AI untuk Sokongan Pelanggan Berbilang Bahasa: Terjemahan Masa Nyata dan Penyetempatan

Oleh Linh Ngo · Dikemas kini 11 Oktober 2026

AI untuk sokongan pelanggan berbilang bahasa ialah penggunaan terjemahan mesin dan model bahasa berbilang bahasa untuk membaca mesej pelanggan dalam satu bahasa dan menjawab dalam bahasa lain, supaya pasukan yang bertutur dalam tiga bahasa dapat melayani tiga puluh. Ia merangkumi tiga tugas: menterjemah mesej masuk untuk ejen anda, menterjemah balasan keluar untuk pelanggan anda, dan menyetempatkan kandungan bantuan yang dibaca pelanggan sendiri. Apa yang tidak dijaminnya ialah ketepatan terjemahan itu. Itulah bahagian yang perlu direka oleh pengurus.

Panduan ini ditujukan kepada pemimpin sokongan yang menentukan setakat mana terjemahan AI boleh dipercayai, bahasa mana yang perlu dibuka dahulu, dan di mana manusia mesti menyemak hasilnya. Ia sebahagian daripada gambaran lebih luas tentang AI dalam perkhidmatan pelanggan, dan bergantung pada dua bahan yang penting di sini: cara AI berfungsi merentasi saluran sokongan dan menyediakan data sokongan untuk AI.

Fakta Utama

• Dalam tinjauan pengguna "Can't Read, Won't Buy" CSA Research pada 2020 (8,709 pengguna di 29 negara, diterbitkan pada Julai 2020), 76% berkata mereka akan memilih produk yang mempunyai maklumat dalam bahasa mereka sendiri berbanding produk serupa yang tiada, dan 40% berkata mereka tidak akan membeli daripada laman web dalam bahasa lain (CSA Research).
• Tugas umum Conference on Machine Translation 2024 membandingkan sistem pada 11 pasangan bahasa, termasuk 8 model bahasa besar dan 4 penyedia terjemahan dalam talian, menggunakan lebih 57,000 penilaian daripada 108 penganotasi manusia (dapatan WMT24).
• Kajian yang sama mendapati terjemahan Inggeris ke Sepanyol hampir sempurna dalam domain yang diuji, tetapi menyifatkan pertuturan sebagai domain yang mencabar, dan tajuknya menyatakannya dengan jelas: terjemahan mesin belum diselesaikan (dapatan WMT24).
• Piawaian suntingan pasca ISO 18587 menganggap suntingan pasca "penuh" sebagai laluan kepada kualiti setanding terjemahan manusia, dan ringkasan jawatankuasa menekankan bahawa hanya penyunting pasca yang layak patut terlibat (ATC ISO Committee).

Mengapa Sokongan Bahasa Ialah Isu Hasil dan Pengekalan

Sokongan selalunya tempat pertama jurang bahasa sesebuah syarikat kelihatan. Pasukan pemasaran mungkin menterjemah laman utama ke dalam empat bahasa. Namun pelanggan yang terpaksa menulis kepada anda dalam bahasa yang kurang dikuasainya ialah orang yang menentukan sama ada mahu kekal atau tidak.

Data CSA Research adalah tentang pembelian, bukan sokongan, jadi gunakannya dengan berhati-hati. Ia menunjukkan bahawa pilihan bahasa membentuk keputusan pembelian: dalam edisi 2020, 76% responden lebih suka produk yang mempunyai maklumat dalam bahasa mereka sendiri, dan 40% tidak akan membeli daripada laman dalam bahasa lain (CSA Research). Ia ialah tinjauan keutamaan yang dinyatakan, dan ia merangkumi tingkah laku membeli-belah, jadi jangan petik ia sebagai bukti bahawa sokongan dalam bahasa ibunda mengurangkan churn. Apa yang disokongnya ialah satu perkara yang lebih sempit: apabila pelanggan mempunyai pilihan, bahasa menjadi sebahagian daripada cara mereka menilai sama ada sesebuah syarikat sesuai untuk mereka. Sokongan dalam bahasa mereka ialah sebahagian daripada pengalaman itu.

Masalah praktikalnya ialah pengambilan kakitangan. Mengupah ejen penutur asli untuk setiap bahasa, pada setiap syif, hanya berkesan untuk pasaran terbesar anda. Terjemahan AI mengisi jurang itu untuk ekor panjang: bahasa yang hanya memberikan dua puluh tiket seminggu, bukan dua ribu.

Cara Terjemahan AI Berfungsi dalam Aliran Kerja Sokongan

Di sebalik label vendor, sebenarnya terdapat empat mekanisme, dan ada baiknya menamakannya kerana ia gagal dengan cara yang berbeza.

Pengesanan bahasa. Sistem mengenal pasti bahasa yang digunakan dalam sesuatu mesej. Perkhidmatan terjemahan lazimnya melakukan ini secara automatik apabila anda tidak menyatakan bahasa sumber, seperti yang diterangkan dokumentasi Cloud Translation Google bagi API asasnya (Google Cloud). Ia kedengaran remeh. Hakikatnya tidak begitu apabila pelanggan menulis mesej pendek, mencampurkan dua bahasa, atau menampal kod produk.

Terjemahan mesin. Satu model menukar teks daripada bahasa sumber kepada bahasa sasaran. Sistem terjemahan mesin neural yang lebih lama dan model terjemahan gaya LLM yang lebih baharu kedua-duanya wujud. Dokumentasi Google, sebagai contoh, menerangkan model neural piawai sebagai lalai dan model terjemahan gaya LLM yang berasingan sebagai pilihan yang anda pilih (Google Cloud). Memilih antara kedua-duanya ialah soal penilaian vendor, bukan sesuatu yang boleh diputuskan dalam sebuah catatan blog.

Kawalan terminologi. Glosari memberitahu sistem cara menterjemah nama produk, nama pelan dan istilah utama anda setiap kali. Dalam pelaksanaan Google, entri glosari mengatasi terjemahan biasa, pemadanan sensitif huruf besar-kecil secara lalai, istilah biasanya kurang daripada lima perkataan, dan glosari tidak mempunyai kawalan versi, jadi anda menyimpan fail sumber sendiri (Google Cloud). Platform lain berbeza dari segi butiran, tetapi prinsipnya sama: anda yang menentukan apa jadi kepada "Workspace" atau "Sprint" dalam bahasa Jerman, bukan model.

Penyetempatan. Ini melangkaui perkataan. Tarikh, mata wang, unit, panggilan formal berbanding tidak formal, frasa undang-undang dan nada semuanya berbeza mengikut pasaran. Balasan yang tatabahasanya sempurna masih boleh kedengaran kasar, terlalu santai atau salah dari segi undang-undang. Penyetempatan ialah sebab alat terjemahan sahaja tidak memberi anda fungsi sokongan berbilang bahasa.

Dari sudut ACE Framework, terjemahan kebanyakannya berada pada Ingest (membaca mesej), Analyze (mengesan bahasa dan niat) dan Generate (menghasilkan balasan). Meletakkan balasan yang diterjemah di hadapan pelanggan tanpa semakan seseorang pada hakikatnya ialah langkah Execute, kerana anda menghantar kata-kata bagi pihak syarikat anda.

Tiga Cara Melaksanakannya

Kebanyakan pasukan akhirnya menggunakan salah satu daripada tiga corak ini, dan corak yang sesuai bergantung pada risiko, bukan pada betapa baiknya terjemahan itu kelihatan dalam demo.

Perhatikan apa yang tiada: baris keempat untuk "terjemah segalanya secara automatik." Itu bukan corak, itu ketiadaan keputusan. Soalan automasikan atau bantu terpakai pada terjemahan sama seperti pada bahagian sokongan yang lain.

Contoh Sebenar Mengikut Fungsi

Teknologi yang sama kelihatan berbeza bergantung pada siapa yang menggunakannya.

Ejen barisan hadapan. Seorang ejen sokongan di Kuala Lumpur menerima tiket dalam bahasa Portugis. Alat itu memaparkan teks asal dan terjemahan bersebelahan, menyediakan draf balasan, dan ejen itu menyuntingnya dalam bahasa Inggeris terlebih dahulu supaya dia memahami dengan tepat apa yang dihantar. Draf itu diterjemah balik dan dipaparkan kepadanya. Jika terjemahan balik itu kedengaran janggal, dia memudahkan ayat itu dan tidak terus mempercayainya.

Layan diri dan pusat bantuan. Sebuah syarikat menterjemah 200 artikel bantuan yang paling banyak dilihat menggunakan terjemahan mesin, kemudian meminta penutur asli menyemak secara rawak 20 teratas. Hasil carian dan jawapan chatbot dalam bahasa pelanggan, berdasarkan artikel yang telah diterjemah. Ini tempat paling berkesan untuk bermula, kerana satu artikel yang diterjemah melayani ribuan pembaca. Jika anda sedang menambah baik cara pelanggan menemui artikel tersebut, tulisan tentang carian pusat bantuan berasaskan AI membincangkan bahagian carian.

Suara dan sembang langsung. Terjemahan masa nyata untuk sembang kini lazim, dan terjemahan pertuturan semakin baik, tetapi pertuturan lebih sukar. Penganjur WMT24 menyifatkan domain pertuturan sebagai domain yang mencabar bagi sistem terjemahan mesin (dapatan WMT24). Jika isi padu suara anda dalam sesuatu bahasa bermakna, ejen dwibahasa masih mengatasi lapisan terjemahan langsung bagi apa-apa yang melebihi permintaan mudah.

Undang-undang, kewangan dan pematuhan. Pertikaian dasar bayaran balik, permintaan pemadaman data atau notis tentang perubahan kontrak diserahkan kepada manusia yang layak dalam bahasa itu. Satu perkataan yang salah di sini boleh mengubah sesuatu kewajipan. Inilah tempat paling jelas untuk menarik garis "tiada AI tanpa semakan" anda.

Apa Kata Bukti tentang Kualiti

Kualiti bukan satu nombor. Ia berubah mengikut pasangan bahasa, jenis teks dan tahap formal kandungan. Bukti awam terbaik datang daripada Conference on Machine Translation tahunan, yang membandingkan sistem menggunakan penilai manusia profesional.

Dalam edisi 2024, penganjur mengumpulkan terjemahan daripada 8 model bahasa besar dan 4 penyedia dalam talian, bersama sistem penyelidikan, merentasi 11 pasangan bahasa, dan 108 penganotasi menyumbang lebih 57,000 penilaian (dapatan WMT24). Tiga pengajaran penting bagi pengurus sokongan:

1. Prestasi berbeza banyak mengikut pasangan bahasa. Kertas itu melaporkan hasil Inggeris ke Sepanyol yang hampir sempurna bagi domain yang diuji, dan tajuk kertas itu masih menyatakan bahawa terjemahan mesin belum diselesaikan. Jangan andaikan bahasa anda yang paling jarang digunakan berprestasi seperti bahasa yang paling kerap.
2. Penilaian manusia ialah hakim terakhir. Pengarang mendapati bahawa sistem teratas mengikut metrik automatik bukan pemenang secara menyeluruh dalam penilaian manusia, dan menyimpulkan bahawa penilaian manusia patut menjadi hakim terakhir kualiti terjemahan (dapatan WMT24). Bagi anda, itu bermakna skor kualiti vendor hanyalah titik permulaan. Uji pada tiket anda sendiri bersama penyemak dwibahasa.
3. Bahan ujian bukan tiket sokongan. Domainnya ialah berita, media sosial, pertuturan, teks sastera dan pendidikan. Itu pemerhatian tentang apa yang dirangkumi kajian itu, bukan kritikan terhadapnya. Mesej sokongan pendek, sarat emosi, penuh jargon produk dan sering salah eja, jadi hasil anda mungkin berbeza ke mana-mana arah.

Peraturan Semakan yang Memastikan Terjemahan Selamat

Had kualiti boleh diurus jika anda menetapkan peraturan mengikut risiko. Berikut titik permulaan yang praktikal.

Peringkatkan mengikut akibat. Susun kandungan yang anda terjemah kepada tiga kumpulan. Risiko rendah (status pesanan, waktu operasi, langkah panduan) boleh dihantar dengan semakan rawak. Risiko sederhana (penjelasan pengebilan, perubahan akaun, penyelesaian masalah yang boleh menyebabkan kehilangan data) memerlukan penyemak dwibahasa sebelum dihantar. Risiko tinggi (terma undang-undang, bayaran balik melebihi had, keselamatan, topik terkawal) memerlukan manusia yang layak yang menulis atau menyunting sepenuhnya balasan itu.

Pinjam perbezaan suntingan pasca. Industri terjemahan mempunyai piawaian untuk menyemak hasil mesin, iaitu ISO 18587. Ia membezakan suntingan pasca ringan daripada penuh, dan menerangkan suntingan pasca penuh sebagai mencapai kualiti setanding terjemahan manusia, dengan tahap yang dikenakan bergantung pada keperluan pelanggan (ATC ISO Committee). Anda tidak perlu mendapatkan pensijilan apa-apa untuk meminjam idea ini. Bacaan pantas memadai untuk kegunaan dalaman, seperti ejen menyemak sepintas lalu tiket masuk yang diterjemah. Teks yang dihadapkan kepada pelanggan tentang topik yang membawa akibat memerlukan rawatan penuh, dilakukan oleh seseorang yang layak dalam bahasa itu.

Sentiasa semak nombor, nama dan penafian. Ralat yang menyebabkan kerosakan sebenar jarang berupa tatabahasa yang janggal. Ia ialah jumlah yang salah, tarikh yang bertukar, perkataan "tidak" yang tercicir, atau nama produk yang diterjemah sedangkan ia sepatutnya kekal dalam bahasa Inggeris. Bina senarai semak ringkas dan letakkan di hadapan penyemak.

Pastikan teks asal sentiasa kelihatan. Setiap perbualan yang diterjemah patut menyimpan mesej asal pelanggan dan balasan asal anda, supaya pertikaian atau semakan QA dapat melihat apa yang sebenarnya dikatakan. Anggap salah terjemah seperti halusinasi AI yang lain: fasih, yakin dan sesekali salah.

Beri orang jalan keluar. Tawarkan pilihan yang jelas untuk beralih kepada manusia atau kepada bahasa lain. Ini berkait terus dengan satu tema daripada apa yang dijangka pelanggan daripada perkhidmatan AI: orang boleh menerima automasi apabila mereka boleh melepaskan diri daripadanya.

Cara Melaksanakan Sokongan AI Berbilang Bahasa, Langkah demi Langkah

1. Ambil gabungan bahasa daripada data anda. Kira tiket mengikut bahasa untuk enam bulan lepas, termasuk bahasa yang pelanggan gunakan untuk menulis tetapi anda kini jawab dalam bahasa Inggeris. Itulah lengkung permintaan anda.
2. Pilih dua atau tiga bahasa pertama mengikut isi padu dan risiko. Isi padu tinggi dengan topik berisiko rendah didahulukan. Jangan buka lapan bahasa serentak.
3. Terjemah pusat bantuan sebelum menterjemah perbualan. Satu artikel yang telah disemak melayani ribuan pelanggan. Mulakan dengan artikel teratas mengikut jumlah paparan dan pengalihan tiket.
4. Bina glosari. Senaraikan nama produk, nama pelan, label ciri dan frasa yang anda tidak mahu diterjemah. Minta penutur asli meluluskan istilah dalam bahasa sasaran. Simpan fail sumber di bawah kawalan versi sendiri.
5. Tulis helaian gaya bagi setiap bahasa. Panggilan formal atau tidak formal, gaya ucapan, cara anda merujuk pelanggan, unit dan format tarikh. Dua halaman sudah memadai.
6. Pilih corak pelaksanaan bagi setiap topik. Gunakan jadual di atas. Petakan setiap sebab hubungan kepada terjemahan masuk sahaja, draf dan semakan, atau terjemahan automatik terkawal.
7. Rekrut penyemak anda. Ejen dwibahasa, rakan serantau atau vendor terjemahan yang boleh dihubungi. Tentukan seberapa cepat semakan mesti dibuat, kerana semakan yang perlahan mengalahkan tujuan sokongan masa nyata.
8. Jalankan Pilot dengan garis dasar. Bandingkan CSAT, masa respons pertama, kadar buka semula dan kadar eskalasi bagi bahasa Pilot dengan ukuran yang sama sebelum anda bermula.
9. Semak kegagalan setiap minggu. Baca transkrip di mana pelanggan membalas "Saya tidak faham" atau meminta manusia. Betulkan glosari, helaian gaya atau peraturan topik, kemudian kembangkan.

Kualiti bahan sumber sama pentingnya dengan terjemahan. Makro yang bersepah dan artikel yang ketinggalan zaman akan diterjemah menjadi jawapan yang bersepah dan ketinggalan zaman dalam belasan bahasa. Itulah sebabnya menyediakan data sokongan untuk AI perlu dilakukan sebelum sebarang pelancaran.

Perangkap yang Perlu Dielakkan

Menganggap terjemahan sebagai kotak semak pelancaran. Mengatakan anda "menyokong" sesuatu bahasa kerana widget menterjemah ke dalamnya tidak sama dengan melayani pelanggan tersebut dengan baik. Ukur hasil bagi setiap bahasa.

Membenarkan ejen membalas dalam bahasa yang tidak dapat dibacanya. Jika ejen menghantar balasan terjemahan yang tidak difahaminya, dia tidak dapat mengesan ralat atau menjawab soalan susulan. Gunakan terjemahan balik atau penyemak.

Menterjemah perkara yang patut kekal dalam bahasa Inggeris. Nama produk, kod ralat, istilah API dan label butang kerap perlu sepadan dengan apa yang pelanggan lihat dalam antara muka anda. Glosari menyelesaikan kebanyakan masalah ini.

Mengabaikan dialek dan laras bahasa. Bahasa Sepanyol untuk Mexico, Sepanyol dan Argentina berbeza dari segi perbendaharaan kata dan nada, begitu juga bahasa Portugis untuk Brazil dan Portugal. Pilih varian yang sebenarnya digunakan pelanggan anda.

Melangkau semakan data dan privasi. Menghantar mesej pelanggan kepada perkhidmatan terjemahan pihak ketiga memindahkan data peribadi. Sahkan di mana ia diproses, apa yang disimpan dan sama ada kontrak serta peraturan tempatan anda membenarkannya.

Apa yang Perlu Diukur

• Kualiti: peratusan balasan terjemahan yang disunting oleh penyemak, kategori ralat yang ditemui semasa semakan (nombor, terminologi, nada, peninggalan).
• Hasil: CSAT, penyelesaian pada hubungan pertama dan kadar buka semula, dipisahkan mengikut bahasa dan mengikut perbualan terjemahan berbanding perbualan asli.
• Kelajuan: masa respons pertama dan masa pusing ganti semakan bagi setiap bahasa.
• Liputan: peratusan isi padu tiket yang dijawab dalam bahasa pelanggan sendiri, dan peratusan artikel bantuan yang tersedia dalam setiap bahasa.
• Kawalan: kadar eskalasi kepada manusia dwibahasa dan permintaan untuk bertukar bahasa atau bercakap dengan seseorang.

Langkah Seterusnya

Mulakan dengan kecil. Ambil bahasa bukan Inggeris terbesar anda, terjemah artikel bantuan teratas, dan jalankan draf dan semakan pada tiket bagi satu topik berisiko rendah. Ukur terhadap garis dasar selama sebulan. Kemudian tentukan sama ada mahu menambah bahasa atau melonggarkan semakan bagi topik itu. Jika anda menimbang berapa banyak yang patut diserahkan kepada mesin, panduan automasikan atau bantu memberi anda rangka keputusan, dan tulisan induk tentang AI dalam perkhidmatan pelanggan menunjukkan di mana terjemahan terletak antara tugas lain. Untuk sisi manusia dalam semakan, sentiasa libatkan human-in-the-loop (manusia dalam kitaran) di mana-mana perkataan yang salah mempunyai kos.