Eine Wissensbasis, viele Märkte: Warum Übersetzung allein nicht skaliert

Internationale B2B-Unternehmen besitzen selten für jedes Land eine vollständig getrennte Wissensbasis. Technische Dokumentationen entstehen vielleicht auf Deutsch, Produktdaten auf Englisch, Servicetickets auf Französisch und lokale Richtlinien auf Polnisch.

Kunden und Mitarbeiter erwarten trotzdem, in ihrer bevorzugten Sprache suchen und verlässliche Antworten erhalten zu können.

Die naheliegende Lösung lautet häufig: Anfrage übersetzen, in der zentralen Wissensbasis suchen und das Ergebnis zurückübersetzen. Für einfache Inhalte kann das funktionieren. Bei technischen Produkten, branchenspezifischen Begriffen und komplexen Entscheidungen reicht dieser Ansatz jedoch nicht.

Mehrsprachige Enterprise Search ist keine Übersetzungsfunktion. Sie ist eine Retrieval-, Daten- und Qualitätsaufgabe.

Sprachunterschiede können zu messbaren Qualitätsunterschieden werden

Eine auf der EMNLP 2025 veröffentlichte Studie untersuchte mehrsprachige Unternehmensanwendungen und beobachtete bei den getesteten RAG-Systemen Genauigkeitsverluste von bis zu 29 Prozent gegenüber Englisch. Mit einem speziell auf sprachliche Konsistenz ausgerichteten Alignment-Verfahren ließ sich die nicht englische Genauigkeit im Versuchsaufbau um bis zu 23,9 Prozent verbessern.¹

Diese Werte stammen aus einem konkreten Forschungssetting und sind keine allgemeine Prognose für jedes Unternehmen. Sie zeigen aber, wie riskant es ist, von guter englischer Qualität automatisch auf andere Märkte zu schließen.

Für einen internationalen Hersteller kann dieselbe technische Frage je nach Sprache zu unterschiedlichen Produkten, abweichenden Einschränkungen oder verschieden vollständigen Antworten führen.

Das eigentliche Problem liegt häufig zwischen den Sprachen

Cross-Lingual RAG beschreibt Situationen, in denen die Sprache einer Anfrage nicht mit der Sprache der relevanten Quelle übereinstimmt.

Eine deutsche Niederlassung könnte beispielsweise nach einer „ölbeständigen Dichtung für hohe Druckbelastung“ suchen, während die maßgebliche Dokumentation nur auf Englisch vorliegt. Das System muss nicht lediglich Wörter übersetzen. Es muss erkennen, welche technischen Konzepte, Materialbezeichnungen und Betriebsbedingungen einander entsprechen.

Der XRAG-Benchmark untersuchte fünf Sprachmodelle in solchen Szenarien. Die Ergebnisse zeigten zwei unterschiedliche Herausforderungen: In monolingualen Retrieval-Szenarien hatten die Modelle Schwierigkeiten, die korrekte Antwortsprache beizubehalten. Bei mehrsprachigen Quellen lag das größere Problem im sprachübergreifenden Schlussfolgern über die gefundenen Informationen.²

Die richtige Sprache zu erzeugen ist also nicht dasselbe wie die richtigen Inhalte sprachübergreifend zu verstehen.

Warum übersetzte Testfragen kein realistischer Qualitätsnachweis sind

Viele mehrsprachige Tests beginnen mit englischen Fragen, die automatisch in andere Sprachen übertragen werden. Dadurch bleiben Struktur, Denkweise und Begriffswahl des englischen Originals erhalten.

Reale Nutzer formulieren jedoch anders. Sie verwenden lokale Produktnamen, Abkürzungen, Maßeinheiten, Branchenbegriffe und historisch gewachsene Bezeichnungen.

MEMERAG setzt deshalb auf ursprünglich in der jeweiligen Sprache formulierte Fragen. Antworten wurden von Fachannotatoren hinsichtlich Faktentreue und Relevanz bewertet. Die Studie argumentiert, dass muttersprachlich entstandene Testdaten die tatsächliche Nutzererfahrung besser abbilden als reine Übersetzungen.³

Für Unternehmen bedeutet das: Ein auf Deutsch erfolgreiches Testset kann nicht einfach maschinell übersetzt und als Qualitätsbeleg für Frankreich, Spanien oder Japan verwendet werden.

Fünf typische Fehler in internationaler B2B-Suche

1. Fachbegriffe werden wörtlich übersetzt

Eine korrekte Übersetzung kann fachlich trotzdem ungebräuchlich sein. Nutzer suchen häufig nach den Begriffen, die Lieferanten, Servicetechniker oder lokale Normen tatsächlich verwenden.

2. Produktbezeichnungen sind regional unterschiedlich

Ein Produkt kann mehrere Namen, frühere Artikelnummern oder lokale Handelsbezeichnungen besitzen. Diese Beziehungen müssen explizit modelliert werden.

3. Die passende Quelle liegt in einer anderen Sprache

Wenn Retrieval bevorzugt Dokumente in der Sprache der Anfrage auswählt, kann eine weniger relevante Übersetzung vor einer maßgeblichen Originalquelle landen.

4. Maße und Formate werden nicht normalisiert

Einheiten, Dezimalzeichen, Datumsformate und Schreibweisen unterscheiden sich. Eine Suche muss diese Varianten verstehen, ohne technische Werte unzulässig zu verändern.

5. Lokale Regeln werden mit globalen Informationen vermischt

Produkte, Zertifizierungen oder Vertriebsbedingungen können je nach Markt abweichen. Mehrsprachigkeit darf nicht dazu führen, dass Informationen aus dem falschen regionalen Kontext verwendet werden.

Eine skalierbare Architektur braucht mehrere Ebenen

Gemeinsames Produkt- und Begriffsmodell

Synonyme, Abkürzungen, Übersetzungen und Produktbeziehungen sollten zentral gepflegt werden. Dabei muss erkennbar bleiben, welche Begriffe echte fachliche Entsprechungen und welche nur ungefähre Übersetzungen sind.

Sprachübergreifendes Retrieval

Die Suche sollte relevante Inhalte auch dann finden können, wenn Anfrage und Quelle unterschiedliche Sprachen verwenden. Je nach Anwendungsfall können mehrsprachige Embeddings, übersetzte Suchanfragen oder hybride Verfahren kombiniert werden.

Herkunft der Quelle sichtbar halten

Eine Antwort auf Deutsch kann auf einer englischen oder französischen Quelle beruhen. Nutzer sollten nachvollziehen können, welches Originaldokument verwendet wurde und ob eine Übersetzung stattgefunden hat.

Lokale Geschäftsregeln berücksichtigen

Verfügbarkeit, Sortimente, Preise, Freigaben und regulatorische Anforderungen müssen nach Markt gefiltert werden. Sprachähnlichkeit ersetzt keine regionale Berechtigung.

Pro Sprache und Markt evaluieren

Die Qualität muss für reale Aufgaben der jeweiligen Zielgruppe getestet werden. Ein globaler Durchschnitt kann erhebliche Schwächen einzelner Märkte verdecken.

Welche Kennzahlen für die Geschäftsführung relevant sind

• Cross-Lingual Recall: Werden relevante Quellen auch über Sprachgrenzen hinweg gefunden?
• Language Correctness: Antwortet das System zuverlässig in der gewünschten Sprache?
• Faithfulness by Language: Sind Aussagen in allen Sprachen gleich gut durch Quellen belegt?
• Performance Gap: Wie groß ist der Qualitätsabstand zwischen der besten und schwächeren Sprachen?
• Terminology Consistency: Werden freigegebene Fach- und Produktbegriffe verwendet?
• Regional Accuracy: Passen Sortiment, Regeln und Verfügbarkeit zum jeweiligen Markt?
• Escalation Rate: In welchen Sprachen muss besonders häufig menschliche Hilfe übernehmen?

Diese Kennzahlen helfen, Investitionen nach wirtschaftlicher Relevanz zu priorisieren. Nicht jede Sprache benötigt sofort denselben Funktionsumfang. Qualitätsunterschiede sollten jedoch bekannt und bewusst gesteuert sein.

Mehrsprachige Suche ist auch ein Wissensstrategie-Thema

Unternehmen müssen entscheiden, ob Wissen zentral, lokal oder in einer Kombination gepflegt wird. Eine rein zentrale Redaktion bietet Konsistenz, kann aber lokale Expertise übersehen. Vollständig getrennte Wissensbestände berücksichtigen regionale Besonderheiten, erzeugen jedoch Doppelarbeit und Versionskonflikte.

In vielen B2B-Szenarien ist ein föderiertes Modell sinnvoll: Globale Produktinformationen werden zentral verantwortet, während regionale Teams lokale Ergänzungen, Synonyme und Vorschriften pflegen.

Die Suche verbindet diese Ebenen und entscheidet anhand von Sprache, Markt, Nutzerrolle und Anwendungsfall, welche Inhalte relevant sind.

Fazit: Internationale Skalierung beginnt beim Retrieval

Eine übersetzte Oberfläche macht noch keine mehrsprachige Enterprise Search. Entscheidend ist, ob Nutzer in ihrer Sprache die fachlich richtige Quelle finden und eine konsistente, nachvollziehbare Antwort erhalten.

Für CEOs internationaler B2B-Unternehmen ist das Thema deshalb mehr als UX. Es betrifft Skalierbarkeit, Servicekosten, Markenvertrauen und die Fähigkeit, Wissen über Ländergrenzen hinweg wirtschaftlich zu nutzen.

Mehrsprachige AI Search verbindet sprachübergreifendes Retrieval mit kontrollierter Terminologie, regionalem Kontext und einer Evaluation, die reale Fragen aus jedem Zielmarkt abbildet.

Sprechen Sie mit unseren Search-Experten darüber, wie sich internationale Produktdaten, Dokumentationen und Wissensquellen über Sprachgrenzen hinweg zuverlässig erschließen lassen.

Jetzt Meeting buchen!