AI campaign localization 將份工由翻譯移到 transcreation 同 QA。交付物係母語細節——場 campaign 落喺一個市場，好似佢係喺嗰度做嘅一樣——唔係將一個語言嘅字數搬去另一個語言。Model 係引擎，佢比舊方式快好多。人仍然擁有關個 brand、個市場，以及關於一場 campaign 喺某個文化入面意味住咩嘅判斷。
我砌過一條 workflow，用並行 AI agent 喺四日內翻譯咗 390 萬字，所以我對部機器擅長咩、喺邊度失敗有強烈睇法。個失敗模式唔係差嘅文法；係文化上錯誤嘅流暢文案，噉更難捉到、亦都更有破壞力。
翻譯 vs transcreation
翻譯跨語言保留意義。Transcreation 重建一個 message，令佢落喺一種文化入面，保留意圖、改變字詞、idiom，有時係成個 creative angle。Campaign localization 一直係 transcreation，但當份工貴嗰陣，團隊成日退而求其次做翻譯、然後盼吓。
AI 改變咗經濟學，夠令將就唔再必要，並將呢個區分變成份工嘅中心。Model 即時產得到一份合格嘅翻譯。只有當你俾佢份 brief、brand rules、目標市場 context、以及一位母語 reviewer 嗰陣，佢先產得出一次強力嘅 transcreation。前者係商品；後者係產品。
條 pipeline
一條可行嘅 localization pipeline 有五個階段。源 brief 同 brand rules 先入去。Model 按市場產出草稿，改編而非翻譯。一層檢查捉到客觀失敗——數字、法律 claim、格式、一定要改嘅術語。一位母語 reviewer，最好喺市場內，做 transcreation 判斷。而批准咗嘅文案俾人打標籤同版本化，令源一變佢就喺各處更新得到。
版本化階段係團隊會跳過、之後後悔嗰個。一旦一場 campaign 活喺十二個語言度，源變咗而啲副本冇變係一個真實風險。將每個 localized asset 標到佢個源，令一次更新傳播得到，係令高量 localization 可維護、而唔係一次性衝刺嘅嘢。執行 lane將呢個當成 operating model 嘅一部分，唔係一個工具細節。
Brand 同法律
兩樣嘢唔應該留俾 model 自行裁量。第一係 brand 聲音，佢成日因市場而異——一種喺一個國家讀起上嚟自信嘅語調，喺另一個國家可能讀起上嚟傲慢。第二係法律同監管 claim，佢哋因市場而異、可以將一場 campaign 變成一個負債。兩者都需要 model 跟隨嘅規則、同一位負責嘅 reviewer。
務實嘅做法係一份隨每次 localization 請求一齊走嘅、按市場嘅 brand 同法律 brief。佢講出要求嘅語調、禁止嘅構造、以及需要批准嘅 claim。嗰份 brief 係 context，意味住佢屬於同 brand 其餘營運知識同一層嘅 memory。Governance 嗰篇覆蓋點樣負責任咁對待嗰份 context。
母語 review
母語 reviewer 係個 quality gate，條 pipeline 嘅好壞就取決於佢。Model 喺一個佢見過好多嘅語言度產得出流暢嘅輸出，而佢最弱嘅恰恰係 localization 最要緊嘅地方：幽默、idiom、文化引用同語調。個 reviewer 嘅工作係捉到「流暢但錯」，噉需要係母語者、並靠近個市場，而唔只係流利。
Review 應該結構化，唔係一次感覺檢查。一個話俾 reviewer 知該搵咩——語調、idiom、文化契合、claim 安全——嘅標準，令 review 可重複，亦都令條 pipeline 成熟時抽樣得到。將個 reviewer 當成 workflow 入面一個 senior 判斷角色，因為佢就係。
Measure localization
Measure localized 咗嘅 campaign 喺佢個市場有冇表現，唔係 measure 翻咗幾多字。量係輸入 metric；結果係個市場有冇以同源相同嘅比率回應、或者更好。如果 localized 文案流暢而場 campaign 表現唔好，transcreation 就失敗咗，而字數永遠顯示唔到呢點。
將個結果配一個質素訊號：已 review 文案嘅返修率。早期高返修率係正常同健康嘅；佢隨 context 同護欄改進而下降。追蹤兩者話你知條 pipeline 係喺 transcreation 上變好、定係只係變快。呢個同measurement 框架喺別處應用嘅同一速度同質素紀律。
仲值得睇一個訊號：一位母語 reviewer 唔改就批准嘅 localized 文案佔比。如果呢個佔比隨時間上升，個 context layer 同 brand brief 喺度將你嘅標準教俾 model，而 review 成本喺下降。如果佢喺個量攀升時保持持平，你喺度將 review 成本同份工作一齊擴展，而條 pipeline 更快卻冇更好。個趨勢比個水平更重要。
真源問題
高量 localization 喺源唔再係源嗰陣靜靜雞失敗。一場 campaign 以英文上線、localize 到十個市場，然後英文文案變咗——一個 claim 俾人軟化、一個 offer 俾人更新——而嗰十個 localized 版本保留咗舊 message。冇人留意到，直到一個市場投訴、或者一個監管者。
修法係將個源當成一個版本化嘅製成品、每個 localized 副本當成一個指向佢嘅指標。當個源變，受影響嘅副本俾人標記待重新 localize，而唔係俾人靜靜雞放住唔理。呢啲係唔起眼嘅 infrastructure，而佢係一條 localization 能力同一堆翻譯文件之間嘅差別。同樣嘅版本化紀律適用於 brand rules 同法律語言，佢哋按自己嘅節奏變。
同市場內 partner 合作
母語 reviewer 最好喺市場內搵，噉改變咗你點為 localization 簽約。與其由一個 vendor 買翻譯量，你由啲活喺市場度、知一場 campaign 實際會點落地嘅人度買少量 senior 判斷。噉係一種唔同嘅關係，亦都比一條翻譯隊列更難擴展。
可行嘅模式係一個市場內 reviewer 池，每人俾人 brief 過個 brand 同市場，用喺判斷層、而非成個 task。Model 做個量；個池做啲判斷。你喺度砌嘅係一張受信任嘅母語判斷網絡，佢遠比一個翻譯 vendor 有價值、亦都遠比一個競爭者複製得到嘅難。
一個務實嘅起步次序
由一場 campaign 同三個市場開始。砌份 brief、跑 model、跑檢查，喺個產出上放一位母語 reviewer。Measure 場 campaign 有冇落地，唔係 measure 你搬咗幾多字。只有當嗰個循環管用，先擴闊市場名單，亦都只有嗰陣先自動化版本化同傳播。
呢個次序令個 quality gate 保持喺個量前面，同大部分 localization project 運行嘅方式相反。佢對第一場 campaign 更慢，對第五場快好多，因為條 pipeline、啲 reviewer 同版本化都已經就位。執行 lane將呢件事放入更寬嘅 rollout。
唔好做咩
唔好將佢當成翻譯 task 而跳過母語 review，因為噉係「流暢但錯」上線嘅方式。唔好喺冇按市場嘅 brand 同法律 brief 之下 localization，因為 model 會即興發揮。唔好 measure 字數。亦都唔好喺唔將啲 asset 版本化到源嘅情況下跑一次性 localization 衝刺，因為下一場 campaign 會由重做你以為做完嘅工作開始。
FAQ
AI 喺冇人類 reviewer 嘅情況下 localization 得到一場 campaign 咩？
唔得，到唔到你肯將個 brand 押喺佢之後嗰個標準。Model 係引擎；母語 reviewer 係個 quality gate。自動化引擎而冇嗰道門，係一次流暢嘅錯翻譯到達一個市場並造成損害嘅方式。
對 campaign 嚟講，localization 同翻譯有咩唔同？
翻譯保留意義；localization 重建個 message 令佢落喺一種文化入面。Campaign 工作永遠係後者，因為佢一定要說服，唔只係告知。AI 令 transcreation 版喺量上變得可負擔，嗰個係真正嘅變化。
我哋該用市場內 reviewer 定中心 reviewer？
市場內，場 campaign 跑喺邊就用邊，因為判斷係文化同 context 嘅。一位講得到個語言嘅中心 reviewer 捉得到錯誤；一位市場內嘅 reviewer 捉到啲會落錯嘅嘢，嗰個先係要點。
AI localization 會唔會將 brand 聲音喺各市場壓平？
會，如果你唔俾 model 一份按市場嘅聲音 brief、同一兩位執行佢嘅 reviewer。默認係一個單一全球語調。將按市場嘅聲音當成明確 context，壓平風險就急劇下降。
短版
AI campaign localization 係 transcreation 加 QA，唔係翻譯。將 model 當引擎，俾佢份 brief 同 brand rules，用市場內母語 review 關住個產出，將每個 asset 版本化到源，measure 場 campaign 有冇落地、而唔係搬咗幾多字。Execution 指南覆蓋條 lane 其餘部分，面向 in-house 團隊嘅 lane將 localization 貫穿 operating model 嚟做。
如果你跑過高量 localization，我好想聽下「流暢但錯」嘅失敗喺邊度出現——嗰個總係有用嘅教訓。
Cheers, Chandler
本文提供繁體中文（香港）版本。課程材料（影片、template同配套指南）以英語同日語提供。本網站提供13種語言版本。