{"id":224839,"date":"2026-03-30T11:08:58","date_gmt":"2026-03-30T11:08:58","guid":{"rendered":"https:\/\/www.9senses.ai\/?p=224839"},"modified":"2026-04-09T13:45:35","modified_gmt":"2026-04-09T13:45:35","slug":"lost-in-translation","status":"publish","type":"post","link":"https:\/\/www.9senses.ai\/de\/lost-in-translation\/","title":{"rendered":"Lost in Translation"},"content":{"rendered":"
<\/div>\n\n
\n
\n
\n

Du hast nicht ausreichende Berechtigungen, um auf diesen Inhalt zuzugreifen.<\/p>\n<\/div><\/div>\n\n

Lost in Translation<\/h1><\/div><\/div>\n\n

Im Bereich der dialogorientierten KI dominiert die englische Sprache, was f\u00fcr andere Sprachen schwerwiegende strukturelle Folgen hat, die nur mit erheblichem Aufwand behoben werden k\u00f6nnen.<\/p>\n<\/div><\/div>\n\n

Wenn man ChatGPT eine komplexe Frage auf Englisch stellt, kommt recht h\u00e4ufig eine korrekte, gut formulierte und zum Kontext passende Antwort. Wer dasselbe auf Hindi, Bengali oder Yoruba versucht, bekommt nicht selten eine k\u00fcrzere, weniger genaue und gelegentlich auch unsinnige Aussage. Auf Deutsch, Franz\u00f6sisch oder Spanisch sind die Antworten zwar treffender \u2013 erreichen aber weder die inhaltliche noch die sprachliche Qualit\u00e4t einer englischen Aussage.<\/p>\n

Generative KI hat ein klares Sprachproblem. Und das wirkt sich nicht nur auf seltene oder gef\u00e4hrdete Sprachen aus, sondern auch auf durchaus g\u00e4ngige Idiome. Das Brookings Institute beschreibt das Qualit\u00e4tsgef\u00e4lle als Kontinuum: von Englisch \u00fcber europ\u00e4ische Sprachen wie Deutsch, Franz\u00f6sisch und Spanisch bis hin zu den weltweit rund 7.000 Sprachen, von denen nur etwa 20 als \u201edatenreich\u201c gelten \u2013 mit dramatisch wachsendem Abstand. Mit diesem Problem k\u00e4mpfen wir immer wieder, wenn wir GenAI-Projekte durchf\u00fchren. Gerade deutsche Systeme haben Probleme mit der Sprache, sind ungenauer und halluzinieren h\u00e4ufiger, erfinden also Inhalte, die es gar nicht gibt.<\/p>\n<\/div><\/div>\n<\/div>\n\n

\n

Thema<\/h3><\/div><\/div>\n\n

Du hast nicht ausreichende Berechtigungen, um auf diesen Inhalt zuzugreifen.<\/p>\n<\/div><\/div>\n\n

Zusammenfassung<\/h3><\/div><\/div>\n\n

Du hast nicht ausreichende Berechtigungen, um auf diesen Inhalt zuzugreifen.<\/p>\n<\/div><\/div>\n\n

Du hast nicht ausreichende Berechtigungen, um auf diesen Inhalt zuzugreifen.<\/p>\n<\/div><\/div>\n<\/div>\n<\/div>\n<\/div>\n\n

\n
\n
\n

\u201cWenn Menschen das Gef\u00fchl haben, dass die KI sie nicht versteht, oder sie keinen Zugang dazu bekommen, bringt sie ihnen keinen Vorteil.\u201d<\/h3>\n<\/div><\/div>\n\n

Leslie Teo, AI Singapore<\/span><\/p>\n<\/div><\/div>\n\n

Das Grundproblem: Die Systeme werden in Englisch konzipiert<\/h1><\/div><\/div>\n\n

Diese Beobachtungen sind nicht die Folge eines einfach korrigierbaren Fehlers, sondern die Auswirkung eines strukturellen Problems, das tief in der Architektur praktisch aller Sprachmodelle verankert ist. Das Training von Language Models spiegelt die Realit\u00e4t dieser Welt. Die Mehrzahl aller \u00f6ffentlich verf\u00fcgbaren Dokumente liegt in englischer Sprache vor. Der Common-Crawl-Datensatz, die wichtigste Quelle f\u00fcr das Training gro\u00dfer Sprachmodelle, besteht zu \u00fcber 40% aus englischsprachigen Inhalten \u2013 und keine andere Sprache erreicht einen Anteil von mehr als 7%. Mit anderen Worten: Die Modelle lernen aus dem, was sie sehen \u2013 und das meiste davon ist Englisch.<\/p>\n<\/div><\/div>\n<\/div>\n<\/div>\n\n

\n
\n
\n\n\n\n\t\n\n\t\n\t\n\t\n\t\n\t\n\t\n\t
Sprache<\/th>Common Crawl Share
\n(CC-MAIN-2026-12)<\/th>		Sprecher
\nweltweit<\/th>		Anteil an der
\nWeltbev\u00f6lkerung in %<\/th>		Verh\u00e4ltnis
\n(Web vs. Sprecher)<\/th>\n<\/tr>\n<\/thead>\n
Englisch<\/td>41.06 %<\/td>~1.53 billion<\/td>~18.7<\/td>+2.2x<\/td>\n<\/tr>\n
Deutsch<\/td>5.98 %<\/td>~135 million<\/td>~1.6<\/td>+3.7x<\/td>\n<\/tr>\n
Chinesisch<\/td>4.99 %<\/td>~1.18 billion<\/td>~14.4<\/td>+0.35x<\/td>\n<\/tr>\n
Spanisch<\/td>4.66 %<\/td>~560 million<\/td>~6.8<\/td>+0.7x<\/td>\n<\/tr>\n
Franz\u00f6sisch<\/td>4.61 %<\/td>~310 million<\/td>~3.8<\/td>+1.2x<\/td>\n<\/tr>\n
Italienisch<\/td>2.38 %<\/td>~90 million<\/td>~1.1<\/td>+2.2x<\/td>\n<\/tr>\n
Hindi<\/td>0.22 %<\/td>~610 million<\/td>~7.4<\/td>+0.03x<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div><\/div>\n\n

Quellen
\nhttps:\/\/commoncrawl.github.io\/cc-crawl-statistics\/plots\/languages (accessed March 30, 2026).
\nEthnologue 2025 (Eberhard, Simons & Fennig, eds., Ethnologue: Languages of the World, 27th ed., SIL International) \u2014 for total speaker counts (L1+L2).<\/p>\n<\/div><\/div>\n<\/div>\n<\/div>\n\n

\n
\n

Die Folge: Komplexe Anfragen im nicht-englischen Kontext k\u00f6nnen weniger pr\u00e4zise beantwortet werden, was sich insbesondere in fachsprachlichen Kontexten, wie zum Beispiel bei Rechts- oder Verwaltungstexten, auswirkt. Und auch wenn Deutsch als relativ \u201edatenreiche\u201c Sprache vergleichsweise privilegiert ist, teilt es die strukturellen Grundprobleme in abgeschw\u00e4chter Form. Doch es gibt auch Auswirkungen sekund\u00e4rer Natur: Anweisungen zur Filterung von problematischen Inhalten \u2013 z.B. Hasskommentare oder Aussagen, die auf schwere psychische Probleme hindeuten \u2013 werden prim\u00e4r in Englisch konzipiert und trainiert. Entsprechend verlieren sie ihre Pr\u00e4zision in anderen Sprachen. Dadurch werden derartige Aussagen h\u00e4ufiger \u00fcbersehen oder auch zu Unrecht herausgefiltert.<\/p>\n<\/div><\/div>\n<\/div>\n\n

\n

Deutsch, Franz\u00f6sisch, Spanisch, Russisch, Japanisch und Chinesisch (inklusive aller Dialekte) machen jeweils unter 6% des Common Crawl Datensatzes aus. W\u00e4hrend europ\u00e4ische Sprachen im Verh\u00e4ltnis zu ihrem Anteil an der Weltbev\u00f6lkerung sogar eher noch \u00fcberrepr\u00e4sentiert sind, ist es bei anderen Sprachen deutlich anders. Eine Studie, die auf der AAAI-Konferenz 2025 vorgestellt wurde, untersuchte acht afrikanische Sprachen \u2013 darunter Amharisch, Igbo und Shona \u2013 mit insgesamt \u00fcber 160 Millionen Sprechern. Die Autoren dokumentieren einen \u201eRich-get-Richer\u201c-Effekt: KI-Modelle sind vor allem f\u00fcr englischsprachige Nutzer hilfreich, die wiederum bessere Inhalte produzieren, mit denen noch bessere Modelle trainiert werden (arXiv 2412.12417). Besonders auff\u00e4llig: Hindi, das von mehr als einer halben Milliarde Menschen gesprochen wird und damit eine der meistgesprochenen Sprachen der Welt ist, hat gerade mal einen Anteil von 0,22% am Common Crawl Sprachschatz. Im medizinischen Bereich zeigt eine Studie der CLAWS-Lab, dass GPT-3.5 bei Hindi-Anfragen 38,6% weniger vollst\u00e4ndige Antworten liefert als bei englischen \u2013 ein konkretes Beispiel daf\u00fcr, wie Sprachungleichheit direkte Auswirkungen auf den Informationszugang und Nutzen von KI hat.<\/p>\n<\/div><\/div>\n<\/div>\n\n

\n
\n

Diese Probleme akzentuieren sich noch bei der Verwendung von kleineren Modellen (sogenannte Small and Medium Language Models mit unter 15 bzw. 100 Mrd. Parametern). Diese Modelle, die vor allem auch f\u00fcr Retrieval-getriebene L\u00f6sungen (RAG) im Standalone-Betrieb geeignet sind und damit auch die vielen Datenschutzprobleme mit Cloudanbindungen umschiffen, sind im Nicht-Englischen noch ungelenker als die gro\u00dfen Modelle. In einigen F\u00e4llen gibt es spezifische Erweiterungen, wie die Embeddings der Berliner Firma Jina f\u00fcr die kleinen Gemma-Sprachmodelle, aber auch diese l\u00f6sen das Grundproblem nicht vollst\u00e4ndig.\nSelbst Mistral, die europ\u00e4ische LLM-Alternative aus Frankreich, performt auf Englisch besser als in den eigentlichen Zielsprachen Deutsch und Englisch. In den Standard-Benchmarks wirkt sich das noch nicht gravierend aus.<\/p>\n<\/div><\/div>\n<\/div>\n<\/div>\n\n

\n
\"Image<\/span><\/div>\n<\/div>\n<\/div>\n\n
\n
\n

Zusammenfassung: Deutsch ist aufw\u00e4ndiger<\/h1><\/div><\/div>\n\n

Das Brookings Institut nutzte ein noch immer sehr zutreffendes Zitat als Ausgangspunkt seiner Analyse der KI-Sprachl\u00fccke 2024:<\/p>\n<\/div><\/div>\n\n

\"Die Grenzen meiner Sprache bedeuten die Grenzen meiner Welt.\"<\/h3>\n<\/div><\/div>\n\n

Ludwig Wittgenstein (1889-1951), Philosoph<\/span><\/p>\n<\/div><\/div>\n<\/div>\n<\/div>\n\n

\n
\n

Die Sprache, in der man arbeitet, bestimmt nachweislich, was KI f\u00fcr einen leisten kann. F\u00fcr Menschen, die kein Englisch sprechen, bedeutet dies einen erheblichen Nachteil in einer Welt, in der generative KI zunehmend zu einem n\u00fctzlichen Werkzeug f\u00fcr die Probleml\u00f6sung und die Erstellung von Ergebnissen wird.
Aus gesch\u00e4ftlicher Sicht ist es daher nicht verwunderlich, dass Projekte im Bereich der nicht-englischsprachigen KI hinter den Erwartungen zur\u00fcckbleiben und oft schon in der Prototypenphase scheitern. Was dabei regelm\u00e4\u00dfig untersch\u00e4tzt wird, ist der zus\u00e4tzliche Aufwand: das Training des Grundmodells f\u00fcr die spezifischen Sprachmuster der Anwendung, eine gut konzipierte RAG-Pipeline und die sorgf\u00e4ltige Feinabstimmung der Sprachgenerierung. All dies macht eine gute KI-Implementierung in nicht-englischsprachigen Umgebungen teurer.<\/p>\n

Es erfordert Zeit, Geld und ein bewusstes Bekenntnis zur sprachlichen Vielfalt im Entwicklungsprozess. Der erste Schritt besteht jedoch schon darin, anzuerkennen, dass diese L\u00fccke besteht. Wer sie ignoriert, zahlt den Preis einer KI-Anwendung, die nur wenig \u2013 oder schlimmer noch: gar keinen \u2013 Nutzen bringt.<\/p>\n<\/div><\/div>\n<\/div>\n\n

\n

Viele Sprachen, darunter auch Deutsch, sind strukturell komplexer als Englisch und ben\u00f6tigen meist l\u00e4ngere S\u00e4tze, um denselben Inhalt auszudr\u00fccken. Beispielsweise ben\u00f6tigen zusammengesetzte Substantive im Deutschen wesentlich mehr Tokens (die Verarbeitungseinheiten f\u00fcr sinnvolle Textfragmente). \u201eBildungsministerium\u201c als einzelnes Wort ist f\u00fcr ein Modell komplexer zu verarbeiten als \u201eministry of education\u201c \u2013 drei einfache englische W\u00f6rter hintereinander. Die Konsequenzen sind h\u00f6here Kosten pro Anfrage, ein schneller gef\u00fclltes Kontextfenster und damit schlechtere Argumentationsf\u00e4higkeiten sowie eine nachweislich h\u00f6here Halluzinationsrate. Eine IEEE-Studie aus 2024 identifizierte untertrainierte Tokens als direkte Ursache f\u00fcr Halluzinationen in Modellen wie GPT-4o bei nichtenglischen Texten (arXiv 2406.11214). Halluzinationen sind eines der problematischsten Aspekte der KI-Nutzung: Ein zuverl\u00e4ssig funktionierendes Modell liefert voller \u00dcberzeugung Antworten, die nicht stimmen und auch nicht belegbar sind, wenn zu einem Thema relativ wenige Informationen vorliegen, also die Vektorsuche keine exakten \u00dcbereinstimmungen finden kann. Studien zeigen, dass gro\u00dfe Modelle bei g\u00e4ngigen Themen sehr geringe Raten an falschen Inhalten ausgeben (zwischen 1-5% je nach Test). Sobald die Themen aber spezifischer werden, z.B. bestimmte wissenschaftliche oder rechtliche Fragen betreffen, oder weniger bekannte Personen, sind Halluzinationsraten von bis zu 50% keine Seltenheit. In Sprachen, die schon grundlegend weniger vertreten sind, potenziert sich dieser Effekt. Oder mit anderen Worten: Modelle sind da genau, wo sich die Nutzer sowieso in der Regel gut auskennen, und fabrizieren dort halluzinierte Inhalte, wo sehr spezifisches Wissen notwendig ist - der normale Nutzer also wenig Wissen hat, um das zu erkennen.<\/p>\n<\/div><\/div>\n<\/div>\n\n

<\/div>\n\n
<\/div>\n<\/div>\n<\/div>","protected":false},"excerpt":{"rendered":"

Im Bereich der dialogorientierten KI dominiert die englische Sprache, was f\u00fcr andere Sprachen schwerwiegende strukturelle Folgen hat, die nur mit erheblichem Aufwand behoben werden k\u00f6nnen.<\/p>","protected":false},"author":1,"featured_media":224829,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[47],"tags":[],"class_list":["post-224839","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blog"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.9senses.ai\/de\/wp-json\/wp\/v2\/posts\/224839","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.9senses.ai\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.9senses.ai\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.9senses.ai\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.9senses.ai\/de\/wp-json\/wp\/v2\/comments?post=224839"}],"version-history":[{"count":31,"href":"https:\/\/www.9senses.ai\/de\/wp-json\/wp\/v2\/posts\/224839\/revisions"}],"predecessor-version":[{"id":224977,"href":"https:\/\/www.9senses.ai\/de\/wp-json\/wp\/v2\/posts\/224839\/revisions\/224977"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.9senses.ai\/de\/wp-json\/wp\/v2\/media\/224829"}],"wp:attachment":[{"href":"https:\/\/www.9senses.ai\/de\/wp-json\/wp\/v2\/media?parent=224839"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.9senses.ai\/de\/wp-json\/wp\/v2\/categories?post=224839"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.9senses.ai\/de\/wp-json\/wp\/v2\/tags?post=224839"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}