一、先分清两个词

过去几十年，企业做多语言是"慢且贵"的逐字翻译；现在大模型把成本打下来，但只换语言不够——你还得接住每个市场的文化、语气和细微差别。

二、流程才是关键：LLM 生成 + 人工审核

一个可参照的案例是 Polhus，据报道其 AI 本地化方案实现了 75% 的通过率。这个数字的意义在于：它不是说 AI 翻得多好，而是说四分之三的内容不需要人工返工，人工只需要处理剩下的四分之一。

省钱的地方不是"不用人"，是"人只用在需要判断的那 25% 上"。把所有内容都交给 AI 直接上线，省下的钱会在口碑上加倍还回去。

三、落地要过的三道关

1. 术语一致。产品名、功能名、法律条款的译法必须固定，否则同一个功能在帮助文档和界面里叫两个名字。
2. 语境输入。给模型足够的上下文（这是按钮还是正文、给谁看、什么语气），比换更强的模型有效。
3. 人工复核点。营销文案、法律条款、安全提示这三类必须人过；界面短文案可以抽查。

四、判断一个团队是否真会做

• 问它怎么处理术语表。答不出统一术语机制的，做大了必然乱。
• 问它"通过率"怎么算。是按字符、按句段还是按文件，口径不同结论差很远。
• 问它出问题时谁负责。AI 翻错导致的合规风险，最终仍由发布方承担。

五、给要出海的小团队的建议

不要一开始就上全套流程。先用 AI 把一批非关键内容（博客、帮助中心）翻出来，人工只改明显的错，跑一个月看返工率；把返工最多的类型记下来，写成术语表和风格规范；再逐步把关键内容（购买流程、条款）纳入。这套顺序能让成本曲线平滑下降，而不是一上来就翻车。