Was Google Translate uns über Vibecoding verrät

• In letzter Zeit häufen sich Behauptungen, dass AI den Beruf von Programmierern ersetzen werde, ebenso wie Gegenargumente dazu
• Am Beispiel der Entwicklung von Google Translate wird der tatsächliche Einfluss und die Grenzen von Automatisierungswerkzeugen beleuchtet
• Die Nachfrage nach Arbeitsplätzen für Übersetzer und Dolmetscher steigt vielmehr weiter an
• Maschinelle Übersetzung kann kulturellen Kontext, Mehrdeutigkeit und feine Nuancen nicht verarbeiten
• Es wird betont, dass auch beim Programmieren kreative und abstrahierende Arbeit ähnlich wie beim Übersetzen nötig ist

---

Was Google Translate uns über Vibecoding verrät

Die aktuelle Debatte über AI und Programmierberufe

• In letzter Zeit sind zugleich Prognosen aufgekommen, dass große Sprachmodelle (LLMs) Programmierer ersetzen werden, und Gegenargumente, dass das nicht möglich sei
• Auf der einen Seite wird behauptet, man habe mit LLMs einfache Werkzeuge gebaut, also würden bald alle Programmierer arbeitslos
• Auf der anderen Seite gibt es auch Stimmen, die den Nutzen solcher Werkzeuge vollständig bestreiten
• Es wird betont, dass bei dieser Polarisierung der Meinungen eine differenziertere Perspektive nötig ist

Die Entwicklung maschineller Übersetzung und ihre tatsächlichen Auswirkungen

• Google Translate hat seit der Einführung von Neural Machine Translation (NMT) im Jahr 2016 große Fortschritte gemacht
• Viele Menschen sagten voraus, dass AI-Übersetzungstechnologie die Berufe menschlicher Übersetzer und Dolmetscher verschwinden lassen werde
• Tatsächlich haben viele, die solche Behauptungen aufstellen, nie selbst als Übersetzer oder Dolmetscher gearbeitet
• Die Nützlichkeit maschineller Übersetzung wird zwar anerkannt, aber Aussagen wie „Dolmetschen wird nicht mehr gebraucht“ missverstehen das Wesen echter Übersetzungsarbeit

Der Unterschied zwischen menschlichen Übersetzern und maschineller Übersetzung

• Die tatsächliche Arbeit von Übersetzern und Dolmetschern besteht nicht einfach darin, nur Wörter und Grammatik auszutauschen, sondern legt den Schwerpunkt auf Kontextverständnis, das Auflösen von Mehrdeutigkeiten und kulturelle Sensibilität
• Als Beispiel wird genannt, dass selbst im Englischen ähnliche Sprachen wie Norwegisch aufgrund kultureller Unterschiede wie Höflichkeitsformen von maschineller Übersetzung nicht bis in feine Bedeutungsnuancen umgesetzt werden können
  • Das norwegische „Jeg vil ha potetene“ („Ich will die Kartoffeln“) klingt bei wörtlicher Übersetzung ins Englische unhöflich, im tatsächlichen Gespräch ist jedoch je nach Kontext eine freiere Übertragung nötig
  • Google Translate kann solche feinen Nuancen nicht verarbeiten
• Tatsächlich kann es zu Missverständnissen kommen, wenn man in Alltagsgesprächen oder formellen Situationen nur maschinelle Übersetzung verwendet
• Bei Sprachen wie Japanisch, deren Grammatik und Kontext sich stark unterscheiden, kann maschinelle Übersetzung Bedeutungen falsch vermitteln oder grammatikalisch fehlerhafte Sätze erzeugen

Wie maschinelle Übersetzung tatsächlich genutzt wird

• Das bedeutet nicht, dass Google Translate ein schlechtes Werkzeug ist
• Als Beispiel für einen sinnvollen Einsatz wird beschrieben, dass es hilft, wenn jemand den sprachlichen und kulturellen Kontext bereits kennt und Formulierungen verfeinern möchte
• Ein typischer Anwendungsfall ist etwa: „Ich weiß bereits, was ich sagen möchte, möchte aber eine natürlichere Formulierung sehen“
• Auch menschliche Übersetzer integrieren AI in ihren Workflow
• Die Rolle menschlicher Fachleute besteht darin, die von AI gelieferten Ergebnisse zu bewerten und sie an Kontext und Ziel anzupassen

Die Ähnlichkeit zwischen Programmierung und Übersetzungsarbeit

• Programmierer sind im Kern ebenfalls eine Art „Übersetzer“: Sie verwandeln mehrdeutige und komplexe menschliche Anforderungen in eine absolute Sprache, die Computer verstehen können
• Programmieren ist kreative Arbeit, bei der menschliche Mehrdeutigkeit und kultureller Kontext in die eindeutige Sprache des Computers übersetzt werden
• Programmiersprachen hatten wegen ihres hohen Abstraktionsgrads lange eine höhere Einstiegshürde als maschinelle Übersetzung, doch durch die jüngste Entwicklung von AI-Werkzeugen sinkt diese Hürde
• Dennoch ist AI noch nicht auf einem Niveau, auf dem sie Kontext und Komplexität vollständig versteht und Menschen ersetzen kann

Ausblick

• Eines Tages könnte AI auch Kontext und Mehrdeutigkeit verarbeiten, doch derzeit sind die Grenzen klar, und es wird noch Zeit brauchen
• Die Entwicklungsgeschwindigkeit von AI-Werkzeugen ist hoch, aber auch ethische Fragen und der verantwortungsvolle Einsatz solcher Werkzeuge bleiben wichtige Themen

[GN⁺]

Hacker-News-Kommentar

• Zustimmung zu der Aussage, dass die Arbeit von Übersetzern und Dolmetschern Dinge wie Kontextverständnis, Auflösung von Mehrdeutigkeiten und kulturelle Sensibilität umfasst, bei denen Google Translate nicht mithalten kann. Mit gut formulierten Prompts können LLMs diese Funktionen jedoch erstaunlich gut nachbilden. Aus der Erfahrung mit Japanisch-Englisch-Übersetzungen wird betont, dass LLMs beim Übersetzen deutlich leistungsfähiger sind. Mit Claude Code wurde sogar selbst ein System gebaut, das mehrere LLMs für Übersetzungen kombiniert: Es fragt Nutzer nach Optionen wie Übersetzungszweck, kultureller Anpassung und Anmerkungen, sendet darauf abgestimmte Prompts an drei Modelle (OpenAI, Anthropic, Google), erstellt aus deren Ergebnissen einen kombinierten Entwurf und verfeinert diesen über mehrere Runden. Kurze Tests hätten gezeigt, dass das Ergebnis deutlich besser sei als bei einzelnen Modellen, viel besser als bei Google Translate und auf dem Niveau erstklassiger professioneller Übersetzer. Beim Dolmetschen, besonders im direkten persönlichen Einsatz, sehe die Lage aber anders aus, und bei allgemeiner Übersetzung, wo die Persönlichkeit und Identität menschlicher Übersetzer weniger wichtig sind, werde es für Menschen zunehmend schwer, konkurrenzfähig zu bleiben

  • In der eigenen Lern-App nuenki.app wird LLM-Übersetzung intensiv erforscht. Dafür wurde ein Open-Source-Tool gebaut, das mehrere Spitzenmodelle jeweils übersetzen lässt und am Ende ein Modell in der Rolle eines „Richters“ die Übersetzungen vergleichen und kombinieren lässt, um die beste Version auszuwählen. Man kann es selbst ausprobieren, und die Forschungsunterlagen stehen hier
  • Nach dem Bericht über ein System, das Texte wiederholt an mehrere Modelle schickt und einen Prozess aus Überarbeiten, Prüfen und Verfeinern durchläuft, wurde ein RIP-Kommentar zum globalen Stromverbrauch hinterlassen
  • Beim Übersetzen sei es enorm wichtig, zusätzlichen Kontext mitzugeben, Rückfragen stellen zu können und über den Text nachdenken zu können; diese Einsicht habe sich durch eigene Erfahrungen in Japan direkt bestätigt. Täglich entstünden Fragen zu bestimmten japanischen Formulierungen in konkreten Kontexten oder dazu, wie man etwas passend für ein bestimmtes Medium vermittelt. Dieser dialogische Ansatz lasse sich über Custom Instructions wohl noch stärker automatisieren
  • Als Problem von LLM-Übersetzungen wird genannt, dass sie die Übersetzung verweigern, wenn sie das Thema als Verstoß gegen Nutzungsrichtlinien einstufen, selbst wenn die Übersetzung im Kontext völlig angemessen wäre. Schon religiöse Inhalte könnten Einschränkungen auslösen
  • Frage nach Methoden, um sehr lange Texte zu übersetzen, die nicht in ein übliches Kontextfenster passen. Wenn man den Text in mehrere Teile aufteilt, muss man jedem Teil eine Zusammenfassung des bisherigen Inhalts mitgeben; unklar ist dabei, welcher Detaillierungsgrad angemessen ist

• Maschinelle Übersetzung ist zwar ein nützliches Werkzeug, ersetzt Fachkräfte aber nicht vollständig; als Beispiel wird das angeführt. Für AI-Coding-Hilfen dürfte Ähnliches gelten, und auch hier wäre wohl noch ein weiterer großer technischer Sprung nötig, bevor die Sorge realistisch wird, dass bestehende Experten vollständig verschwinden. Jahrelang gab es Vorhersagen, Radiologie-AI werde Menschen komplett ersetzen, in der Praxis stieg die Nachfrage nach Bilddiagnostik jedoch sogar, und trotz der Effizienzgewinne durch AI wurde nie weniger Personal gebraucht. Im Gegenteil: Der Mangel an Radiologen habe sich verschärft

  • Als man vor 15 Jahren mit dem Japanischlernen begann, konnte Google Translate nicht einmal einfache Sätze ordentlich übersetzen; heute liefert es selbst bei komplexen, selbst geschriebenen Sätzen Ergebnisse nahe am Muttersprachenniveau. Gemeinsam mit Muttersprachlern geprüft, lautete das Feedback: „unvollkommen, aber sehr gut und klar verständlich“. Ehrlich gesagt wirke die Zukunft professioneller Übersetzer heute düster, außer vielleicht bei sehr sensiblen Dokumenten wie Rechtsverträgen
  • Erwähnung eines NYT-Artikels zur Radiologie-AI. Die meisten Systeme nutzten noch immer kleine CNNs (Convolutional Neural Networks) aus der Zeit vor Mitte der 2010er-Jahre, während die Öffentlichkeit bei „AI“ an ChatGPT denke; die tatsächliche Backend-Architektur sei aber oft sehr alt. Wie viel besser moderne AI wie Transformer in der Radiologie abschneiden würde, sei offen, aber Leistungssteigerungen seien fast sicher zu erwarten

• Die Diskrepanz zwischen Vorstellung und Realität von Übersetzungsarbeit erinnert an das Pixar-Beispiel für „localization“. Im japanischen Release wurde etwa eine Tischszene mit Kindern aus dem angelsächsischen Raum, die Brokkoli nicht mögen, so geändert, dass japanische Kinder stattdessen grüne Bohnen nicht mögen

  • Es wird gefragt, ob das Beispiel mit den grüne-Bohnen-Lokalisierung tatsächlich stimmt. Über ausländische Filme komme man mit anderen Kulturen in Kontakt und lerne Unterschiede kennen; schade sei es, wenn Lokalisierung diese Unterschiede wieder auslöscht
  • Das Meme aus Pokémon über „Brock’s jelly filled donuts“ (eigentlich „Onigiri“, in der US-Version aber als Donuts übersetzt) passender Link

• Mit vielem im Artikel besteht Zustimmung, aber ein Punkt bleibt unbefriedigend. Wenn man etwa die Logik „Auch ohne Google Translate hätten nur wenige Menschen Japanisch gelernt oder Übersetzer bezahlt“ auf die Softwareentwicklung überträgt, dann könnten die meisten Nutzer von „minderwertigen mit AI gebauten Apps“ ohnehin Leute sein, die sich ursprünglich nie für Softwareentwicklung interessiert hätten. Das müsste die Zahl der Jobs für Entwickler nicht zwangsläufig stark reduzieren. Allerdings hat Softwareentwicklung grundlegend andere Eigenschaften, etwa hinsichtlich Größe von Geschäftschancen und Kosten, sodass AI tatsächlich die Nachfrage nach bestehenden Entwicklerjobs beeinflussen könnte

  • Umgekehrt könnte die Verbreitung von AI auch neue Jobs schaffen. Wenn Nutzer selbst Software bauen können, entstünden womöglich erst recht laufend Aufgaben für Fachleute, die den Code und die Systeme nacharbeiten, erweitern und absichern müssen; dazu wird die Metapher einer „Elefantenparade“ verwendet
  • Auch Google Translate sei für Anfänger sehr nützlich, ersetze aber keine professionellen Übersetzer. Selbst mit nur elementaren Japanischkenntnissen habe man oft erlebt, dass sich die tatsächliche Bedeutung erst mit lokalem Kontext erschließt, und in 15 Jahren wirke es eher so, als sei vor allem die Geschwindigkeit gestiegen, nicht die Qualität. Die Echtzeit-Bild-OCR-Übersetzung sei nicht intern entwickelt, sondern durch den Kauf einer App (Magic Lens?) gekommen. Auch LLM-basiertes automatisiertes Coden könnte noch etwa zehn Jahre lang ziemlich gut, aber stets leicht unzureichend bleiben
  • Der vernünftigste Grund, warum aktive Coder sich von AI bedroht fühlen, sei, dass starke Produktivitätssteigerungen tatsächlich in weniger Jobs münden können. Denn das Ziel ist nicht das Schreiben von Code an sich, sondern ein funktionierendes Endprodukt; selbst bei etwas geringerer Qualität kann also Personal eingespart werden, und genau das sei der wesentliche Unterschied
  • Die Ansicht, dass AI-Art und AI-Codegenerierung im Kern verschieden sind. Bei Kunst ist das Ziel die Kunst selbst, und kulturelle Konventionen sowie die Existenz des Künstlers sind zentral; bei Softwareentwicklung ist der Code selbst nicht das Ziel, sondern das gewünschte Ergebnis, also die App. Deshalb kann der Bedarf an Menschen selbst sinken. Verglichen wird das mit dem Unterschied zwischen der veränderten Rolle von Malern nach dem Aufkommen der Fotografie und dem Ersetzen von Liftboys durch Knöpfe
  • Skeptische Sicht auf „AI“-Marketing wie Werbung für AI-Website-Generatoren

• Ohne statistische Belege, aber im persönlichen Umfeld hätten befreundete Übersetzer tatsächlich das Gefühl, dass die Aufträge fast verschwinden, und seit der Einführung von LLMs habe sich das drastisch beschleunigt. Übersetzerforen, Facebook-Gruppen und dieser Reddit-Thread seien voller pessimistischer Reaktionen. Professionelle Ergebnisse seien zwar weiterhin deutlich besser, doch der Großteil des Marktes sei abgesehen von einigen sensiblen Aufträgen faktisch verschwunden. Daher falle es schwer, den eigenen Kindern eine Übersetzerkarriere zu empfehlen

  • Selbst professionelle Übersetzungsteams könnten dank LLMs nun mit einer Person die Arbeit mehrerer Leute abdecken, bei einer Qualitätssteigerung, die mit früherer maschineller Übersetzung nicht vergleichbar sei. Wenn nur ein Prüfer vorhanden ist, kann dieser die von LLMs erzeugten Übersetzungen fein auf Ton und Dialekt abstimmen, wobei die Modelle schon jetzt sehr gute Arbeit leisten

• Es wird darauf hingewiesen, dass man bei Übersetzungen, egal ob von Menschen oder Maschinen, nur schwer selbst verifizieren kann, ob das Ergebnis korrekt ist. Letztlich muss man dem Resultat einfach vertrauen oder entscheiden, ob man eher dem Menschen oder der Maschine glaubt, und meist vertraut man eher dem Menschen. Es gab aber auch Erfahrungen, bei denen ein Übersetzer nur schlampig gearbeitet hatte und jemand anderes darauf hinweisen musste. Das gleiche gelte für vibe coding: Nutzer können oft schwer beurteilen, ob das Ergebnis richtig ist, weshalb am Ende überprüfbare Fachkompetenz nötig bleibt

  • Dass Maschinen weniger vertraut wird, liege eher an einem mangelnden Bewusstsein für Genauigkeit. Bei klaren Berechnungen wie Multiplikation vertraut man schließlich auch eher einem Taschenrechner als einem Mathematiker; ein ähnlicher psychologischer Mechanismus
  • Als Methode zur Prüfung maschineller Übersetzungen könne man „Round-Trip-Translation“ (A->B->A) ausprobieren; perfekt sei das nicht, aber die Zuverlässigkeit sei recht hoch
  • Man könne einen gewissen Maßstab für die Genauigkeit gewinnen, indem man das Übersetzungsergebnis tatsächlich „ausführt“ — bei Code durch Ausführen, bei Übersetzung durch Anwendung im realen Kontext

• Nach dem Zitat der Ansicht, dass zukünftige AI Kontext und Mehrdeutigkeit durchaus einmal so wie Menschen behandeln könnte, folgt die Einschätzung, dass selbst dann die Erfahrung routinierter Veteranen, die schon um 2 Uhr nachts Produktionsausfälle behoben haben, kaum zu ersetzen ist. Dass vibe coder für gute Stimmung sorgen, sei willkommen, aber ein massives Legacy-Refactoring allein werden sie am Ende nicht schaffen

• Was Übersetzer tatsächlich leisten: Idiome übersetzen, kulturelle Bezüge (Kunst, Geschichte, Essen usw.) erklären, kulturelle Werte verschiedener Länder (Freiheit, Leidenschaft, Resilienz usw.) kontextgerecht interpretieren und übertragen, beim Dubbing den Ton auf die Mundbewegungen der Schauspieler abstimmen oder schöne, kunstvolle Prosa schaffen. In all diesen Bereichen werde viel menschliche Feinfühligkeit verlangt, und LLMs hätten es schwer, dort direkt zu konkurrieren

• Feedback zu den Grenzen und zum Qualitätsverlust von Google Translate, besonders dazu, dass die Übersetzungsfunktion in Chrome traditionelles Chinesisch oft fälschlich als Japanisch erkennt — ein gravierender Fehler. Früher habe es gut funktioniert, doch zuletzt sei es ohne erkennbare Änderungen eher schlechter geworden, was frustriere. Besonders unerquicklich sei, dass Nutzern nicht einmal eine Möglichkeit gegeben werde, Fehler selbst zu korrigieren

  • Die Antwort darauf lautet, dass das Problem nicht bei Google Translate selbst liege, sondern beim lokalen Modell in Chrome zur Spracherkennung vor der Übersetzung. Dazu werden Informationen über das lokale Modell CLD3 geteilt
  • Die Forderung, Unicode solle Zeichen für verschiedene Sprachen grundsätzlich getrennt verwalten. In der aktuellen Struktur scheinen LLMs durcheinanderzukommen, wenn sie Chinesisch und Japanisch gemeinsam lernen. Auch die Grammatik sei gegensätzlich, und die Beziehungen zwischen Satzgliedern unterschieden sich, was zusätzliche Verwirrung stifte
  • Am Ende die Prognose, dass die bestehende Engine von Google Translate bald ersetzt wird, sobald ein schnelles, günstiges und zugleich qualitativ ausreichend gutes LLM erscheint. Vermutlich habe man in den letzten zwölf Monaten nicht einmal eine Stunde in die Übersetzungs-Engine investiert

• Es wird auch eine Episode über ein Missgeschick durch maschinelle Übersetzung geteilt. Der lustige Übersetzungsunfall bei OSNews