Terminologie und Korrektorat im Übersetzungsbüro mit Claude Code ordnen

Freitagabend, und für ein bereits geliefertes Handbuch kommt eine Reklamation rein: „Die Produktbezeichnung weicht von der letzten Ausgabe ab, oder?”

Ich prüfe nach – und tatsächlich, sie weicht ab. Letztes Mal hieß es „Kundenkonto”, diesmal „Nutzerkonto”. Im Glossar stand „Kundenkonto”, aber der Übersetzer, der unter Zeitdruck stand, hat die Stelle übersehen, und der Korrektor ebenfalls. In den drei Jahren, die ich jetzt im Übersetzungsbüro arbeite, ist genau das die häufigste Ursache für Nacharbeit.

Es geht hier nicht um Schuld. Das Glossar hat 200 Zeilen in Excel. Pro Auftrag wächst es ein bisschen. Der Übersetzer hetzt zur Deadline, der Korrektor liest jeden Satz mit dem Auge durch. Allein mit menschlicher Aufmerksamkeit jede Inkonsistenz abzufangen, ist schlicht nicht mehr machbar.

Also habe ich Claude Code als „ersten Filter für die Terminologieprüfung” eingesetzt. Die Entscheidung bleibt beim Menschen, aber die maschinell erkennbaren Fehler werden vorab ausgesiebt. Das hat besser funktioniert als erwartet – deshalb fasse ich das Vorgehen aus Sicht eines Projektkoordinators im Übersetzungsbüro zusammen.

Das Wichtigste in Kürze

Inkonsistente Schreibweisen und uneinheitliche Begriffe sind oft „maschinell erkennbare Fehler” – die meisten davon fängt die Erstprüfung von Claude Code ab.
Geben Sie das Glossar nicht als Excel-Datei weiter, sondern als CSV oder Text. Als „Liste von Regeln” liest die KI es genauer.
Trennen Sie im Übersetzungs- und Korrekturablauf klar: „Was die KI aufgreift” und „Was der Mensch entscheidet”. Das reduziert die Nacharbeit.
Ausgangstexte und Glossare der Kunden enthalten Eigennamen und unveröffentlichte Informationen – die Kontrolle, was übermittelt wird, ist Pflicht.
Pro Auftrag spart die Vorarbeit im Korrektorat 30 bis 60 Minuten. Bei zehn Aufträgen im Monat kommen so mehrere bis über zehn Stunden zusammen.

Was im Übersetzungsbüro tatsächlich passiert

Zuerst klären wir das Leserbild. Dieser Artikel richtet sich an Projektkoordinatoren, die im Übersetzungsbüro Aufträge steuern. Menschen, die nicht selbst den ganzen Text übersetzen, sondern zwischen Übersetzer und Korrektor stehen, das Glossar pflegen und zwischen Termin und Qualität zerrieben werden. Programmiererfahrung gibt es kaum – höchstens ein bisschen Makro-Wissen.

Der typische Arbeitsablauf im Übersetzungsbüro sieht ungefähr so aus:

Vom Kunden Ausgangstext, frühere Übersetzungen und Glossar erhalten.
Den Übersetzer mit der Rohübersetzung beauftragen.
Der Korrektor (Prüfer) kontrolliert den Zieltext.
Der Koordinator macht die Endabnahme und liefert aus.

Wo in diesem Ablauf entsteht die Nacharbeit? Erfahrungsgemäß fast immer zwischen Schritt 2 und 3.

Der Übersetzer verwendet die im Glossar festgelegte Übersetzung nicht (inkonsistente Schreibweise).
Zahlen oder Einheiten weichen vom Ausgangstext ab (aus „3,5 kg” wird „3,5 g” usw.).
Auslassungen (ein Satz des Ausgangstexts fehlt im Zieltext).
Klammertypen oder Schreibweisen entsprechen nicht den Auftragsregeln.

Das sind alles Fehler, die man „beim Lesen eigentlich bemerken müsste”. Aber wer den ganzen Text mit dem Auge durchgeht, übersieht bei langen Aufträgen umso mehr. Was der Korrektor übersieht, landet beim Koordinator, und am Ende wird daraus eine Reklamation nach der Lieferung. Diese „Zeit, in der Menschen maschinell erkennbare Fehler suchen”, ist die versteckte Kostenfalle im Übersetzungsbüro.

Was die KI übernimmt und was der Mensch immer entscheidet

Wenn man das nicht von Anfang an klar abgrenzt, geht es schief. Claude Code ist klug, aber die finale Entscheidung über die Übersetzungsqualität darf man ihm nicht überlassen. Die Grenze sieht so aus:

Arbeitsschritt	Claude Code übernimmt	Mensch (Korrektor/Koordinator) entscheidet
Terminologieprüfung	Glossar mit Zieltext abgleichen, Abweichungen auflisten	Ob die Abweichung ein Fehler oder eine kontextuelle Ausnahme ist
Schreibweisen	Abweichungen bei Klammern, Schreibweisen, Groß-/Kleinschreibung extrahieren	Die finale Schreibweise nach Kundenwunsch
Zahlen/Einheiten	Differenz der Zahlen zwischen Ausgangs- und Zieltext erkennen	Richtigkeit der Umrechnung, Sinnhaftigkeit
Auslassungen	Abweichung in der Satzanzahl melden	Ob es eine bewusste Zusammenführung/Trennung ist
Übersetzungsqualität	(übernimmt sie nicht – höchstens als Rohübersetzungshilfe)	Natürlichkeit, Ton, finale Bewertung von Fehlübersetzungen

Der Kernpunkt: Die KI darf nicht „die richtige Lösung festlegen”. Sie klebt nur einen Klebezettel an die Stelle: „Hier ist etwas verdächtig.” Ob der Zettel bleibt oder abgenommen wird, entscheidet der Mensch. Bricht man diese Rollenteilung auf, passiert der Unfall, dass eine Fehleinschätzung der KI ungeprüft ausgeliefert wird.

Wenn Sie unsicher sind, wie Sie den Aufgabenbereich formulieren, hilft das Prompt-Design aus claude-code-prompt-engineering-advanced. Bei vagen Anweisungen „korrigiert” die KI eigenmächtig – der Trick ist, bis hin zum Ausgabeformat zu spezifizieren.

Use Case 1: Abgleich mit dem Glossar

Das wirkt am stärksten. Sie geben Glossar und Zieltext ein und lassen nur die Abweichungen als Tabelle zurückgeben.

Wandeln Sie das Glossar zuerst von Excel in CSV um. Statt der KI das Excel direkt zu geben, lässt sich ein dreispaltiger Text aus „Quellbegriff, Zielbegriff, Anmerkung” leichter als Regelwerk auslesen. Der Vorbereitungs-Prompt sieht so aus:

Du bist eine Korrekturassistenz in einem Übersetzungsbüro.
Weise nach dem folgenden Glossar ausschließlich auf Begriffsabweichungen im Zieltext hin.

# Regeln
- Melde nur Stellen, an denen der "Zielbegriff" aus dem Glossar nicht verwendet wird.
- Beurteile nicht, ob es eine kontextuelle Umschreibung ist – nenne alle maschinellen Abweichungen.
- Korrigiere nicht. Weise nur hin.
- Ausgabe als Tabelle: | Zeile | Quellbegriff | Soll-Zielbegriff | Ist-Zielbegriff |

# Glossar (Quellbegriff, Zielbegriff, Anmerkung)
customer account, Kundenkonto, in allen Aufträgen einheitlich
sign in, anmelden, dieser Kunde nutzt einheitlich "anmelden"
delete, löschen, "entfernen" ist nicht zulässig

# Zieltext
(Zieltext hier einfügen)

Zurück kommt kein „Korrekturvorschlag”, sondern eine „Liste der Abweichungen”. Der Korrektor geht die Tabelle von oben durch und entscheidet nur, ob er korrigiert. Das ist deutlich schneller, als den ganzen Text erneut zu lesen.

Vorher hat der Korrektor das Excel-Glossar in einem separaten Fenster geöffnet und den Zieltext visuell damit abgeglichen. Nachher wurde daraus die Arbeit, die von der KI angeklebten Zettel zu prüfen. Auch wenn beides „Prüfen” heißt: Von null suchen oder Kandidaten bewerten – die Belastung unterscheidet sich grundlegend.

Use Case 2: Vorab-Checkliste für die Rohübersetzung

Bevor Sie an den Übersetzer übergeben – oder direkt nachdem die Rohübersetzung eingegangen ist – schalten Sie einmal eine maschinelle Prüfung dazwischen. Verwenden Sie diese Liste direkt:

Wird der Zielbegriff aus dem Glossar an allen Stellen verwendet?
Stimmen Zahlen und Einheiten zwischen Ausgangs- und Zieltext überein?
Gibt es Auslassungen (Sätze im Ausgangstext, die im Zieltext fehlen)?
Entsprechen Schreibweisen und Klammertypen den Auftragsregeln?
Stimmen Produktnamen, Personennamen und Eigennamen mit früheren Übersetzungen überein?
Haben sich verbotene Formulierungen (vom Kunden ungewünschte Wendungen) eingeschlichen?

Macht man diese Prüfung schon im Rohübersetzungsstadium, sinken die Fehler, bevor der Text beim Korrektor ankommt. Der Korrektor kann sich – mit der Annahme, dass das maschinell Erfassbare erledigt ist – auf das konzentrieren, was nur Menschen können: Natürlichkeit und das Erkennen von Fehlübersetzungen.

Wollen Sie die Rohübersetzung selbst von der KI unterstützen lassen, übergeben Sie nicht gleich den ganzen Text, sondern beschränken sich auf einen „Entwurf der Rohübersetzung unter Berücksichtigung früherer Übersetzungen und des Glossars”. Die finale Übersetzung macht der Mensch. Steht Ihr Team gerade erst am Anfang mit KI, lesen Sie vorab claude-code-for-non-engineers – das vermittelt ein Gefühl dafür, wie weit man delegieren sollte.

Use Case 3: Regelmäßige Inventur der Schreibweisen

Läuft ein Auftrag lange, veraltet das Glossar selbst. Änderungen wie „früher hieß es löschen, ab diesem Quartal ist entfernen okay” werden mündlich weitergegeben und nicht ins Glossar übernommen – das sorgt vor Ort für Chaos.

Lassen Sie deshalb einmal im Monat die KI die bisherigen Lieferungen gesammelt lesen und „Stellen, an denen demselben Begriff mehrere Übersetzungen zugeordnet sind”, herausfiltern. So finden Sie Lücken in der Glossarpflege. Halten Sie die gemeinsamen Projektregeln in einer Datei fest, dann zieht die KI sie jedes Mal heran – mit dem Vorgehen aus claude-md-best-practices bündeln Sie die auftragsspezifischen Regeln in einer Datei und vereinfachen den Betrieb.

Copy-paste-Prompt-Vorlage

Hier eine universelle Vorlage für die Erstprüfung im Korrektorat. Sie tauschen nur Auftragsnamen und Glossar aus.

# Rolle
Als Erstprüfung im Korrektorat eines Übersetzungsbüros nur maschinell erkennbare Fehler melden.

# Eingabe
- Glossar (Quellbegriff, Zielbegriff)
- Ausgangstext
- Zieltext

# Aufgaben (in dieser Reihenfolge)
1. Begriffsabweichungen extrahieren.
2. Differenz der Zahlen/Einheiten zum Ausgangstext extrahieren.
3. Verdacht auf Auslassungen (Satzanzahl Ausgangstext > Zieltext) melden.
4. Abweichungen bei Schreibweisen/Klammern extrahieren.

# Nicht tun
- Den Zieltext nicht umschreiben.
- Die Übersetzungsqualität nicht bewerten.
- Keine Ausnahmeentscheidungen treffen (das macht der Mensch).

# Ausgabeformat
## Begriffsabweichungen
| Fundstelle | Soll-Zielbegriff | Ist |
## Zahlen/Einheiten
| Ausgangstext | Zieltext | Differenz |
## Verdacht auf Auslassung
- (Stelle)
## Schreibweisen-Abweichung
- (Stelle)
Gibt es keine Beanstandung, in jeden Abschnitt "keine Hinweise" schreiben.

Ausführbares Prüfskript: Zahlenabweichungen maschinell aufspüren

Wenn Sie vor der Übergabe an die KI das, was sicher maschinell erkennbar ist – die „Zahlenabweichungen” –, vorab aussieben, sinkt die Abhängigkeit von der KI und es wird sicherer. Hier ist ein kleines Skript, das mit Node.js läuft. Geben Sie Ausgangs- und Zieltext als Text ein, gibt es eine Liste der Zahlen aus, die nur auf einer Seite vorkommen.

import { readFile } from "node:fs/promises";

// Pfade zu Ausgangs- und Zieltextdatei aus den Kommandozeilenargumenten
const [srcPath, tgtPath] = process.argv.slice(2);
if (!srcPath || !tgtPath) {
  console.error("Verwendung: node check-numbers.mjs ausgangstext.txt zieltext.txt");
  process.exit(1);
}

const src = await readFile(srcPath, "utf8");
const tgt = await readFile(tgtPath, "utf8");

// Alle Zahlen erfassen (inkl. Dezimal- und Tausendertrennzeichen)
const pick = (text) => (text.match(/\d[\d,.]*/g) || []).map((n) => n.replace(/,/g, ""));

const srcNums = pick(src);
const tgtNums = pick(tgt);

// Zahlen ausgeben, die nur auf einer Seite vorkommen
const diff = (a, b) => a.filter((n) => !b.includes(n));

const onlyInSrc = diff(srcNums, tgtNums);
const onlyInTgt = diff(tgtNums, srcNums);

console.log("Nur im Ausgangstext:", onlyInSrc.length ? onlyInSrc.join(", ") : "keine");
console.log("Nur im Zieltext:", onlyInTgt.length ? onlyInTgt.join(", ") : "keine");

if (onlyInSrc.length || onlyInTgt.length) {
  console.log("=> Verdacht auf Zahlenabweichung. Bitte die Stellen prüfen.");
  process.exit(2);
}
console.log("=> Die Zahlen stimmen überein.");

Speichern und ausführen, mehr nicht:

node check-numbers.mjs ausgangstext.txt zieltext.txt

Es ist keine perfekte Erkennung. Ändert sich die Wortstellung, gibt es Fehlalarme. Aber gravierende Abweichungen wie „die 3,5 ist im Zieltext verschwunden” findet das Skript schneller und zuverlässiger als das Auge. Bevor Sie sich auf das Urteil der KI verlassen, sollten Sie solche eindeutigen Prüfungen voranstellen. Setzen Sie Claude Code zum ersten Mal ein, richten Sie zuerst die Umgebung mit der Anleitung aus claude-code-getting-started-guide ein.

Sicherheit und Datenschutz

Für ein Übersetzungsbüro ist das überlebenswichtig. Ausgangstexte enthalten unveröffentlichte Produktinformationen, Verträge und Personennamen. Ein falscher Umgang kostet nicht Effizienz, sondern Vertrauen.

Prüfen Sie unbedingt, ob die Geheimhaltungsvereinbarung (NDA) mit dem Kunden die Übermittlung von Daten an externe KI-Dienste erlaubt.
Bei Aufträgen ohne Erlaubnis ersetzen Sie Eigennamen und Zahlen vor der Prüfung durch Platzhalter.
Personenbezogene Daten (Name, Adresse, Kontaktdaten) vor der Prüfung maskieren.
Wählen Sie eine Einstellung oder Vertragsform, bei der übermittelte Daten nicht zum Training verwendet werden.
Halten Sie pro Auftrag „KI-Nutzung erlaubt/nicht erlaubt” in einer Übersichtstabelle fest und teilen Sie sie unter den Koordinatoren.

Im Zweifel ist „nicht senden” die richtige Antwort. Der Glossarabgleich funktioniert auch mit verdeckten Eigennamen als Schreibweisenprüfung gut genug. Sind Sie beim Umgang mit personenbezogenen Daten unsicher, prüfen Sie anhand der Leitlinien der EU-Kommission zur DSGVO, ob Ihr Vorgehen den Vorgaben entspricht.

Richtwert für den ROI

Es ist eine grobe Schätzung, aber ich teile mein Gefühl. Für die Korrektur eines mittelgroßen Handbuchs (Ausgangstext rund 10.000 Zeichen) brauchten Menschen für die Vorarbeit aus Begriffsabgleich und Zahlenprüfung bisher 30 bis 60 Minuten.

Übergibt man den ersten Filter an KI und Prüfskript, schrumpft diese Vorarbeit auf etwa 10 Minuten. Unterm Strich 20 bis 50 Minuten weniger. Für ein Übersetzungsbüro mit zehn Aufträgen im Monat kommen so mehrere bis über zehn Stunden pro Monat zusammen.

Die gewonnene Zeit fließt dorthin, wo nur Menschen entscheiden können: Fehlübersetzungen und Ton. Das ist nicht bloß Zeitersparnis – Sie verlagern die menschliche Arbeitskraft an die finale Qualitätslinie.

Häufige Fragen

F. Darf ich die KI den Zieltext nicht direkt korrigieren lassen? Davon rate ich ab. Übergibt man auch die Korrektur, schleichen sich Fehleinschätzungen der KI ungeprüft in den Zieltext ein und die Korrektur nimmt sogar zu. Halten Sie die Teilung ein: Die KI „weist nur hin”, die Korrektur macht der Mensch.

F. Mein Glossar hat über 500 Zeilen. Kann ich alles übergeben? Realistisch ist, sich auf den für den Auftrag relevanten Bereich zu beschränken. Übergibt man alles, sinkt die Genauigkeit. Teilen Sie das Glossar nach Genre der Aufträge auf – das vereinfacht den Betrieb.

F. Was ist der Unterschied zu einer maschinellen Übersetzungs-Engine? Die Rollen sind verschieden. Maschinelle Übersetzung erzeugt den Zieltext; das hier Vorgestellte ist ein erster Filter, der den erzeugten Zieltext prüft. Kombiniert man beides, deckt man beide Enden ab – Erzeugung und Prüfung.

F. Verschwindet damit nicht die Arbeit des Korrektors? Im Gegenteil. Er wird von der Suche nach maschinell erkennbaren Fehlern befreit und kann sich auf das konzentrieren, was nur Menschen können: Fehlübersetzungen und Nuancen. Es geht darum, Zeit auf den wertvolleren Schritt zu verlagern.

F. Ich möchte es im Unternehmen einführen – wo fange ich an? Sicher ist, es mit einem Auftrag zu testen. Beginnen Sie zuerst mit dem Prüfskript für Zahlen, und weiten Sie es bei wachsender Routine auf den Begriffsabgleich aus. Brauchen Sie ein Betriebskonzept für das ganze Team, gestalten wir im Training und Beratung den konkreten Ablauf gemeinsam.

Was beim eigenen Test herauskam

Ich habe es an einem fiktiven Auftrag (Teil eines Produkthandbuchs, Ausgangstext rund 3.000 Zeichen) durchgespielt. Absichtlich habe ich „Kundenkonto” an drei Stellen in „Nutzerkonto” geändert und eine Zahl von „3,5” in „35” umgeschrieben.

Das Zahlen-Prüfskript hat die eingebaute „35” auf Anhieb als „nur im Zieltext” aufgegriffen. Der Begriffsabgleich-Prompt hat alle drei inkonsistenten Stellen in die Tabelle gebracht. Gleichzeitig hat er auch eine Stelle, die kontextuell bewusst umschrieben war, als „Abweichung” gemeldet – hier hat der Mensch entschieden „das ist eine Ausnahme” und sie belassen.

Was ich prüfen wollte: ob die Teilung „die KI klebt den Zettel, der Mensch entscheidet, ob er ihn abnimmt” in der Praxis funktioniert. Das Fazit: Schon der Wechsel hin zu einer Form, in der der Mensch von der Maschine gefundene Kandidaten prüft, senkt die psychische Last des Suchens von null spürbar. Keine perfekte Automatisierung, sondern die Vorarbeit übernehmen lassen und dabei die finale menschliche Entscheidung wahren. Für die Praxis im Übersetzungsbüro scheint diese Distanz genau richtig.