תזרים לוקליזציה עם AI: איך לייצר תוכן שיווקי בכמה שפות בלי צוות תרגום

יש לכם אתר בעברית, דף נחיתה באנגלית שמישהו כתב לפני שנתיים, ושלושה פוסטים בגרמנית שמנהל המכירות ביקש. כל אחד מהם נכתב אחרת, בשם מוצר קצת שונה, ועם CTA שאף אחד לא זוכר מי אישר. זה המצב הרגיל של רוב חברות ה-B2B הישראליות, וזה לא נפתר בכך שמחליפים מתרגם במודל.

הנקודה שקשה לעכל: כשאיכות המשפט מפסיקה להיות צוואר הבקבוק, צוואר הבקבוק עובר לניהול. למי יש את הגרסה הנכונה של מילון המונחים, מה קורה כששינו כותרת בעברית אחרי שכבר תרגמו אותה לחמש שפות, ומי אחראי לכך שהמילה "פלטפורמה" לא תופיע בשלוש צורות שונות באותו אתר. את זה לא פותר פרומפט. את זה פותר תזרים.

קשור לכתבה זו ←

תזרים לידים עם AI: מהטופס ועד המענה הראשון, המדריך המלא 2026 נשאלים סינתטיים: מה המחקר באמת מראה על פרסונות AI בשיווק

שלוש שכבות, לא אחת

רוב הדיון בשוק מערבב שלושה דברים שונים לגמרי. שווה להפריד אותם לפני שבונים משהו.

תרגום מכונה קלאסי (NMT) הוא מנוע שמקבל משפט ומחזיר משפט. הוא מהיר, זול, ודטרמיניסטי יחסית. הוא לא יודע מה המותג שלכם, הוא לא רואה את הפסקה הקודמת, והוא בדרך כלל לא יבין שהמילה שלפניו היא שם מוצר ולא שם עצם.

מודל שפה גדול עם פרומפט מביא הקשר. אפשר לתת לו את הפסקה שלפני, את מילון המונחים, את הנחיות הטון, ואת ההוראה לא לגעת בתגיות. זה בדיוק מה שהוא טוב בו, ובדיוק המקום שבו ספריית פרומפטים עם אילוצים מוכיחה את עצמה יותר מאשר פרומפט חופשי לכל בקשה. החיסרון: הוא לא זוכר בין קריאות, והוא ישמח להמציא ניסוח חדש לאותו מונח בפעם השנייה.

מערכת לוקליזציה (TMS) היא שכבת הניהול. היא מפרקת את התוכן ליחידות, שומרת מה כבר תורגם, מחזיקה את מילון המונחים, מנתבת לביקורת, ומחזירה את התוצאה למקום שממנו היא נלקחה. היא לא מתרגמת טוב יותר. היא מונעת מכם לתרגם את אותו משפט שבע פעמים, ובשבע ניסוחים.

הפורמט שמחבר ביניהן הוא ותיק ופתוח: XLIFF, תקן של OASIS שנועד, בלשון המסמך הרשמי, "לאחסן מידע הניתן ללוקליזציה ולשאת אותו משלב אחד של תהליך הלוקליזציה לשלב הבא, תוך שמירה על יכולת פעולה הדדית בין כלים". אם ספק מציע לכם פתרון סגור שלא יודע לייצא XLIFF, אתם קונים גם את הכלא.

מה המדידה העדכנית באמת אומרת

כאן צריך להיזהר, כי השוק מצטט מספרים שלא בדיוק אומרים את מה שנדמה. ה-משימת התרגום הכללית של WMT25 בדקה 60 מערכות על 30 צמדי שפות, עם הערכה אנושית בפרוטוקול ESA ו-MQM. התוצאה שקיבלה כותרות: Gemini 2.5 Pro נכנס לאשכול העליון ב-14 מתוך 16 צמדי שפות שהוערכו אנושית, ועקף את התרגום האנושי ב-10 מהם.

ועכשיו החלק שלא מצטטים. המארגנים עצמם כותבים שהתרגומים האנושיים ב-WMT מוכנים בידי מתרגמים מקצועיים, "אך אינם בהכרח נקיים משגיאות, ואינם עוברים את אותה רמת עריכה כמו תרגומים אנושיים בשימושים בעלי סיכון גבוה או בתרגומים שיצאו לפרסום". הם גם מציינים שהתרגום האנושי נכנס לאשכול המנצח רק בשישה מתוך 15 צמדים, ומוסיפים שייתכן שזה משקף העדפות סגנוניות או לקסיקליות של המסמנים. במילים אחרות, זו לא הוכחה ל"שוויון אנושי". זו אמירה על רף ייחוס מסוים בתנאי מעבדה.

ולגבי עברית: היא פשוט לא הייתה שם. לא במסלול ההערכה האנושית, ולא במסלול האוטומטי. אין מדידה פומבית ברמת MQM לתרגום מעברית לאנגלית במסגרת הזו, ולכן כל טענה על "רמת התרגום מעברית" היא הערכה, לא נתון.

מה כן ידוע על עברית. לפי סטטיסטיקת השפות של Common Crawl, בסריקה של ספטמבר 2026 אנגלית מהווה כ-41.86% מהעמודים ועברית כ-0.26%. המחקר על התאמת מודלים לעברית (DictaLM 2.0) מתאר עברית כשפה עם מורפולוגיה עשירה וקורפוסים מוגבלים בקנה מידה, ומצביע על יעילות טוקניזציה נמוכה: הטוקנייזר של Mistral צרך 5.81 טוקנים למילה עברית לפני הרחבת אוצר המילים. המשמעות המעשית פשוטה: עברית כשפת מקור היא הימור פחות בטוח מאנגלית, ולכן בשלב מסוים משתלם לכתוב את המקור השיווקי באנגלית ולתרגם ממנה, לא ממנה והלאה.

זיכרון תרגום ומילון מונחים דווקא נעשו חשובים יותר

ההנחה שמודל טוב הופך זיכרון תרגום (TM) ומילון מונחים (termbase) למיותרים היא בדיוק הפוכה מהממצאים. משימת המינוח של WMT25 בדקה שלושה מצבים: בלי מילון, עם מילון נכון, ועם מילון אקראי כביקורת. המסקנה: "אספקת מינוח נכון משפרת באופן עקבי גם את איכות התרגום הכוללת וגם את דיוק המונחים". במסלול ברמת המשפט המערכות המובילות הגיעו לדיוק מונחים של כ-99%, אבל ברמת המסמך הארוך הדיוק צנח לטווח של 70% עד 80%. כלומר ככל שהטקסט ארוך יותר, העקביות נשחקת, וזה בדיוק המצב של אתר שיווקי.

לגבי זיכרון תרגום, המחקר Adaptive Machine Translation with Large Language Models הראה שהזנת התאמות מקורבות מתוך TM כדוגמאות בתוך הפרומפט עדיפה באופן מובהק על דוגמאות אקראיות, ושהוספת מונחים מהמילון שיפרה את התוצאה בכל צמד שנבדק. בהערכה אנושית לצמד אנגלית לערבית נמדדה היצמדות של 94% למונחי המילון.

איך מזינים את זה בפועל, בלי להקים מחלקה. שתי דרכים עובדות. הראשונה: שליפה לפי דמיון מתוך מאגר התרגומים הקיים שלכם, והדבקת שלוש עד חמש הדוגמאות הקרובות ביותר לתוך הפרומפט יחד עם המונחים הרלוונטיים לאותו קטע. השנייה: להשתמש ביכולת שכבר קיימת ב-API. התיעוד של Adaptive Translation ב-Cloud Translation מתאר שליחה של עד חמישה זוגות משפטי ייחוס בבקשה, או דאטהסט של 5 עד 30,000 זוגות שמתוכו המערכת בוחרת אוטומטית את חמשת הדומים ביותר.

בשני המקרים, המקור שממנו נשלפים המונחים הוא אותו נכס בדיוק שמשמש אתכם לכל שאר עבודת ה-AI: שכבת ההקשר של המותג. אין סיבה להחזיק מילון מותג נפרד ללוקליזציה ומסמך טון נפרד לכתיבה.

שכבות התזרים, ואיפה כל אחת נשברת

זו הטבלה שאני מצייר על לוח בכל פעם שמישהו אומר "בוא נתרגם את האתר".

שימו לב שרק שורה אחת מתוך שמונה עוסקת באיכות התרגום עצמו. זה בערך היחס הנכון בין תשומת הלב שהשוק נותן לנושא לבין תשומת הלב שהוא ראוי לה.

תקלות הייצור שבאמת מפילות פרויקטים

אלה הדברים שנשברים בפועל, ורובם לא קשורים לאיכות השפה.

Placeholders ומשתנים. מחרוזת עם {count} או עם ארגומנט plural היא קוד, לא טקסט. התיעוד של ICU MessageFormat מציין במפורש שמתרגמים עלולים להרוס תבנית על ידי הסרה או שינוי של שמות הארגומנטים, שינוי מילות המפתח plural ו-select, וטיפול שגוי בגרשים המשמשים לציטוט תחבירי. מודל שמקבל את המחרוזת כטקסט חופשי יעשה בדיוק את אותן טעויות, רק מהר יותר.

יחיד, רבים, ומגדר. באנגלית יש שתי צורות ואפשר להסתדר. טבלאות כללי הריבוי של CLDR מגדירות לערבית שש קטגוריות: zero, one, two, few, many, other. מחרוזת שנבנתה סביב ההנחה של שתי צורות לא תעבוד שם, ולא משנה כמה טוב המודל.

אורך מחרוזת. המסמך של W3C על גודל טקסט בתרגום מצטט את הנחיות IBM: מחרוזת אנגלית של עד 10 תווים צפויה להתארך ב-200% עד 300% בשפות אירופיות, בעוד מחרוזת מעל 70 תווים תתארך בכ-130%. כלומר דווקא הכפתורים והתוויות הקצרים הם שיפוצצו את הממשק, לא פסקאות הגוף.

כיווניות. המאמר של W3C על מחרוזות וכיווניות מתאר את הבעיה: הדפדפן מניח שהקטע באנגלית וסימן הפיסוק שייכים להקשר הסובב, ומסדר אותם לפי הכיוון הכללי של הרכיב. בעברית ובערבית זה מייצר סימני פיסוק שקופצים לצד הלא נכון וטווחי מספרים שמתהפכים. הפתרון אינו תרגום טוב יותר אלא dir ו-bdi ברמת התבנית.

מה שאסור לתרגם. שמות מוצר, שמות תכונות, ערכי enum, מזהי קמפיין, ומונחים שהשוק שלכם ממילא אומר באנגלית. זו רשימה שמישהו צריך להחזיק, לא הנחה שהמודל ינחש.

מה לא מתרגמים בכלל: transcreation

יש סוג תוכן שתרגום שלו הוא הטעות, גם כשהתרגום מדויק. כותרת פרסום, סלוגן, בדיחה, וקריאה לפעולה בנויים על משחק מילים, על מקצב, ועל הקשר תרבותי. מה שצריך שם הוא כתיבה מחדש בשפת היעד מתוך אותו בריף, לא המרה של המשפט. בפועל זה אומר שבריף אחד הולך לשלושה כותבים בשלוש שפות, וכל אחד מחזיר משהו שונה שמשרת את אותה מטרה.

מי מחליט מה עובר לשם. אני מציע כלל אחד: כל מחרוזת שתפקידה לשכנע ולא להסביר. דף תיעוד מתרגמים. כותרת מודעה כותבים מחדש. ואם אתם חוששים שהגרסאות יתפצלו לשלושה מותגים שונים, זו בדיוק הסיבה להחזיק מסמך קול מותג מחייב לפני שמתחילים ולא אחרי.

איך מודדים בלי לקרוא הכל

אף אחד לא יקרא 200 עמודים בשש שפות. הפתרון הוא דגימה מובנית, וזה מתועד בתקן. ISO 5060:2024 עוסק בהערכת תפוקת תרגום ומכסה במפורש תרגום אנושי, תפוקת מכונה שעברה עריכה, ותפוקת מכונה גולמית. הוא מגדיר הערכה כבחינה דו לשונית של תוכן היעד מול תוכן המקור תוך סיווג שגיאות, ומקדיש סעיף נפרד לדגימה של התפוקה, כולל נספח ייעודי לדגימה בנפחים גדולים. התקן המשלים, ISO 18587:2017, מגדיר את הדרישות לעריכה אנושית מלאה של תפוקת מכונה ואת הכשירויות הנדרשות מהעורך.

לגבי שופט מודל. זה עובד, אבל לא כמו שמוכרים את זה. ב-משימת מערכות ההערכה האוטומטיות של WMT25 נמצא שמודלי שפה חזקים ברמת המערכת, אבל מדדים מבוססי ייחוס עוקפים אותם ברמת הקטע הבודד, ושעמידות על פני מגוון שפות רחב נותרה אתגר מרכזי. במחקר שבחן 21 מודלים כשופטים נמצא פער של 33.8 עד 41.2 נקודות אחוז בין הסכמה גולמית לבין מקדם קאפה, כלומר שופט שמדווח 85% הסכמה מגיע בפועל לקאפה של כ-0.48. באותו מחקר הטיית מיקום נעה בטווח של כמעט פי 100 בין מודלים, מ-0.002 ועד 0.192.

התרגום המעשי: שופט מודל מתאים לסינון ולתיעדוף, לא לאישור סופי. תנו לו למצוא את הקטעים החשודים, ושלחו רק אותם לאדם. ואם אתם מריצים את זה כתהליך קבוע, כדאי לקרוא גם איך מנטרים אוטומציות AI שנכשלות בשקט, כי תזרים לוקליזציה שנשבר לא מודיע על עצמו.

SEO: מה גוגל באמת אומר על תרגום מכונה

שלוש אמירות רצות בשוק ורק אחת מהן מדויקת.

הראשונה: "תוכן מתורגם נחשב תוכן משוכפל". התיעוד של גוגל על גרסאות מקומיות אומר את ההפך: "גרסאות מקומיות של עמוד נחשבות כפילויות רק אם התוכן העיקרי של העמוד נותר לא מתורגם". באותו מסמך גם מצוין ש-hreflang חייב להיות דו כיווני, ושאם שני עמודים אינם מצביעים זה על זה התגיות יתעלמו מהן.

השנייה: "גוגל מענישה תרגום מכונה". מדיניות הספאם הנוכחית אינה כוללת סעיף נפרד על טקסט מתורגם במכונה. מה שיש שם הוא ניצול לרעה של תוכן בהיקף גדול, שמוגדר כיצירת עמודים רבים שמטרתם העיקרית מניפולציה של דירוגים ולא עזרה למשתמשים, ותרגום מוזכר שם כאחת מטכניקות ההסוואה. ב-11 ביוני 2025 גוגל מסרה ל-Search Engine Land שהמדיניות "אינה מגדירה באופן מוחלט תוכן שתורגם באמצעות AI כספאם". כלומר הקריטריון הוא ערך, לא שיטת ייצור.

השלישית: "מנוע AI יצטט את הגרסה באנגלית ממילא". זו לא שאלה של hreflang אלא של פער ציטוטים בין שפות, ועסקנו בה בנפרד בכתבה על פער הציטוטים בין עברית לאנגלית במנועי AI. hreflang תקין הוא תנאי הכרחי, לא מספיק.

עלות, צוות, והטעות של "מתרגמים הכל"

הטעות הנפוצה ביותר אינה בחירת ספק. היא היקף. חברה מחליטה לתרגם את כל האתר לחמש שפות, מגלה אחרי חודשיים שארבע מהן לא מייצרות פניות, ונשארת עם חוב תחזוקה: כל שינוי במקור צריך להתגלגל לכל הגרסאות, לנצח.

מה שאני רואה עובד בחברות של 5 עד 50 איש: שכבת הניהול נשארת בבית, כי מילון המותג והחלטה מה נכנס לתרגום הן החלטות מותג. הייצור הוא אוטומטי. הביקורת האנושית נקנית בחוץ, ורק על מה שבאמת חשוב: דפי מוצר מרכזיים, תמחור, מסמכים משפטיים, ומודעות. תוכן ארוך שמטרתו נראות מקבל דגימה, לא קריאה מלאה. את התזמור בין השלבים אפשר להרכיב באותם כלים שכבר משמשים אתכם לשאר האוטומציה, למשל סוכן AI ב-n8n, ולא צריך להקים מערכת חדשה בשביל זה.

סדר ההקמה בחברה של 5 עד 50 איש

1. בחרו שפה אחת. לא ארבע. השפה של השוק שבו כבר יש לכם לקוחות משלמים, לא זו שנשמעת מבטיחה.
2. מפו מה בכלל עובר. רשימה של 20 עד 40 נכסים מדורגים לפי תרומה לפניות. כל מה שמתחת לזה נשאר בשפת המקור בינתיים.
3. כתבו מילון מונחים. 50 עד 150 שורות: מונח מקור, תרגום מאושר, מה נשאר באנגלית, והערה קצרה מתי. זה מסמך חי עם בעלים אחד.
4. הגדירו רשימת אל תיגע. שמות מוצר, מזהי קמפיין, ערכי enum, וכל placeholder. זה הקובץ שמונע 80% מתקלות הייצור.
5. הקימו חילוץ נקי. טקסט יוצא בלי HTML ובלי משתנים, או עם סימון שהמודל מונחה לא לגעת בו. בדקו את זה על עשרה קטעים לפני שמריצים מאה.
6. הריצו קטע פיילוט. חמישה עמודים, עם המילון ועם שלוש דוגמאות מהתרגומים הקיימים שלכם בתוך הפרומפט. השוו לתרגום בלי הדוגמאות וראו את ההבדל בעצמכם.
7. הגדירו שער ביקורת. מה עובר לדובר שפת אם תמיד, מה נדגם, ומה עולה אוטומטית. כתבו את זה כשלושה כללים, לא כמסמך.
8. סגרו את הפרסום. hreflang דו כיווני, x-default, ו-dir תקין בתבנית. בדקו בדפדפן, לא ב-CMS.
9. מדדו תוצאה, לא נפח. פניות, זמן שהייה, וציטוטים במנועי AI לאותו שוק. אם אחרי רבעון שפה לא מייצרת כלום, מורידים אותה במקום להוסיף שתיים.

איפה מתחילים

אם יש לכם 40 דקות היום, פתחו גיליון ריק וכתבו את מילון המונחים. שלוש עמודות: מונח בעברית או באנגלית, התרגום המאושר, והערה מתי לא לתרגם. תתחילו מהמונחים שמופיעים בדף הבית ובדף המוצר הראשי, בערך 30 שורות. זה הנכס היחיד בתזרים הזה שאף מודל לא יכול לייצר במקומכם, וזה גם הנכס שהופך את כל שאר השכבות לשוות משהו. אחרי שהוא קיים, הפרומפט הראשון שתריצו כבר יהיה טוב יותר מכל ניסיון קודם, וכדאי לבנות אותו לפי נוסחת הפרומפט עם אילוצים.

שאלות נפוצות

האם מודל שפה מחליף היום מתרגם מקצועי?

לא באופן גורף. ב-WMT25 מערכות מבוססות מודלים אכן עקפו את תרגומי הייחוס האנושיים בחלק מצמדי השפות, אך המארגנים מציינים שתרגומי הייחוס אינם עוברים את רמת העריכה של תרגום שיוצא לפרסום, ושהתוצאה עשויה לשקף העדפות סגנוניות של המסמנים. לעברית אין בכלל מדידה במסגרת הזו. הכלל המעשי: מודל לייצור, אדם לשער איכות על מה שחשוב.

גוגל תוריד לי בדירוג אם אתרגם עם AI?

מדיניות הספאם הנוכחית של גוגל אינה כוללת סעיף על תרגום מכונה, וגוגל מסרה ביוני 2025 שהמדיניות אינה מגדירה תוכן שתורגם ב-AI כספאם באופן מוחלט. מה שכן קיים הוא סעיף ניצול לרעה של תוכן בהיקף גדול, שבוחן אם העמודים נוצרו כדי לעזור למשתמשים או כדי לתפוס דירוגים. תרגום של עמוד בעל ערך אינו הבעיה. ייצור אלפי עמודים דקים כן.

צריך להשקיע במערכת TMS אם אנחנו חברה קטנה?

לא בהתחלה. מה שחייב להתקיים מהיום הראשון הוא מילון מונחים בבעלות אחת, רשימת אל תיגע, ושמירה של התרגומים הקודמים במקום שאפשר לשלוף ממנו. אפשר לעשות את שלושת אלה בגיליון ובתיקייה. מערכת מסודרת הופכת להכרחית כשמספר השפות עולה על שתיים או כשהמקור משתנה בתדירות גבוהה, כי אז המעקב הידני מתמוטט.

איך בודקים איכות בלי לקרוא את כל התוכן?

דגימה מובנית לפי ISO 5060, שמקדיש סעיף נפרד ונספח לדגימת תפוקה בנפחים גדולים. בפועל: דוגמים אחוז קבוע מכל אצווה, מסווגים שגיאות לפי סוג וחומרה במקום לתת ציון כללי, ומשתמשים בשופט מודל כדי לסמן קטעים חשודים בלבד. אל תסמכו על ציון של שופט מודל כאישור סופי, כי מחקרים מצאו אצלו פערי הסכמה גדולים והטיית מיקום שמשתנה מאוד בין מודלים.