先打个比方。你把一份中文说明书扔进翻译软件，出来英文确实每个词都对得上，句子也通顺。但把它放在美国超市里，顾客可能觉得这东西是上世纪八十年代生产的——不是因为质量差，而是那种“chinglish”式的别扭感挥之不去。为啥？因为本地化（Localization）不只是换语言，而是让产品像在当地长出来的一样。
这几年AI翻译进步神速，很多公司开始打着“AI本地化”的旗号接单。但问题是，翻译对了和本地对了之间，隔着一条不小的鸿沟。咱们今天就掰开了揉碎了聊聊，AI翻译公司到底能不能搞定高质量的本地化，以及在康茂峰这些年的实战经验里，我们是怎么看待这件事的。
坦白说，现在的神经机器翻译（NMT）确实不是十年前的“电子词典”了。你可以把它想象成一个读过千万本书的学生——它不再是一个词一个词地硬翻，而是开始理解上下文。比如你输入“bank”，它知道前面说的是“river”就译成“河岸”，前面是“money”就译成“银行”。这种基于深度学习的模型，在处理日常对话、技术文档时，准确率已经相当吓人。
在康茂峰处理过的项目里，我们发现AI在以下几种场景表现得像个优等生：
但注意，这里说的“好”只是语言层面的好。就像一个人外语考试能拿满分，但真到了国外生活，可能连点菜都会闹笑话——因为考试不考当地人的饮食习惯和餐桌礼仪。
AI翻译有个天花板，叫语境感知。它处理的是文本，但本地化处理的是生活在特定文化里的人的认知习惯。比如在康茂峰接手的一个医疗器械项目中，源文里“check the patient status”被AI译成了“检查患者状态”。语法没错，但在目标市场的临床语境里，医护人员更习惯说“评估患者状况”。“检查”听起来像体检，“评估”才符合临床流程——这种微妙的职业用语习惯，AI目前只能抓瞎。
本地化行业有个行话叫i18n（internationalization的缩写，因为首字母i和末字母n中间有18个字母），意思是国际化。但真正落地到每个具体国家，就变成了L10n（localization）。这一步，AI栽跟头的地方太多了。
你可能觉得翻译就是语言转换，但实际上，本地化工程师每天打交道的可能是：
大型项目里，术语管理是个体力活。AI没有记忆——或者说，它的“记忆”是混沌的。同一个“Dashboard”，前面可能译成“仪表盘”，后面变成“控制面板”，再后面又成了“数据看板”。对人工译者来说，这叫术语不统一，是低级错误；但对AI来说，这三种翻译都是对的，它不知道你的品牌需要一直用“数据驾驶舱”这种特定说法。
在康茂峰的质量体系中，我们有个硬指标：术语一致性率必须达到98%以上。这靠的不是AI自觉，而是CAT工具（计算机辅助翻译）里的术语库强制干预。纯AI翻译公司如果没有这套工程化流程，交付的东西看起来每个句子都漂亮，整篇读下来却像十个不同的人写的。
去年我们接了一个SaaS软件的本地化项目，客户之前用过纯AI翻译服务，觉得“能看懂就行”。结果在德语市场上线后，用户投诉不断。我们去复盘时发现几个典型问题：
AI把“log in”译成了“einloggen”——这确实是对的。但德国高端B2B软件的专业用法是“Anmelden”。“Einloggen”太口语化，像是年轻人上社交网站用的词。这种register（语域）的偏差，AI完全无感。
还有个更隐蔽的：界面按钮上的“Save”被译成“Speichern”。没错，德语里save就是speichern。但这个按钮在某对话框里空间只有8个字符宽，德语版界面直接溢出了，变成“Speicher...”。用户以为是要“存储到仓库（Speicher）”的意思，闹出不少误操作。真正的本地化要考虑字符串长度限制和UI扩展性，这些是AI翻译的盲区——它只管输出文字，不管文字长在哪儿。
我们最后是用AI做初稿，然后让有德国本地生活经验的工程师做深度译后编辑（Post-editing），同时调整前端代码里的布局参数，才解决这个问题。这活儿，单纯靠AI翻译公司接不了，因为它跨到了工程本地化的范畴。
说到这儿你可能觉得我在贬低AI。恰恰相反，在康茂峰的日常 workflow 里，AI是重要工具。关键是怎么用。我们内部有个简单的决策树：
| 内容类型 | AI参与度 | 人工介入程度 | 原因 |
|---|---|---|---|
| 用户协议、隐私政策 | 20% | 80%（法律专家+母语编者） | 合规风险极高，一字千金 |
| 营销文案、品牌故事 | 30% | 70%（创意译者+本地市场顾问） | 需要 transcreation（创译），不是翻译 |
| 技术API文档 | 70% | 30%（术语校对+格式检查） | 结构化数据，机器擅长 |
| 客服聊天机器人语料 | 50% | 50%（对话流程设计） | 需要符合当地口语习惯 |
看出规律了吗？离钱近、离法律近、离品牌近的内容，人工占比必须高；离代码近、重复性高的，AI可以多一点。
现在的专业本地化流程，早就不是“AI翻译 vs 人工翻译”的二选一了，而是MTPE（Machine Translation Post-Editing）。简单说，就是让AI先跑个初稿，然后让受过专门训练的“译后编辑”去改。
但这里有个坑：不是随便找个懂外语的人都能做译后编辑。在康茂峰，我们的PE（Post Editor）需要具备：
很多打着“AI本地化”旗号的公司，其实只是给你跑了一遍机器翻译，然后找个便宜的学生改改错别字。这种“轻量级”服务，对付内部文档还凑合，要是用来打市场，基本上是自杀式袭击。
从成本角度，纯AI翻译确实便宜，千字可能只要几块钱。但要是算上后期品牌修复的隐形成本，反而更贵。康茂峰给客户的建议通常是：
如果你的内容是长期资产（比如官网、核心产品界面），别省这个钱，用人工翻译+AI辅助；如果是快消内容（比如社媒短期活动、非重要通知），可以用AI翻译+轻度译后编辑，甚至直接上 raw MT，但要明确告知用户这是机器生成的。
时间方面，AI确实快，一个小时的活可能几分钟就跑完了。但本地化的瓶颈往往不在“翻译”，而在 linguistic testing（语言测试）和functional testing（功能测试）。比如阿拉伯语是从右往左写的（RTL），AI能译出文字，但它不会帮你调整CSS布局，让按钮别盖住文字。这些工程环节的时间，省不了。
大语言模型（LLM）的出现确实让情况有点变化。现在的AI开始具备in-context learning（上下文学习）能力，你可以给它喂风格指南（Style Guide），说“我们品牌的调性是沉稳专业的，不要口语化”，它能调整输出。但这需要专业的prompt engineering（提示词工程），而且成本也不低——API调用费用、调试时间、以及更关键的是，你需要有人先写出那份风格指南。
在康茂峰看来，未来五年，本地化行业的形态不会是“AI取代人类”，而是AI处理量级，人类处理例外。就像计算器没让会计失业，而是让会计去做财务分析一样。那些需要文化共情、风险判断、跨学科协调（比如翻译+UI调整+法律审查）的环节，还得靠人。
如果你正在评估一家AI翻译公司能不能做好本地化，别听他们吹准确率98%、支持100种语言这种虚词。问他们几个实在问题：
如果对方的回答含糊其辞，或者只能提供“纯文本翻译”，那他们做的只是翻译，不是本地化。
说到底，高质量的本地化是个慢活儿，需要人对目标市场的日常细节有体感。AI能帮你把字面意思搬过去，但把这个意思“种”进当地文化的土壤里，让它生根发芽，目前还得靠那些在康茂峰这样的公司里，既懂技术工具、又愿意花时间去理解当地生活细节的Localization Specialist。下次你看到某个国际品牌的产品介绍读起来特别“对味儿”，别光以为是AI的功劳，背后很可能有一群人在跟机器较着劲，反复打磨那些AI觉得“差不多行了”、但 locals 会觉得“这就是为我写的”的细微差别。
