October 23, 2026
Wenn Sie zwischen einem LLM und einem AI-Agenten für die Übersetzung wählen, verrät die Bezeichnung wenig darüber, was schiefgehen kann. Ein einzelner LLM-Aufruf kann ohne jede Warnung eine selbstbewusste falsche Antwort liefern. Ein Agent kann die richtige Frage stellen, aber jeder Schritt, den er unternimmt, kostet Zeit und bedeutet eine weitere Fehlerquelle.
Drei verschiedene Dinge teilen sich oft die Bezeichnung „AI-Agent“: ein einzelner LLM-Aufruf, ein Workflow, der viele Modelle gleichzeitig ausführt, und ein Agent, der in einer Schleife plant und agiert. Wir setzen alle drei bei MachineTranslation.com ein. Die folgenden Unterschiede resultieren aus dem Einsatz im Produktivbetrieb.
Ein LLM ist ein Modell. Sie senden Text hinein und erhalten in einem einzigen Aufruf Text zurück. Ein AI-Agent ist ein System, das um ein LLM herum aufgebaut ist. Das Engineering-Team von Anthropic unterscheidet beides danach, wer über die Schritte entscheidet. In einem Workflow legt der Code die Schritte im Voraus fest. In einem Agenten wählt das LLM seine Schritte und Tools selbst aus.
Daraus ergeben sich drei Formen für die Übersetzung. Ein einzelner LLM-Aufruf ist die einfachste, und er liefert eine Antwort ohne jedes Signal dafür, ob diese Antwort richtig ist. Ein Workflow, wie etwa das gleichzeitige Ausführen vieler Modelle und der Vergleich der Ergebnisse, folgt einem festen Pfad. Ein Agent arbeitet in einer Schleife. Er entscheidet, was zu tun ist, führt es aus und überprüft das Ergebnis. Er kann dem Benutzer auch eine Frage stellen, bevor er fortfährt.
Ein einzelner LLM-Aufruf ist ein einzelner Schritt. Ein Konsens-Workflow sendet denselben Text gleichzeitig an viele Modelle und vergleicht anschließend die Ausgaben. Ein Agent durchläuft Planen, Handeln und Prüfen in einer Schleife und kann anhalten, um dem Benutzer eine Frage zu stellen.
| Einzelner LLM-Aufruf | Konsens-Workflow | KI-Agent | |
|---|---|---|---|
| Schritte | Ein Aufruf | Viele Aufrufe gleichzeitig, dann ein Vergleich | Eine Schleife aus Planen, Handeln und Prüfen |
| Zeitverhalten | Latenz eines einzelnen Modells | Bestimmt durch das langsamste Modell im Pool | Wächst mit jedem Schritt |
| Hauptrisiko | Eine selbstbewusste falsche Antwort ohne Vorwarnung | Alle Modelle teilen dieselbe stillschweigende Annahme | Zusätzliche Schritte verursachen Verzögerungen und neue Fehlerquellen |
| Was hilft | Eine zweite Überprüfung | Eine Frage an den Nutzer | Schrittbegrenzungen und eine menschliche Überprüfung |
Ein Agent fügt Entscheidungen hinzu, die ein einzelner Modellaufruf nicht treffen kann. Er kann fragen, ob ein Satz formell oder informell sein soll. Er kann auch einen Begriff nachschlagen und seinen eigenen Entwurf überprüfen. Jeder davon ist ein zusätzlicher Schritt, und jeder Schritt bedeutet mehr Zeit und eine weitere Fehlerquelle.
Die Empfehlung von Anthropic lautet, mit dem einfachsten Design zu beginnen, das funktioniert. Verwenden Sie einen Workflow für eine klar definierte Aufgabe und einen Agenten, wenn die Aufgabe flexible Entscheidungen erfordert. Wir folgen derselben Regel. Der AI Translation Agent ist eine separate Ebene, die nur dann eingreift, wenn ein Satz etwas offen lässt, wie etwa wie formell der Text sein soll.
Der Multi-Modell-Konsens ist ein Workflow mit einem festen Pfad. Derselbe Text geht gleichzeitig an jedes Modell. Die Ausgaben werden verglichen, und die Version, auf die sich die meisten Modelle einigen, wird zurückgegeben. Anthropic nennt die Praxis, mehrere Versuche gleichzeitig auszuführen, um die Verlässlichkeit zu erhöhen, Parallelisierung.
Das technische Problem ist die Zeit. Wenn 22 Modelle nacheinander liefen, wäre die Wartezeit die Summe von 22 Aufrufen. Sie laufen parallel, sodass die Wartezeit vom langsamsten Modell im Pool bestimmt wird, wie wir in unserem Leitfaden zur Erstellung verifizierter Übersetzungen in Claude oder ChatGPT beschreiben. In einem Launch-Beispiel übersetzten fünf Modelle eine Phrase aus vier Wörtern und lieferten ein Ergebnis in 751 Millisekunden. Längerer Text dauert länger, und es gilt dieselbe Regel.
Wir haben Poolgrößen getestet und uns für 22 entschieden. Bei weniger Modellen wird das Übereinstimmungssignal schwächer. Bei mehr Modellen beginnt sich Latenz einzuschleichen. Der Nutzer sieht ein Ergebnis. Die Arbeit, die es schnell gemacht hat, fand vor dem Klick statt.
Konsens kann nur Uneinigkeit zwischen Modellen erkennen, daher kann er eine Entscheidung, die jedes Modell auf dieselbe Weise trifft, nicht erfassen. In unseren Tests gängiger Redewendungen übersetzten alle sieben gezeigten Modelle "good morning" ins Japanische mit dem formellen おはようございます, eine stillschweigende Entscheidung über Höflichkeit, nach der niemand den Nutzer gefragt hat.
Das französische "Je t'aime" folgte demselben Muster. Die Modelle einigten sich auf eine Übersetzung, aber die Phrase kann romantische, platonische oder familiäre Liebe ausdrücken, und die direkte Übersetzung sagt nicht, welche. Ein Vergleichsschritt hat nichts zu vergleichen, wenn jedes Modell auf dieselbe Weise antwortet.
Diese Lücke ist der Grund, warum der AI Translation Agent als eigene Ebene läuft. Er fragt nur nach Register, Zielgruppe und Ton, wenn der Text diese offen lässt. Der Konsens erfasst die Modelle, die uneins sind. Der Agent erfasst, was alle von ihnen voraussetzen.
KI-Lehrbücher unterteilen Agenten danach, wie sie entscheiden, was zu tun ist. Die klassische Liste reicht von einfachen Reflexagenten, die auf die aktuelle Eingabe reagieren, über zielbasierte Agenten, die auf ein Ergebnis hin planen, bis hin zu lernenden Agenten, die sich durch Feedback verbessern.
Auf Systemebene bringt jeder Schritt nach oben auf dieser Liste zusätzlichen Zustand und zu verwaltende Schleifen mit sich. Das Übersetzen profitiert am meisten von der zielbasierten Seite, da eine Übersetzung oft vom Kontext abhängt, den der aktuelle Satz nicht enthält. Unser AI Translation Agent setzt genau dort an. Er arbeitet auf eine Übersetzung hin, die zum Kontext passt, und sein wichtigstes Werkzeug ist eine Frage an den Benutzer.
Ja, denn neuronale maschinelle Übersetzungssysteme sind ausschließlich darauf trainiert, zwischen Sprachen zu übersetzen, was sie zu einer anderen Art von Modell als ein universelles LLM macht. Einige Modelle innerhalb der LLM-Familie funktionieren ebenfalls anders. Die meisten LLMs generieren jeweils ein Token nach dem anderen. Mercury von Inception Labs ist ein Diffusionssprachmodell, das Textblöcke parallel generiert, worüber wir in unserem Beitrag über die Aufnahme von Gemma und Mercury auf der Plattform berichten.
Ob eine neuronale Übersetzungs-API oder ein LLM besser geeignet ist, hängt von der jeweiligen Aufgabe ab. Eine neuronale Übersetzungs-API bedient ein Modell, das für eine einzige Aufgabe entwickelt wurde, während ein LLM Anweisungen befolgen und mehr Kontext nutzen kann. Der Engine-Pool von MachineTranslation.com umfasst sowohl traditionelle maschinelle Übersetzungs-Engines als auch LLMs, sodass eine einzige Anfrage beide Arten nutzen kann.
Welches LLM am stärksten ist, hängt vom Sprachpaar und der Sprachrichtung ab, daher legen wir uns auf Plattformebene nicht auf eines fest. Der Pool umfasst ChatGPT, Claude, Gemini, DeepSeek, Qwen, Grok und Mistral AI. Jedes Modell läuft parallel, sodass das Hinzufügen oder Austauschen eines Modells die Wartezeit nicht verlängert. Die Qualitätsergebnisse für bestimmte Modelle stammen aus unseren Modellvergleichstests.
KI-Agenten und Assistenten können MachineTranslation.com als Tool aufrufen. Der MCP-Connector ermöglicht es zahlenden Abonnenten, den Dienst aus Claude, ChatGPT, Copilot oder jedem Assistenten zu nutzen, der benutzerdefinierte Connectors unterstützt. Die Anfrage durchläuft denselben Pool von 22 Modellen parallel und gibt die Version zurück, auf die sich die meisten von ihnen einigen. Für den Assistenten wird die Übersetzung zu einem einzigen Tool-Aufruf. Der Modellvergleich bleibt auf unserer Seite, und die Konversation sieht nur das Ergebnis.
Sie können den parallelen Ablauf und die Fragen des Agenten an Ihrem eigenen Text beobachten. Fügen Sie einen Satz in MachineTranslation.com ein, und die Modelle laufen gleichzeitig an. Der Agent fragt nur nach, wenn der Satz etwas offen lässt.
Ein LLM nimmt Text auf und gibt in einem einzigen Aufruf Text zurück. Ein AI-Agent ist ein System, das um ein LLM herum aufgebaut ist und seine eigenen Schritte wählt sowie Tools nutzt. Er überprüft seine Arbeit und kann dem Benutzer Fragen stellen. Bei der Übersetzung entscheidet ein Agent, was als Nächstes zu tun ist, während ein einzelner Aufruf lediglich eine Antwort liefert.
Lehrbücher listen einfache Reflexagenten, modellbasierte, zielbasierte, nutzenbasierte und lernende Agenten auf, geordnet danach, wie sie entscheiden, was zu tun ist. Die Übersetzung profitiert am meisten von zielbasierten Agenten, die Tools wie das Nachschlagen in einem Glossar oder eine Frage an den Benutzer verwenden, da eine Übersetzung oft vom Kontext abhängt, den der aktuelle Satz nicht enthält.
Ja, da neuronale maschinelle Übersetzungssysteme nur darauf trainiert sind zu übersetzen und keine allgemeinen Chat-Modelle sind. Diffusionssprachmodelle wie Mercury sind dennoch Sprachmodelle. Sie generieren Text in Blöcken, während die meisten LLMs jeweils ein Token nach dem anderen generieren. MachineTranslation.com führt sowohl traditionelle maschinelle Übersetzungs-Engines als auch LLMs aus.
Ja, denn ein Agent kann ein Übersetzungstool ausführen und das Ergebnis überprüfen, und er kann Sie nach fehlendem Kontext wie Tonfall oder Zielgruppe fragen, bevor er etwas zurückgibt. Jeder dieser Schritte erfordert Zeit. Bei eindeutig definiertem Text ist ein einzelner Modellaufruf oder ein fester Workflow gewöhnlich einfacher, weshalb sich Agenten für Fälle eignen, die eine Entscheidung erfordern.
Das hängt von der Aufgabe ab, da eine neuronale Übersetzungs-API ein Modell bedient, das für eine einzige Aufgabe entwickelt wurde, während ein LLM Anweisungen befolgen und mehr Kontext nutzen kann. MachineTranslation.com legt sich nicht auf eines fest. Der Engine-Pool umfasst sowohl traditionelle maschinelle Übersetzungs-Engines als auch LLMs, und eine einzelne Anfrage kann jede der beiden Arten nutzen.
ChatGPT, Claude, Gemini, DeepSeek und Qwen sind LLMs, und jedes bewältigt eine Übersetzung in einem einzigen Aufruf. Ein paralleler Workflow kombiniert viele von ihnen. Ein AI-Agent fügt darüber hinaus Entscheidungen hinzu, wie etwa der MachineTranslation.com AI Translation Agent, der nach Tonfall und Zielgruppe fragt, wenn ein Satz diese offenlässt.