke beraten kann.
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 – Grundschulen konzentrieren sich auf KI-Kompetenz und Exposition, Mittelschulen auf Logik und kritisches Denken, und Oberschulen auf angewandte Innovation und Algorithmendesign. 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. Dies kontrastiert mit der europäischen Abhängigkeit von vorwiegend westlichen kommerziellen Werkzeugen (DeepL, Google Translate, ChatGPT), die für europäische Sprachkombinationen optimiert sind und chinesisch-europäische Sprachpaare möglicherweise nicht so effektiv bedienen.
Allerdings steht Chinas Ansatz auch vor eigenen Herausforderungen. Die Einschränkung des Zugangs zu globalen KI-Werkzeugen wie ChatGPT, Claude und Google Gemini bedeutet, dass chinesische Studierende und Forscher vorwiegend mit heimischen Alternativen arbeiten, was ihre Exposition gegenüber dem vollen Spektrum der KI-Übersetzungsfähigkeiten und -ansätze einschränken kann. Die Betonung der schnellen Adoption kann auch auf Kosten der kritischen Bewertung und ethischen Reflexion gehen, die europäische Institutionen, beeinflusst durch den Rahmen der KI-Verordnung, zu priorisieren beginnen.
Eine weitere Dimension der chinesischen Reaktion ist die Integration der KI-Übersetzung in breitere nationale Strategien. Sowohl der „Entwicklungsplan für Künstliche Intelligenz der neuen Generation" des Staatsrats (2017) als auch „Bildungsmodernisierung 2035" rahmen KI-Fähigkeiten – einschließlich Übersetzung – als strategische nationale Kompetenzen. Dies bedeutet, dass die Einführung von KI-Übersetzungswerkzeugen in der chinesischen Bildung nicht lediglich eine pädagogische Entscheidung ist, sondern ein Beitrag zur nationalen technologischen Entwicklung. Chinesische Universitäten sehen sich folglich anderen Anreizstrukturen gegenüber als ihre europäischen Pendants: Während europäische Institutionen aufgrund von Bedenken hinsichtlich akademischer Integrität und menschlichem Kompetenzabbau bei der KI-Adoption vorsichtig sein können, stehen chinesische Institutionen unter institutionellem Druck, KI-Integration als Beleg für Modernisierung und Übereinstimmung mit der nationalen Politik zu demonstrieren.
Die Integration der KI-Übersetzung in Chinas Hochschulenglisch-Bildungssystem illustriert diese Dynamik. Die College English Curriculum Requirements (Revision 2024) schließen explizit „die Fähigkeit, KI-Werkzeuge für interkulturelle Kommunikation zu nutzen" als Graduiertenkompetenz ein. Mehrere große chinesische Universitäten – darunter die Peking-Universität, die Fudan-Universität und die Hunan-Normaluniversität – haben Module zur KI-gestützten Übersetzung und Kommunikation in ihre Fremdsprachenprogramme eingeführt, die oft von Lehrenden unterrichtet werden, die selbst lernen, sich in der neuen technologischen Landschaft zurechtzufinden.
7.3 Konvergente Herausforderungen
Trotz dieser Unterschiede stehen europäische und chinesische Institutionen vor konvergenten Herausforderungen:
Curriculumverzögerung – beide Systeme kämpfen damit, Curricula im Tempo des technologischen Wandels zu aktualisieren, wobei Akkreditierungsverfahren und institutionelle Trägheit die Anpassung verlangsamen.
Mangelnde Vorbereitung der Lehrenden – in beiden Kontexten fehlt vielen Übersetzungsdozenten persönliche Erfahrung mit KI-Werkzeugen, und sie sind unsicher, wie sie diese effektiv in ihre Lehre integrieren sollen.
Bewertungsgestaltung – traditionelle Übersetzungsprüfungen, die die Fähigkeit testen, Texte von Grund auf zu übersetzen, werden problematisch, wenn Studierende Zugang zu KI-Werkzeugen haben, was neue Bewertungsansätze erfordert, die MÜ-Kompetenz, kritische Bewertung und Nachbearbeitungskompetenz prüfen statt reine Übersetzungsfähigkeit.
Balance zwischen technischer und humanistischer Bildung – beide Systeme müssen die Spannung navigieren zwischen der Ausbildung der Studierenden für die unmittelbaren Anforderungen des MTPE-dominierten Marktes und der Entwicklung der breiteren kulturellen, ethischen und kreativen Kompetenzen, die menschliche Übersetzer von Maschinen unterscheiden.
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.
Dies ist nicht bloß eine Behauptung humanistischen Glaubens gegen den technologischen Fortschritt. Es spiegelt den fundamentalen Unterschied zwischen Mustererkennung (worin KI glänzt) und Bedeutungsproduktion (die verkörperte kulturelle Erfahrung, emotionales Verständnis und ästhetisches Urteil erfordert) wider. Wenn Emily Wilson Homers Odyssee übersetzt oder Pevear und Volokhonsky Dostojewski neu übersetzen, bringen sie nicht nur sprachliche Expertise, sondern persönliche interpretative Vision ein – eine Qualität, die große Übersetzung von kompetenter Wiedergabe unterscheidet.
8.2 Ethisches Urteil in der Übersetzung
Das Begleitkapitel zur Angemessenheitstheorie (Woesler, dieser Band) argumentiert, dass Übersetzung nicht rein nach sprachlichen Kriterien bewertet werden kann, sondern innerhalb eines ethischen Rahmenwerks beurteilt werden muss, das die Produktionsbedingungen, den historischen Kontext und die potenziellen Konsequenzen von Übersetzungsentscheidungen berücksichtigt. Diese 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.
KI-Übersetzungssysteme treffen Entscheidungen auf der Grundlage statistischer Muster in Trainingsdaten. Sie können kein ethisches Urteil in dem Sinne ausüben, dass sie konkurrierende Werte abwägen und Verantwortung für die Konsequenzen dieser Entscheidungen übernehmen. Der Nachbearbeiter, der maschinelle Ergebnisse überprüft und entscheidet, dass eine bestimmte Wiedergabe zwar sprachlich korrekt, aber kulturell unangemessen oder politisch sensibel ist, übt eine Form menschlicher Handlungsfähigkeit aus, die kein aktuelles KI-System replizieren kann.
8.3 Die erweiterte „Komplementaritätsthese"
Die empirische Studie in diesem Band (Woesler, dieser Band) ergab, dass KI und menschlicher Unterricht „verschiedene, komplementäre Funktionen" beim Sprachlernen erfüllen – was wir als Komplementaritätsthese bezeichneten. Diese These erstreckt sich natürlich auf die Übersetzung: KI und menschliche Übersetzer erfüllen verschiedene, komplementäre Funktionen. KI glänzt bei Geschwindigkeit, Konsistenz, Abdeckung und der Bewältigung routinemäßiger Informationstexte. Menschliche Übersetzer glänzen bei kultureller Interpretation, literarischer Kreativität, ethischem Urteil und der Bewältigung von Texten, bei denen Präzision und Nuancen hohe Einsätze mit sich bringen.
Die Zukunft der Übersetzung liegt weder im Ersatz des Menschen durch Maschinen noch in der Bewahrung der traditionellen rein menschlichen Übersetzungspraxis. Es ist eine kollaborative Ökologie, in der die Arbeitsteilung zwischen Mensch und Maschine fortlaufend neu verhandelt wird, während die KI-Fähigkeiten sich weiterentwickeln und unser Verständnis dessen, was „gute Übersetzung" ausmacht, sich vertieft.
8.4 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: die Gegenüberstellung von gewöhnlicher Beobachtung („sehr gutes Mondlicht") mit dem außerordentlichen Kontext aufkeimenden Wahnsinns.
In ähnlicher Weise bleibt die Übersetzung klassischer chinesischer Lyrik – wo ein einzelnes Schriftzeichen mehrere simultane Bedeutungen tragen kann, wo tonale Muster musikalische Strukturen erzeugen und wo kulturelle Anspielungen auf mehreren Ebenen operieren – grundlegend jenseits der aktuellen KI-Fähigkeiten. Tang-Dynastie-Lyrik mit ihren strengen formalen Anforderungen (律诗 lüshi: regulierte Verse mit tonalen Mustern, Parallelismus und komprimierter Bildlichkeit) widersteht nicht nur der maschinellen Übersetzung, sondern jeder Übersetzung, die nicht eine tiefe Auseinandersetzung mit der chinesischen Literaturtradition, buddhistischen und daoistischen philosophischen Rahmenwerken und den spezifischen historischen Kontexten einzelner Dichter beinhaltet.
Diese Beispiele sind nicht bloße Kuriositäten, sondern Illustrationen eines allgemeinen Prinzips: Je stärker ein Text von kultureller Einbettung, ästhetischer Wirkung und vielschichtiger Bedeutung abhängt, desto unzureichender wird die KI-Übersetzung. Dieses Prinzip hat direkte Implikationen für die Bildung und legt nahe, dass das Studium der literarischen Übersetzung – weit davon entfernt, eine obsolete Spezialisierung zu sein – zur am deutlichsten menschlichen und daher wertvollsten Komponente der Übersetzerausbildung werden könnte.
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. Die Betonung ethischer Rahmenwerke und kritischer Bewertung in der EU bietet notwendige Leitplanken für eine verantwortungsvolle KI-Integration. Chinas Geschwindigkeit und Umfang der Adoption generieren praktische Erfahrung und institutionelle Anpassung, von der die EU lernen kann. Eine Synthese beider Ansätze – ethische Strenge mit praktischer Agilität verbindend – bietet den vielversprechendsten Weg nach vorn.
Aus dieser Analyse ergeben sich mehrere praktische Empfehlungen. Erstens sollten Übersetzungs- und Sprachprogramme maschinelle Übersetzungskompetenz als Kernkompetenz ab dem ersten Semester einführen und sicherstellen, dass Studierende kritische Bewertungsfähigkeiten neben traditionellen Sprachkompetenzen entwickeln. Zweitens sollte MTPE nicht lediglich als technische Fertigkeit unterrichtet werden, sondern innerhalb eines Rahmenwerks, das Fehlertaxonomie, Qualitätsbewertungsmethodik und ethische Reflexion über die Konsequenzen von Übersetzungsentscheidungen einschließt. Drittens sollte literarische und kulturelle Übersetzung bewahrt und gestärkt werden als der Bereich, in dem menschliche Expertise am offensichtlichsten unersetzlich bleibt – und in einer KI-gesättigten Landschaft am deutlichsten wertvoll ist. Viertens sollte die EU-China-Zusammenarbeit in der Übersetzerausbildung intensiviert werden, um die komplementären Stärken der europäischen Betonung von Regulierung und ethischen Rahmenwerken mit der chinesischen Betonung praktischer KI-Integration und Skalierung zu nutzen.
Für das breitere Feld der Bildungsdigitalisierung bietet die Fallstudie „Ende der Übersetzung" eine warnende Geschichte und einen ermutigenden Präzedenzfall. Warnend, weil die Geschwindigkeit und das Ausmaß der KI-Disruption die institutionelle Anpassung überholen können und Studierende unzureichend auf eine transformierte Berufslandschaft vorbereitet zurücklassen. Ermutigend, weil die Transformation den Bedarf an menschlicher Expertise nicht eliminiert, sondern umlenkt – von routinemäßiger Ausführung zu kritischer Bewertung, kreativer Interpretation und ethischem Urteil. Dies sind genau die Kompetenzen, die die Hochschulbildung am besten entwickeln kann.
Wie diese Anthologie durch ihre Begleitkapitel zu KI-gestütztem Sprachlernen, alternativen Lernformen, KI-Ethik und der Universität der Zukunft zeigt, ist die durch KI in der Bildung bewirkte Transformation kein einzelnes Phänomen, sondern eine Konstellation miteinander verbundener Veränderungen, die ganzheitlich adressiert werden müssen. Das Ende der Übersetzung, wie wir sie kannten, ist gleichzeitig der Beginn von etwas Neuem – einer Form interkultureller Kommunikation, in der menschliche und künstliche Intelligenz zusammenarbeiten, um die Gräben zwischen Sprachen, Kulturen und Weltanschauungen zu überbrücken.
Danksagung
Diese Forschung wurde durch das Jean-Monnet-Exzellenzzentrum „EU-Studies Centre: Digitalization in Europe and China" (EUSC-DEC) unterstützt, gefördert von der Europäischen Union unter Fördervertrag Nr. 101126782. Die geäußerten Ansichten und Meinungen sind ausschließlich die des Autors und spiegeln nicht notwendigerweise die der Europäischen Union wider.
Literaturverzeichnis
Algaraady, J., & Mahyoob, M. (2025). Exploring ChatGPT's potential for augmenting post-editing in machine translation across multiple domains: challenges and opportunities. Frontiers in Artificial Intelligence, 8, 1526293.
Bowker, L. (2023). De-mystifying Translation: Introducing Translation to Non-translators. Routledge.
Bowker, L., & Buitrago Ciro, J. (2019). Machine Translation and Global Research: Towards Improved Machine Translation Literacy in the Scholarly Community. Emerald Publishing.
Chen, S., & Lin, Y. (2025). A multidimensional comparison of ChatGPT, Google Translate, and DeepL in Chinese tourism texts translation: fidelity, fluency, cultural sensitivity, and persuasiveness. Frontiers in Artificial Intelligence, 8, 1619489.
CIOL. (2024). Freelance translators and interpreters: Work volumes survey. Chartered Institute of Linguists.
CNN. (2026, January 23). Translation and language jobs face automation as AI transforms the industry.
Ehrensberger-Dow, M., Delorme Benites, A., & Lehr, C. (2023). A new role for translators and trainers: MT literacy consultants. The Interpreter and Translator Trainer, 17(3), 393–411.
Frey, C. B., & Llanos-Paredes, D. (2025). Lost in translation: AI's impact on translators and foreign language skills. CEPR/VoxEU.
Kirchhoff, P. (2024). Machine translation in English language teaching. ELT Journal, 78(4), 393–400.
Jiang, L., Wei, B., & Al-Shaibani, G. K. S. (2025). Effective neural machine translation with human post-editing of Chinese intangible cultural heritage corpus into English. SAGE Open.
Ohashi, L. (2024). AI in language education: The impact of machine translation and ChatGPT. In P. Ilic, I. Casebourne, & R. Wegerif (Eds.), Artificial Intelligence in Education: The Intersection of Technology and Pedagogy (pp. 225–242). Springer.
Ren, X., & Wang, R. (2025). Integrating human-AI collaboration into translation education: A comprehensive protocol for assessment, diagnosis, and strategy development. PLoS One, 20(12), e0338089. DOI: 10.1371/journal.pone.0338089.
Slator. (2025). Slator 2025 Language Industry Market Report.
Sun, R. (2024). Evaluating the translation accuracy of ChatGPT and DeepL through the lens of implied subjects. Arab World English Journal for Translation & Literary Studies, 8(4).
The Markup. (2025, April 2). Are AI models advanced enough to translate literature? The debate is roiling publishing.
Woesler, M. (in diesem Band). Appropriateness Theory: An integrative ethical framework for translation studies.
Vaswani, A., et al. (2017). Attention is all you need. In Advances in Neural Information Processing Systems, 30.
Weaver, W. (1949). Translation. Reprinted in W. N. Locke & A. D. Booth (Eds.), Machine Translation of Languages (1955). MIT Press.
Woesler, M. (in diesem Band). Ethical frameworks for AI in higher education: Between European regulation and Chinese innovation.
Woesler, M. (in diesem Band). Learning a foreign language with and without AI: An empirical comparative study.
Zhang, H. (2025, April). Quality Comparison of MT in Translating Chinese Music Historical Texts and Inspiration. In Learning Technologies and Systems: 23rd International Conference on Web-Based Learning, ICWL 2024 and 9th International Symposium on Emerging Technologies for Education, SETE 2024 Shanghai, China, November 26–28, 2024 Revised Selected Papers (Vol. 15589, p. 193). Springer Nature.
Zhang, J., & Doherty, S. (2025). Investigating novice translation students' AI literacy in translation education. The Interpreter and Translator Trainer. Taylor & Francis.
Zhang, W., Li, A. W., & Wu, C. (2025). University students' perceptions of using generative AI in translation practices. Instructional Science. Springer.