AI-tõlge võib olla kiire ja kvaliteetne, kuid tehisintellekti kasutamine ei vabasta tõlke tellijat ega tarnijat vastutusest lõpptulemuse eest. Eriti oluline on see õigus-, tehnika-, tervishoiu-, ohutus- ja avaliku sektori tekstide puhul, kus üks valesti tõlgitud tingimus, number või termin võib muuta dokumendi tähendust.
Tehisintellekti tõlkemootorite areng on jõudnud punkti, kus nad ei tõlgi enam ainult sõnu — nad “täidavad lüngad” ise, kui midagi jääb ebaselgeks. Probleem on aga selles, et nad teevad seda enesekindlalt ja märkamatult. Alates 2026. aasta augustist kehtivad EL-is uued läbipaistvusnõuded tehisintellektiga loodud sisu kohta vastavalt AI Acti artiklile 50. Tõlkevaldkonna jaoks on oluline nüanss see, et Euroopa Komisjoni 20. juuli 2026 lõplikud suunised käsitlevad AI abil tehtud tõlget standardse toimetamise erandi näitena artikli 50 lõike 2 tähenduses. Samas jääb küsimus: “Kes vastutab, kui AI tõlge eksib?”. Ja see pole enam niisama suusoojaks küsimus, see on muutunud juriidiliseks ja lepinguliseks küsimuseks.
Probleem number üks: AI ei ütle “ma ei tea”
Suur osa masintõlke vigadest ei ole tavalised grammatikavead, mida on lihtne märgata. Need on niinimetatud hallutsinatsioonid — juhud, kus mudel loob usutava, kuid faktiliselt vale lause. Tõlkes võib see tähendada näiteks seda, et AI:
- lisab lähtetekstis puuduvat informatsiooni;
- jätab välja tähendust muutva tingimuse või kõrvallause;
- muudab arvu, mõõtühikut või tehnilist parameetrit;
- kasutab vale juriidilist või tehnilist terminit;
- muudab kohustuse soovituseks või vastupidi;
- loob usutava, kuid lähtetekstis olematu viite.
Masintõlke hallutsinatsioonid on dokumenteeritud probleem ka teaduskirjanduses. Transactions of the Association for Computational Linguistics avaldatud enam kui 100 keelepaari hõlmanud uuring leidis, et hallutsinatsioonide risk sõltub muu hulgas keelepaarist ja ressursside hulgast ning võib olla suurem madalama ressursiga keeltes. Uuring näitas ka, et erinevatel mudelitüüpidel võivad esineda kvalitatiivselt erinevad hallutsinatsioonid. 2026. aastal avaldatud HAT-uuring läheb veelgi sügavamale: teadlased koostasid professionaalsete tõlkijate abil 38 keelepaari ja enam kui 350 000 annoteeritud näidet sisaldava andmestiku spetsiaalselt tõlkehallutsinatsioonide tuvastamiseks. See näitab, et probleem ei ole enam pelgalt teoreetiline kõrvalnähtus, vaid masintõlke kvaliteedikontrolli eraldiseisev uurimisvaldkond. Uuringute põhjal esineb selliseid väljamõeldisi tipptasemel mudelitel üksikväljundis umbes 10–18% juhtudest ning mitmed analüüsid näitavad, et koguni 30–60% näiliselt “tõlkeveaks” liigitatud probleemidest on tegelikult hallutsinatsioonid, mitte lihtsad ebatäpsused. Mitme mudeli ristkontroll suudab seda määra vähendada alla 2%, kuid see nõuab teadlikku protsessi — mitte lihtsalt “AI genereerib, inimene loeb üle.”
See on täpselt see koht, kus tekib ahelreaktsiooni oht: kui vale info jõuab avalikku, tõlgitud dokumenti ja seda ei märgata, levib see edasi — tsiteeritakse, viidatakse, tõlgitakse uutesse keeltesse — ja muutub aja jooksul raskesti tuvastatavaks “faktiks”, millel pole tegelikkuses alust.
Miks on AI-tõlke viga raskem märgata kui tavalist tõlkeviga?
Probleem seisneb selles, et AI ei pea oma ebakindlust lugejale nähtavaks tegema. Halb inimtõlge võib sageli olla keeleliselt kohmakas ning seetõttu äratada kontrollija tähelepanu. AI võib seevastu esitada sisuliselt vale tõlke väga ladusas ja professionaalsena näivas keeles. Seetõttu ei saa AI-tõlke kvaliteeti hinnata üksnes selle järgi, kas sihttekst kõlab hästi. Kontrollida tuleb ka seda, kas sihttekst vastab sisuliselt lähtetekstile.
Teaduskirjandus käsitleb hallutsinatsioone just tõlgetena, mis võivad lähtetekstist sisuliselt „lahti ühendada“, ning nende automaatne tuvastamine on jätkuvalt aktiivne uurimisvaldkond.
Probleem number kaks: kust andmed üldse pärinevad
Teine, vähem nähtav risk, on andmete päritolu. Kui tõlkemudel on treenitud avalikult internetist kogutud tekstidel, ei ole alati selge, kas ja kuidas see materjal sisaldab isikuandmeid, autoriõigusega kaitstud sisu või lihtsalt valesid fakte, mis on juba varem internetti sattunud. Suletud, läbipaistmatute üldotstarbeliste mudelite kasutamine tundliku või regulatiivse sisu tõlkimiseks toob kaasa kaks korraga tekkivat riski: esiteks ei saa te kontrollida, kas treeningandmed vastavad andmekaitsenõuetele, ja teiseks ei oska te tõendada, miks mudel just sellise tõlke valis, kui see hiljem küsimuse alla seatakse.
Avaliku sektori ja hangete kontekstis on see eriti oluline — kui tõlge põhineb valel eeldusel andmete kohta, ei kandu viga edasi mitte ainult ühte dokumenti, vaid võib mõjutada kõiki järgnevaid dokumente, mis sellele tuginevad.
Kas AI-tõlge tuleb alates 2. augustist 2026 märgistada?
Lühike vastus on: mitte alati.
Alates 2. augustist 2026 kehtivad EL tehisintellekti määruse (EL) 2024/1689 artikli 50 läbipaistvuskohustused. Need nõuavad, et tehisintellekti loodud sisu peab teatud tingimustel olema masinloetavalt märgistatud ja tuvastatav. Samas sisaldab määrus olulist erandit: kohustust ei kohaldata ulatuses, milles AI täidab standardse toimetamise abifunktsiooni või ei muuda oluliselt kasutaja sisendandmeid või nende semantikat.
Praktikas on see tõlkevaldkonna jaoks üllatavalt nüansirikas: komisjoni 20. juuli 2026 lõplikud suunised paigutasid inimese poolt ülevaadatud AI-tõlked “tavapärase toimetamise” erandi alla — see tähendab, et need on artikli 50(2) märgistuskohustusest üldjuhul vabastatud, kuigi varasemas, maikuu mustandis oli kavas vastupidine tõlgendus. Samas jäävad AI-põhised kokkuvõtted ja ümbersõnastused endiselt märgistuskohustuse alla, ning artikli 50(4) nähtav teavituskohustus kehtib siiski juhtudel, kui tõlgitud sisu avaldatakse avalikkuse informeerimiseks avalikkuse huvides olevatel teemadel. Praktiline järeldus on oluline: tõlkimine, kokkuvõtmine ja ümberkirjutamine ei ole AI Acti seisukohast tingimata sama tegevus.
Kui AI tõlgib inimese kirjutatud teksti teise keelde, säilitades selle tähenduse, võib rakenduda standardse toimetamise erand. Kui süsteem aga samal ajal teksti lühendab, täiendab, interpreteerib või sisuliselt ümber kirjutab, tuleb olukorda hinnata teisiti.
Kes vastutab, kui AI tõlge on vale?
See on asi, mida paljud ettevõtted alles avastavad: vastutus ei kao lihtsalt sellepärast, et vea tegi algoritm. Kui ettevõte kasutab tehisintellekti sisu loomiseks ja avaldab või rakendab selle väljundi — olgu see turundustekst, õiguslik kokkuvõte, kliendisuhtluse vastus või tõlgitud dokument — siis vastutab üldjuhul organisatsioon, kes selle otsuse tegi ja tulemuse turule tõi, mitte tehnoloogia, mis selle lõi. Seega on kõige kindlam tellida tõlge tõlkebüroolt ja kui büroo kasutab töö tegemiseks masintõlget või generatiivset AI-d, jääb kliendi jaoks keskseks küsimuseks tema leping tõlketeenuse osutajaga. Kindlasti on oluline tellida tõlge aga alati tõlkebüroolt, kellel on selleks oskused, näiteks vastavalt ISO 18587 standardile ning kes masina loodu ka üle kontrollivad.
See tähendab, et lepingus fikseerimata jäetud vastutusjaotus ei kao kuskile — see lihtsalt jääb ebaselgeks kuni esimese vaidluseni. Väike tõlkeviga võib omada vahel ebaproportsionaalselt suurt mõju. Näiteks:
- „shall“ → „may“ võib muuta kohustuse võimaluseks;
- „at least“ → „up to“ võib muuta tehnilise nõude vastupidiseks;
- „not required“ → „required“ võib muuta pakkuja kvalifitseerumise tingimusi;
- vale standardi number võib suunata pakkujad vale sertifikaadi juurde;
- vale kuupäev või kogus võib mõjutada pakkumuse maksumust või isegi selle vastavust hanketingimustele.
Enamasti ei piisa, et tõlge on keeleliselt ladus, vaja on jälgitavat kvaliteediprotsessi, et tagada, et tõlge vastaks ka sisuliselt algtekstile. Professionaalse tõlke puhul peaks olema võimalik hiljem tuvastada vähemalt see, millist lähteteksti kasutati, milline süsteem või tõlkeprotsess oli kasutusel, milliseid terminoloogiaallikaid rakendati, kes tegi inimkontrolli ning milline versioon lõpuks kliendile tarniti.
Mida peaks tellija AI-tõlke kasutamisel lepingus nõudma?
Mõistlik on nõuda tarnijalt lepingus selgust vähemalt nelja punkti osas:
- Mudeli ja andmete läbipaistvus. Tarnija peab suutma nimetada, millist tõlkemudelit kasutatakse, ja selgitada, kuidas treening- ja töötlemisandmeid käideldakse — sh kas kliendi sisu kasutatakse üldotstarbeliste mudelite edasiseks treenimiseks.
- Inimjärelevalve kohustus ja selle tõendamine. Pelgalt automaatne kvaliteedihinnang ei ole regulatiivse või avalikkusele suunatud sisu jaoks piisav — lepingus peaks olema kirjas, et kvalifitseeritud lingvist vaatab tõlke üle ja allkirjastab selle, ning et see protsess on auditeeritav.
- Selge vastutuse jaotus AI-põhjustatud vigade korral. Kes kannab kulu, kui viga avastatakse pärast tarnimist — tõlkebüroo, alltöövõtja, hankija ise?
- Vastavus läbipaistvuskohustustele. Kas väljund kuulub “tavapärase toimetamise” erandi alla või tuleb see märgistada avalikkusele suunatud sisuna — see tuleb hankelepingus eelnevalt selgeks teha, mitte jätta hilisemaks vaidluseks.
Milline võiks olla turvaline AI-tõlke töövoog?
Suure mõjuga dokumentide puhul võiks minimaalne protsess olla:
lähtetekst → AI/MT tõlge → professionaalne lingvist toimetab lähteteksti alusel nii keeleliselt kui ka sisuliselt → terminoloogia- ja numbrikontroll → automaatne QA → lõplik inimkontroll → kinnitatud versioon → auditijälg.
Oluline põhimõte on siin lihtne: AI võib genereerida tõlke, kuid kvaliteedi eest peab vastutama tuvastatav inimene või organisatsioon.
Erinevate mudelite või täiendavate kontrollimeetodite kasutamine võib aidata hallutsinatsioone avastada. Teadusuuringud on näidanud, et erinevalt treenitud mudelite kasutamine varusüsteemidena võib teatud tüüpi tõlkehallutsinatsioone oluliselt vähendada. See ei asenda siiski professionaalset inimtoimetamist, eriti juhul, kui tekstist sõltuvad õigused, kohustused, ohutus või suured rahalised otsused.
Mis kahju vale ja kontrollimata AI tõlge võib ettevõttele tuua?
Kui neid küsimusi lepingu sõlmimisel ei lahendata, ei ole tegemist ainult teoreetilise riskiga. Praktikas võib see kaasa tuua:
- Otsese lepingulise kahju — kvaliteedipuudustest tingitud leppetrahvid, raamlepingu ülesütlemine või kordustööde kulu.
- Regulatiivse riski — kui tõlgitud sisu on suunatud avalikkusele või reguleeritud valdkonda (õigus, tervishoid, ohutus) ja selles avastatakse tehisintellekti tekitatud viga, ei käsitle regulaatorid heauskset “AI eksis” väidet leevendava asjaoluna.
- Mainekahju ja usalduse kadu — kord avastatud süsteemne viga õõnestab kliendi usaldust kogu tarneahela vastu, mitte ainult ühe dokumendi vastu.
- Terminoloogiavõlg— ebaühtlane terminoloogia, mis on AI-tõlgete puhul levinud probleem, killustab pikas plaanis nii regulatiivseid auditijälgi kui ka otsingumootoritele nähtava sisu järjepidevust.
AI-tõlge 2026: põhimõte, mida ettevõtted peaksid järgima
AI-tõlke kasutuselevõtt ei ole enam küsimus “kas”, vaid “kuidas kontrollitult”. 2026. aasta suurim muutus ei ole mudelite kvaliteet, vaid see, et vastutus, andmete päritolu ja läbipaistvus on liikunud akadeemilisest debatist otse lepingutingimustesse ja regulatiivsesse praktikasse. Euroopa Komisjoni 2026. aasta suunised annavad AI-tõlkele artikli 50 masinloetava märgistamise seisukohalt suhteliselt soodsa positsiooni, käsitledes tõlget standardse toimetamise erandi näitena. See ei muuda aga AI-tõlget riskivabaks ega vabasta organisatsiooni muudest lepingulistest, andmekaitselistest või kvaliteediga seotud kohustustest.
