Tłumaczenie katalogu z AI bez agencji: gdzie kończy się tłumaczenie, a zaczyna lokalizacja

Masowe tłumaczenie katalogu jest dziś jednym z najlepszych pierwszych zastosowań AI w sklepie: praca jest powtarzalna, materiał źródłowy masz u siebie, a wynik weryfikujesz, zanim cokolwiek trafi na sklep. Jest jednak warunek, o który rozbija się większość nieudanych wdrożeń: tłumaczenie to nie to samo co lokalizacja. Model przełoży zdania między językami i zrobi to szybko. Nie przeliczy rozmiarówki, nie nazwie kategorii tak, jak nazywa ją rynek docelowy, i nie sprawdzi, czy Twoja obietnica marketingowa jest tam w ogóle dopuszczalna. Ta granica decyduje o tym, czy projekt kończy się katalogiem gotowym do sprzedaży, czy poprawnie brzmiącym tekstem, który nie sprzedaje.

Dlaczego tłumaczenie katalogu jest dobrym pierwszym projektem AI

Zanim wybierzesz narzędzie, odpowiedz na inne pytanie: czy to zadanie w ogóle nadaje się na pierwszy raz. Tłumaczenie katalogu nadaje się z czterech powodów, które rzadko trafiają się razem:

• Praca jest powtarzalna: tysiąc opisów to tysiąc razy to samo zadanie, a nie tysiąc różnych problemów. Dokładnie taki kształt pracy warto automatyzować.
• Dane już masz: projekt nie zaczyna się od zbierania czegokolwiek. Materiał źródłowy leży w katalogu, w polach, które wypełniałeś przez lata.
• Wynik weryfikujesz szybko: wystarczy przeczytać kilkanaście kart produktu, żeby wiedzieć, czy jakość jest akceptowalna. Nie czekasz na kwartał danych sprzedażowych.
• Zły wynik podmieniasz bez konsekwencji: dopóki tłumaczenie nie jest opublikowane, kosztem pomyłki jest Twój czas, a nie zamówienie klienta.

Ostatni punkt jest ważniejszy, niż wygląda. Wiele pierwszych projektów AI w sklepie przewraca się dlatego, że na start wybrano zadanie, którego nie da się cofnąć albo szybko sprawdzić. Tłumaczenie katalogu ma odwrotny profil ryzyka: bramka kontrolna stoi przed publikacją, więc błąd zatrzymuje się na Twoim ekranie. To samo kryterium stosujemy szerzej przy kwalifikowaniu zadań do automatyzacji, rozkładamy je w tekście o anatomii oszczędności z automatyzacji.

Warunek wstępny: katalog, który w ogóle da się przetłumaczyć

Model tłumaczy to, co dostanie. Jeśli w opisie produktu siedzą parametry, których nie ma w żadnym polu, to po tłumaczeniu nadal będą siedzieć w opisie, tylko w drugim języku. Bałagan nie znika przy okazji tłumaczenia. Przenosi się na kolejny rynek, a od tego momentu utrzymujesz go w dwóch miejscach zamiast w jednym.

Typowe wejście wygląda tak: opis brzmi „len 100%, długość 42 cm, kolor ecru", a pola atrybutów są puste, bo nikt ich nigdy nie wypełnił. Po tłumaczeniu dostajesz to samo zdanie po niemiecku i zero danych do filtrów, do feedu i do porównywarki. Tłumaczenie jest poprawne, a katalog dalej nie nadaje się do sprzedaży w nowym kanale.

Dlatego kolejność jest odwrotna, niż podpowiada niecierpliwość: najpierw porządek w katalogu, potem tłumaczenie. Rozbicie parametrów z opisów na pola, ujednolicenie jednostek i słownik kolorów to osobne zadanie, które też da się wykonać z AI: czyszczenie katalogu CSV krok po kroku opisujemy w innym tekście. Jeśli opisy w języku źródłowym dopiero mają powstać, to jeszcze inne zadanie, bliższe generowaniu opisów produktów niż tłumaczeniu.

Glosariusz jest sercem projektu, nie dodatkiem

Glosariusz to lista terminów z decyzją, co dzieje się z każdym z nich w języku docelowym. Brzmi jak biurokracja, a jest jedyną rzeczą, która utrzymuje spójność katalogu tłumaczonego partiami przez wiele dni. Co powinno się w nim znaleźć:

• Nazwy własne i marki: co zostaje bez zmian, a co ma wersję lokalną. Częsty błąd to przetłumaczona nazwa modelu, której klient nie znajdzie w wyszukiwarce.
• Nazwy produktów i linii: jedna decyzja na całą rodzinę produktów, żeby ta sama linia nie nazywała się inaczej na trzech kartach.
• Terminy branżowe: słownictwo techniczne, które ma w danym języku jedno ustalone brzmienie, nawet jeśli słownik podpowiada trzy równie poprawne.
• Twierdzenia zakazane: sformułowania, których nie wolno użyć w tym kraju albo w tej kategorii. Model nie zna Twojej listy, dopóki jej nie dostanie.
• Jednostki i formaty: zapis liczb, separator dziesiętny, format daty oraz to, czy jednostki się przeliczają, czy zostają bez zmian.

Bez glosariusza ten sam termin dostanie trzy różne tłumaczenia w trzech partiach, i nie dowiesz się o tym, dopóki klient nie zapyta, czym różnią się dwa produkty, które u Ciebie nazywają się inaczej, a są tym samym. Glosariusz rośnie w trakcie projektu: każda poprawka recenzenta powinna do niego wracać jako reguła, zamiast kończyć jako jednorazowa korekta w jednym pliku.

Gdzie kończy się tłumaczenie, a zaczyna lokalizacja

Tłumaczenie zamienia zdania między językami. Lokalizacja sprawia, że oferta jest poprawna i wiarygodna na konkretnym rynku. Model robi to pierwsze bardzo dobrze, a drugie tylko pozornie, bo nie ma dostępu do wiedzy, której nie ma w tekście. Cztery obszary zostają po stronie człowieka i reguł w danych:

• Rozmiarówki i jednostki: to przeliczenie, nie tłumaczenie. Zadanie dla tabeli konwersji w danych produktowych, a nie dla modelu językowego.
• Nazewnictwo kategorii: rynek docelowy szuka pod swoją nazwą, nie pod dosłownym odpowiednikiem Twojej. Nazwa kategorii jest decyzją handlową i wyszukiwarkową, nie językową.
• Informacje obowiązkowe: formuły wymagane prawem, ostrzeżenia i dane, które muszą znaleźć się na karcie w danym kraju. Tu liczy się brzmienie ustalone, nie ładne.
• Ton marki i twierdzenia marketingowe: obietnica, która w jednym kraju jest standardem branży, w innym bywa niedopuszczalna. Tę decyzję podejmuje człowiek znający tamten rynek.

Podział ról najprościej widać element po elemencie karty produktu. Im niżej w tabeli, tym mniej pracy zostaje dla modelu, a więcej dla danych i osądu:

Model odpowiada za warstwę językową. Za poprawność na rynku odpowiadają dane i człowiek.

Rozmiar 38 po przetłumaczeniu nadal jest 38

Najbardziej pouczający przykład tej granicy to rozmiar. Systemy rozmiarów różnią się między rynkami, więc liczba, która u Ciebie znaczy jedno, gdzie indziej znaczy co innego albo nie znaczy nic. Model przepisze ją bez zmian, bo z jego perspektywy nie ma tu nic do tłumaczenia, i formalnie będzie miał rację. Skutek zobaczysz nie w raporcie z tłumaczenia, tylko w raporcie zwrotów.

Wniosek praktyczny: rozmiary i jednostki wyprowadzaj z danych, nie z tekstu. Tabela konwersji per rynek, stosowana regułą przy generowaniu karty produktu, jest tania, powtarzalna i sprawdzalna. Model językowy jest do tego zadania najdroższym i najmniej pewnym narzędziem, jakie masz pod ręką.

Workflow z bramką: to pętla, nie jednorazowe zlecenie

Najczęstszy błąd organizacyjny polega na potraktowaniu tłumaczenia katalogu jak jednego wielkiego zlecenia: puszczasz sześć tysięcy pozycji, dostajesz sześć tysięcy tłumaczeń i masz do przejrzenia górę, której nikt nie przejrzy. Zamiast tego pracuj partiami, w pętli, w której każda kolejna partia jest lepsza od poprzedniej:

• Partia: model tłumaczy porcję katalogu, na przykład jedną kategorię, mając w kontekście glosariusz i reguły formatowania.
• Próbka: recenzent czyta nie wszystko, tylko próbkę z partii, dobraną tak, żeby trafiły się w niej także przypadki trudne.
• Poprawki do glosariusza: każda korekta, która wynika z reguły, wraca do glosariusza jako reguła, zamiast zostać w jednym pliku.
• Następna partia: rusza z uzupełnionym glosariuszem, więc ten sam błąd nie powtarza się na kolejnych tysiącach pozycji.

Efektem tej pętli jest rosnący odsetek tłumaczeń przyjmowanych bez poprawek. Wykres wyżej jest poglądowy: pokazuje kształt krzywej, a nie wynik konkretnego wdrożenia. Twoje liczby zależą od jakości katalogu, precyzji glosariusza i tego, jak trudna językowo jest kategoria. Wart uwagi jest kierunek, nie wartość: jeśli po kilku partiach odsetek nie rośnie, to znak, że poprawki nie wracają do reguł i recenzent poprawia w kółko to samo.

Kto recenzuje i według jakiego kryterium

To miejsce, w którym najwięcej projektów po cichu obniża sobie poprzeczkę. Recenzent, który zna język docelowy ze szkoły, oceni zrozumiałość. Recenzent, który zna rynek docelowy, oceni wiarygodność, a to zupełnie inne pytanie. Różnicy nie widać w tekście, widać ją dopiero w zachowaniu kupujących.

Kryterium oceny sformułuj więc twardo. Nie brzmi ono „czy to jest zrozumiałe", tylko: czy to brzmi jak sklep z tego rynku i czy wszystkie parametry się zgadzają. Pierwsza część to osąd rynkowy, druga to sprawdzenie danych. Jedna osoba musi umieć jedno i drugie albo te dwie role trzeba rozdzielić między dwie osoby i obie wpiąć w bramkę.

Praktycznie oznacza to, że przed startem odpowiadasz na jedno pytanie: kogo posadzę do recenzji. Jeśli odpowiedź brzmi „nikogo", to nie jest problem do rozwiązania lepszym promptem. To najważniejsze ograniczenie całego projektu i trzeba je zdjąć, zanim ruszy pierwsza partia.

Czego nie automatyzować

Nie wszystko w sklepie jest tekstem, który wolno wygenerować i sprawdzić wyrywkowo. Trzy kategorie trzymaj poza automatem albo za pełną, a nie próbkową akceptacją:

• Teksty prawne: regulamin, polityka zwrotów, informacje o gwarancji i odstąpieniu od umowy. Liczy się brzmienie ustalone, a błąd ma konsekwencje formalne, nie stylistyczne.
• Komunikaty transakcyjne o wysokiej wadze: potwierdzenia zamówienia, informacje o płatności, zwrocie i reklamacji. Klient czyta je w momencie, w którym najmniej wybacza.
• Treści, w których błąd jest kosztowny i trudny do wychwycenia: instrukcje użycia, ostrzeżenia, parametry bezpieczeństwa. Jeśli pomyłki nie widać na próbce, próbka nie jest właściwym narzędziem kontroli.

Kiedy jednak agencja

Uczciwa odpowiedź brzmi: wtedy, gdy wchodzisz na rynek, którego nikt w firmie nie zna, i nie masz kogo posadzić do recenzji. AI nie usuwa potrzeby kompetencji rynkowej, tylko przesuwa ją z pisania na ocenianie. Jeśli tej kompetencji nie ma w firmie, nie ma jej też w procesie z AI, a wtedy szybko produkujesz treść, której nikt nie potrafi ocenić.

Sensowny wariant pośredni: agencja albo native speaker robi pierwszą partię i buduje razem z Wami glosariusz oraz zasady tonu, a AI skaluje na tych regułach resztę katalogu, przy ich okresowej kontroli. Kupujesz wtedy osąd i standard, a nie roboczogodziny na przepisywanie sześciu tysięcy opisów. Przy wejściu na rynek, którego nie znasz, to zwykle najtańsza droga do jakości, którą da się utrzymać.

Tłumaczenie katalogu z AI nie jest wyborem między agencją a automatem. Jest wyborem tego, co powierzasz modelowi (język, w skali i w pętli z bramką), a co zostaje regułą w danych albo decyzją człowieka znającego rynek. Szerszy kontekst, w tym kolejność wdrażania AI w operacjach sklepu, zebraliśmy w przewodniku AI w eCommerce. Jak taki proces wygląda wpięty na stałe w platformę, opisujemy na stronie AI tłumaczenia katalogu.