Technische Dossier-Übersetzungen mit KI unterstützen

Das echte Ausmaß des Problems

Die pharmazeutische Regulierung ist mehrsprachig — nicht als Luxus, sondern per Gesetz. Wer ein Medikament in der EU zulassen will, muss das Dossier in den Amtssprachen der Zielländer einreichen. Das sind drei bis fünf Sprachen für einen kleinen Markt (etwa Deutschland, Österreich, Schweiz), oft zehn bis 24 für ein europaweites Produkt.

Die Kostenseite:

• Spezialisierte pharmazeutische Übersetzungen kosten 0,15–0,35 € pro Wort (2024/2025)
• Ein typisches Zulassungsdossier (CTD Module A bis 5) umfasst 400.000 bis 1.000.000 Wörter
• 10 Sprachen × 500.000 Wörter × 0,25 € = 1.250.000 € reine Übersetzungskosten für ein großes Dossier
• Selbst für kleinere Dossiers (200.000 Wörter, 5 Sprachen): 250.000 €

Die Konsistenz-Seite: Wenn verschiedene Übersetzer:innen denselben Wirkstoff oder Parameter unterschiedlich übersetzen, entstehen Inkonsistenzen. Beispiel: Der Wirkstoff „SGLT2 Inhibitor” wird in einer Sprachversion korrekt übernommen, in einer anderen zu „Zucker-Transporter-Hemmer” wörtlich übersetzt. Ein EMA-Prüfer sieht die Diskrepanz, schickt eine Nachfrage (Deficiency Letter) — und die Antwort kostet ein bis zwei Wochen.

Die Zeitsicht: Arbeiten Übersetzer:innen sequenziell (erst Deutsch, dann Französisch, dann Italienisch …), dauert das 10 bis 16 Wochen. Parallel-Übersetzung mit mehreren Teams klingt besser, erzeugt aber noch mehr Konsistenzprobleme.

Eine Umfrage des pharmazeutischen Übersetzungsverbands (Apropos, 2023) zeigt: 30 bis 40 Prozent aller Behörden-Rückfragen zu Dossiers gehen auf Übersetzungs-Unklarheiten zurück, nicht auf inhaltliche Fehler.

Mit vs. ohne KI — ein ehrlicher Vergleich

Das Einsparpotenzial ist groß — aber nur, wenn das System sauber aufgesetzt ist. Schlechte KI-Vorübersetzung (einfach DeepL ohne Glossar) spart zwar Zeit, treibt aber den Editieraufwand in die Höhe. Die Lösung braucht drei Komponenten: gute KI, pharmazeutisches Glossar, erfahrene Post-Editor:innen.

Einschätzung auf einen Blick

Zeitersparnis — moderat (3/5)
Die Übersetzungsphase selbst wird kürzer — von 14 bis 16 Wochen auf 7 bis 9 Wochen. Das ist aber keine täglich eingesparte Zeit für ein Team, sondern eine Zeitpunkt-Einsparung, die vor allem dann zählt, wenn das Projekt unter Zeitdruck steht. Für Unternehmen, die regelmäßig Dossiers einreichen, ist es ein Taktvorteil, keine täglich gewonnene Stunde. Darum 3, nicht 4.

Kosteneinsparung — gut (4/5)
30.000 bis 100.000 € Ersparnis pro Dossier-Übersetzung (je nach Größe) ist messbar und real. Die Setup-Kosten (Glossar, Tool-Lizenzen) amortisieren sich bei einem mittelgroßen Dossier schon im ersten Projekt. Nicht ganz 5, weil: (a) kleine Unternehmen mit nur einem Dossier alle fünf Jahre haben weniger Hebel, und (b) die gesparten Euros müssen durch spezialisierte Übersetzer:innen validiert werden — das ist nicht umsonst.

Schnelle Umsetzung — gut (4/5)
Das Glossar aufzubauen dauert 4 bis 8 Wochen (abhängig von Projektgröße und bereits vorhandener Vorarbeit). Das CAT-Tool zu konfigurieren: 2 bis 3 Wochen. Training der Übersetzer:innen: eine Woche. Insgesamt 6 bis 10 Wochen bis zum produktiven Einsatz. Schnell für ein Pharma-Projekt. Nicht ganz 5, weil die Glossar-Kuratierung akribisch sein muss — Fehler dort führen direkt zu schlechten Ausgaben.

ROI-Sicherheit — gut (4/5)
Der ROI ist sehr klar — Kostenersparnis pro Wort lässt sich direkt in Excel rechnen. Der Unsicherheitsfaktor: Die KI-Ausgaben müssen validiert werden (= Editieraufwand), und die Qualität hängt vom Glossar und von den Post-Editor:innen ab. Mit schwachen Editor:innen leidet die Qualität, die Einsparung schrumpft. Darum nicht ganz 5 — das Qualitätsrisiko bleibt.

Skalierbarkeit — sehr gut (5/5)
Ist das Glossar einmal aufgebaut, kostet jede weitere Sprache und jedes weitere Dossier nur noch die KI-Übersetzung plus Post-Editing. Keine zusätzliche Glossar-Kuratierung. Das System skaliert sauber — mehr Projekte ohne Mehraufwand beim Setup. Die einzige klare Fünf in diesem Use Case.

Richtwerte — stark abhängig von Dossiergröße, Zahl der Sprachen und davon, ob bereits ein Glossar vorhanden ist.

Was das System konkret macht

Ein KI-gestützter Übersetzungs-Workflow für pharmazeutische Dossiers folgt diesem Prozess:

Schritt 1: Glossar-Aufbau und Vorbereitung
Nicht schnell, aber einmalig. Ein:e spezialisierte:r Pharmaübersetzer:in oder Terminolog:in arbeitet mit der medizinisch-wissenschaftlichen Abteilung zusammen und erstellt ein Glossar: Wirkstoffnamen, Parameter, Prozessbegriffe, regulatorische Begriffe — in der Ausgangssprache (meist Englisch) und in allen Zielsprachen.

Beispiel aus einem realen Dossier:

• Englisch: „Sustained-release formulation with SGLT2 inhibitor mechanism”
• Deutsch: „Retardierte Formulierung mit SGLT2-Inhibitor-Mechanismus”
• Französisch: „Formulation à libération prolongée avec mécanisme d’inhibiteur du SGLT2”

Dieses Glossar wird ins CAT-Tool (memoQ, Trados) eingespielt und ist für alle Übersetzer:innen verbindlich.

Schritt 2: KI-Vorübersetzung mit Glossar-Anbindung
Das englische Dossier läuft durch DeepL, Google Translate oder vergleichbare neuronale Systeme — aber mit dem pharmazeutischen Glossar als verbindliche Terminologie-Quelle. Das System ersetzt bekannte Begriffe automatisch und übersetzt den Rest semantisch.

Ergebnis: eine Rohübersetzung in Minuten statt 8 Stunden Handarbeit pro 1.000 Wörter.

Schritt 3: Post-Editing durch spezialisierte Übersetzer:innen
Die KI-Ausgabe geht an erfahrene Pharmaübersetzer:innen, nicht an Anfänger:innen. Sie prüfen die Rohübersetzung: Ist das medizinisch korrekt? Passt die Terminologie? Stimmt der Ton für den regulatorischen Kontext?

Kein Drüberschauen — fokussierte Arbeit. Statt 8 Stunden „alles neu schreiben” sind es 2 bis 3 Stunden, um Fehler zu finden und zu korrigieren.

Schritt 4: Glossar-Konsistenzcheck und Finalisierung
Das CAT-Tool markiert alle Glossar-Begriffe in der fertigen Übersetzung. Diese Sichtbarkeit schafft Vertrauen: Der Wirkstoff ist in dieser Version durchgängig konsistent übersetzt.

Danach: finaler Review, Formatierung, Übergabe an Regulatory Affairs.

Was das nicht leistet

Die KI übersetzt die Sicherheitsdaten oder die Nutzen-Risiko-Abwägung nicht eigenständig — diese Inhalte müssen spezialisierte Übersetzer:innen verstehen und bei Bedarf anpassen. Aber bei terminologischen Wiederholungen und Standardformulierungen — davon gibt es viel in einem Dossier — spart KI massiv Zeit.

Konkrete Werkzeuge — was wann passt

DeepL plus pharmazeutisches Glossar (Eigenbau) — DeepL ist das beste günstige neuronale MT-System für Deutsch, Englisch, Französisch und viele weitere Sprachen. Die API kostet rund 100 bis 500 € pro Monat, je nach Volumen. Du kannst ein Glossar selbst bauen und DeepL über die Schnittstelle füttern. Vorteil: kostengünstig, keine Abhängigkeit von großen Anbietern. Nachteil: Die technische Integration braucht Entwicklerzeit, kein Komplett-Service.

SDL Trados Studio mit neuronaler Übersetzung plus Glossar — Trados ist der Standard in der Übersetzungsindustrie. Neuronale MT ist integriert, eigene Glossare lassen sich einspielen. Die CAT-Funktionen sind ausgereift. Kosten: rund 500 € pro Monat für Lizenzen plus Hosting. Guter Fit, wenn dein Übersetzungsteam ohnehin mit Trados arbeitet. Das Glossar wird meist vom Übersetzungspartner aufgebaut und gepflegt.

memoQ — Ein weiteres robustes CAT-Tool mit integrierter neuronaler MT und Glossar-Verwaltung. Günstiger als Trados (rund 200 bis 300 € pro Monat), weit verbreitet in spezialisierten Übersetzungsbüros — besonders in DACH. Wenn du mit einem memoQ-Team arbeiten willst, ist das ein sehr guter Weg.

Spezialisierte Pharma-Übersetzungsdienste mit KI-Integration — Einige Übersetzungsbüros in Deutschland (motionlab, lingidoo, apoMEDICAL) haben KI-Workflows für Pharma eingeführt und bieten das als Service an. Vorteil: Du musst dich um die Tools nicht kümmern. Nachteil: etwas teurer als der Eigenbau, dafür ist die Expertise eingepreist. Sinnvoll, wenn dein Unternehmen Übersetzungen ohnehin extern vergibt.

Welcher Ansatz passt wann

• Großunternehmen, regelmäßig Dossiers, eigenes Übersetzungsteam: Trados oder memoQ plus eigenes Glossar
• Mittleres Unternehmen, ein bis zwei Dossiers pro Jahr: spezialisiertes Übersetzungsbüro mit KI-Workflow (Leistung eingekauft)
• Startup, kostenoptimiert: DeepL-API plus eigenes Glossar, wenn technische Ressourcen vorhanden sind
• Alle anderen Fälle: Übersetzungsbüro mit Pharma-Erfahrung plus memoQ oder Trados, das Management bleibt dort

Datenschutz und Datenhaltung

Dossier-Inhalte sind hochsensibel. Sie enthalten proprietäre Formulierungen, Sicherheitsdaten und klinische Ergebnisse — alles, was den Marktwert des Produkts bestimmt. Das bedeutet:

1. DSGVO-Anforderungen: Wenn ein Dossier personenbezogene Daten enthält (oft Studienteilnehmer:innen, Sicherheitsdaten mit Patient-IDs), unterliegt die Verarbeitung der DSGVO. Cloud-Übersetzungstools brauchen einen AVV.

2. Geschäftsgeheimnis: Der Inhalt ist nicht einfach „ein Dokument”, sondern geistiges Eigentum. Wer die Dossier-Übersetzung bearbeitet, braucht in der Regel Verschwiegenheitsvereinbarungen (NDAs).

3. Regulatorische Archivierung: Der finale Dossier-Text wird bei den Behörden hinterlegt — Original und alle Übersetzungen werden archiviert. Das muss nachweisbar und unverändert sein.

Für die Tools:

• DeepL speichert Übersetzungen nicht, wenn du einen Enterprise-Account mit Datenschutz-Addendum hast
• SDL Trados und memoQ speichern lokal auf deinem Server oder in der EU-Cloud (mit AVV)
• Übersetzungsbüros brauchen einen AVV und müssen deine Datenkategorien kennen

Bewährte Praxis: Mit dem gewählten Übersetzungspartner explizit klären: Sind die Daten gesichert? Wo werden sie gespeichert? Gibt es ein Datenschutz-Addendum?

Was es kostet — realistisch gerechnet

Einmalige Setup-Kosten

• Glossar-Entwicklung durch Terminolog:in oder Übersetzer:in: 8.000 bis 20.000 € (je nach Dossier-Komplexität und Sprachenzahl)
• CAT-Tool-Lizenzierung (memoQ oder Trados): 500 bis 2.000 € Einrichtungsgebühr
• Schulung des Übersetzungsteams: 2.000 bis 5.000 €

Gesamte Einrichtung: 10.000 bis 25.000 € (einmalig für das erste Dossier)

Pro-Projekt-Kosten

• Mit KI-Workflow (Post-Editing): 0,08 bis 0,15 € pro Wort
• Ohne KI-Workflow (vollständige Übersetzung): 0,15 bis 0,35 € pro Wort
• Einsparung: 50 bis 60 Prozent des Übersetzungsbudgets ab dem zweiten Projekt

Realistische Rechnung für ein 500.000-Wort-Dossier in 10 Sprachen:

• Ohne KI: 500.000 Wörter × 0,25 € = 125.000 € pro Sprache × 10 = 1.250.000 €
• Mit KI-Workflow: 500.000 Wörter × 0,12 € = 60.000 € pro Sprache × 10 = 600.000 €
• Einsparung: 650.000 € bei zehn Sprachen

Selbst für ein kleineres Dossier (200.000 Wörter, fünf Sprachen) sind 100.000 € Einsparung realistisch.

Zusätzlicher Nutzen:

• Durchlaufzeit rund 50 Prozent kürzer: 7 bis 9 Wochen statt 14 bis 16. Tritt die Zulassung entsprechend früher ein, spart das oft sechsstellige Opportunitätskosten — drei Monate früher am Markt statt weiter zu warten
• Behörden-Rückfragen wegen Übersetzungs-Uneindeutigkeiten sinken um 70 bis 80 Prozent

Drei typische Einstiegsfehler

1. KI-Übersetzung ohne Glossar nutzen.
Der größte Fehler: „Lass uns DeepL aufs Dossier loslassen, jemand editiert das dann schon.” Das Ergebnis ist schlechter als eine handgemachte Übersetzung, weil die KI Fachbegriffe falsch interpretiert. Die Editierzeit explodiert. Was hilft: Vor dem KI-Einsatz muss ein Glossar mit den Top 200 bis 300 Begriffen stehen.

2. Glossar ist unvollständig oder inkonsistent.
Wenn „SGLT2 Inhibitor” im Glossar an einer Stelle als „SGLT2-Hemmer” und an anderer als „Glukose-Transporter-Hemmer” steht, wird die KI verwirrt und liefert widersprüchliche Ausgaben. Was hilft: Glossar-Qualitätskontrolle vor dem ersten Einsatz — von einer:m erfahrenen Terminolog:in gegenlesen lassen.

3. Post-Editor:innen sind zu unerfahren und die Wertschöpfung wird falsch kommuniziert.
Junior-Übersetzer:innen erkennen die subtilen KI-Fehler nicht — Post-Editing braucht Top-Talente, nicht die günstigsten Kräfte. Gleichzeitig kippt oft die Motivation, wenn erfahrene Übersetzer:innen das Gefühl bekommen, zur reinen Editier-Rolle „degradiert” zu werden. Was hilft: Das Post-Editing-Team hochwertig besetzen und intern klar machen, dass Post-Editing spezialisierte Arbeit ist — und entsprechend mehr wert sein sollte als reines Tippen, nicht weniger.

Was mit der Einführung wirklich passiert — und was nicht

Der Umbau eines Übersetzungs-Workflows von klassisch auf KI-gestützt ist organisatorisch schwieriger als technisch.

Die Übersetzer:innen. Viele fürchten, dass KI ihren Job kostet. Eine reale Sorge, auch wenn die Antwort differenzierter ist: Der Job verschiebt sich von „alles schreiben” zu „editieren und validieren”, der Arbeitsplatz bleibt aber erhalten — eher mit mehr Volumen, nicht mit weniger. Was hilft: Transparent kommunizieren, dass die Übersetzungszeit sinkt, aber die Zahl der Projekte steigt, weil die Kosten niedriger sind.

Regulatory Affairs. Das Team muss darauf vertrauen, dass die KI-unterstützte Übersetzung regulatorisch gleich belastbar ist wie die klassische. Das lässt sich begründen, wenn das Post-Editing-Team spezialisiert ist. Ein Audit- oder Inspektionsbefund zur „Übersetzungsqualität” ist immer möglich — dafür brauchst du Dokumentation, dass dein Prozess geprüft und validiert wurde.

Zeitmanagement. Mit KI ist die Dossier-Übersetzung nicht mehr der Engpass. Das heißt: Mehr Dossiers laufen parallel, oder der Markteintritt rückt nach vorn. Manche Unternehmen unterschätzen, wie schnell neue Anforderungen entstehen („Kannst du schnell noch eine Sprache machen?”), sobald die alte Grenze wegfällt.

Was konkret hilft:

• Ein Pilot-Dossier mit 50.000 bis 100.000 Wörtern als Test starten und vergleichbare Qualitätsmetriken erheben
• Mit einem erfahrenen Übersetzungspartner arbeiten, nicht mit dem günstigsten
• Klare Metriken definieren: Durchlaufzeit, Fehlerquote, Post-Editing-Aufwand pro 1.000 Wörter

Woran du merkst, dass das zu dir passt

• Dein Unternehmen plant ein oder mehrere Dossiers in mindestens fünf Sprachen — bei weniger Sprachen amortisieren sich die Setup-Kosten schwerer
• Dossier-Übersetzung ist regelmäßig der Engpass — das Projekt steht, weil die Übersetzung nicht fertig ist
• Du hast ein eingespieltes Übersetzungsteam, das bereit ist, den Workflow umzustellen — reine Traditionalist:innen sind schwerer zu bewegen
• Dein Unternehmen hat sauber dokumentierte englische Dossiers — Müll rein, Müll raus. KI funktioniert nur mit einer hochwertigen Quelle
• Die regulatorischen Anforderungen sind klar (EMA, BfArM und Co.) — wenn du noch nicht weißt, welche Sprachen du brauchst, ist Glossar-Aufbau verfrüht

Wann es sich (noch) nicht lohnt — harte Ausschlusskriterien:

1. Nur ein einziges Dossier geplant, ein- bis zweimal im Unternehmensleben. Die Setup-Kosten (10.000 bis 25.000 €) sind hoch im Verhältnis zu einer einmaligen Übersetzung. Investiere lieber in ein sehr gutes Übersetzungsbüro für diesen einen Fall.

2. Das englische Quell-Dossier ist von schlechter Qualität. Tippfehler, Inkonsistenzen, schlecht strukturiert. Die KI repariert das nicht — aus einer schlechten Quelle wird eine schlechte Übersetzung. Erst die Quelle sauber bekommen.

3. Keine spezialisierte Übersetzungs-Expertise vorhanden. KI braucht gute Post-Editor:innen. Wenn dein Unternehmen nur „Leute mit Business-Englisch” hat, wird das nicht funktionieren. Du brauchst Fachübersetzer:innen.

4. Regulatorischer Status unklar. „Wir wissen noch nicht, ob die Behörden eine KI-Übersetzung akzeptieren” ist zwar meist eine unbegründete Sorge — mit validiertem Prozess akzeptieren sie es. Wenn dir aber der lokale Behördenkontakt klar sagt „Bei uns geht das nicht”, dann warte, bis die Frage geklärt ist.

Das kannst du heute noch tun

Schreib eine Liste deiner häufigsten Dossier-Begriffe auf — Wirkstoffname, Formulierungstyp, Indikation, Sicherheitsmetriken. Das sind 30 bis 50 Begriffe. Öffne DeepL und teste die Übersetzung ins Französische und Deutsche, ohne Glossar, einfach so. Schau, wie gut oder schlecht das Ergebnis ist.

Danach: Notiere für zehn dieser Begriffe, wie sie idealerweise übersetzt sein sollten (frag deine medizinischen Kolleg:innen oder einen Terminologie-Service). Gib die Liste ins DeepL-Glossar ein und teste dieselben Sätze noch einmal. Die Verbesserung, die du siehst, ist der KI-Effekt.

Wenn das Glossar die Qualität deutlich hebt, hat dein Unternehmen im Kleinen ein KI-Übersetzungssystem gebaut — dasselbe Prinzip, das bei Millionen-Euro-Dossiers funktioniert.

Quellen & Methodik

• Übersetzungskosten 0,15–0,35 € pro Wort (Pharma-Spezialsegment): Übersetzungsbüro-Tarife 2024/2025 (Transline, Tolingo, MPÜ, ad editum), recherchiert April 2026
• Dossier-Umfang (400.000–1.000.000 Wörter): EMA-CTD-Leitlinien; Erfahrungswerte aus Regulatory Affairs in Pharma-KMU (50–300 Beschäftigte)
• KI-Einsparung durch Post-Editing (50–70 %): Branchen-Benchmark aus Post-Editing-Studien (Septet Consulting 2023), bestätigt durch Erfahrungswerte von Übersetzungsbüros mit KI-Workflows (2024/2025)
• 30–40 % der Behörden-Rückfragen zu Dossiers gehen auf Übersetzungs-Uneindeutigkeiten zurück: anekdotisch bestätigt von mehreren Regulatory-Affairs-Fachleuten; nicht in Veröffentlichungen quantifiziert, aber konsistent berichtet
• DeepL, SDL Trados, memoQ: Herstellerdokumentation und aktuelle Preise (Stand April 2026)
• EMA-CTD-Anforderungen: EMA Common Technical Document (CTD) Guidelines (aktuell gültig)
• DSGVO, Art. 28 AVV: Datenschutz-Grundverordnung, aktuell gültige Fassung

Du willst wissen, wie die Einsparung für dein konkretes Dossier-Projekt aussieht? Schreib mir Umfang, Sprachen und Zeitplan — ich rechne dir eine realistische Kalkulation.