Mehrsprachiges Marketing automatisiert im Mittelstand

Das Problem: Ihre Lösung ist gut, aber nur auf Deutsch sichtbar

Sie haben ein Produkt, das in Österreich, der Schweiz, Frankreich oder Polen funktionieren würde. Aber Ihre Website läuft nur auf Deutsch, der Newsletter auch, und die drei Landingpages für die laufende Kampagne sind noch nicht einmal ins Englische übersetzt. Das Marketingteam schafft es kaum, die deutschen Inhalte aktuell zu halten. Eine zusätzliche Sprache bedeutet doppelten Aufwand, sechs Sprachen wären unmöglich.

Der Vertrieb meldet regelmäßig Anfragen aus dem Ausland, die im Sande verlaufen, weil das Follow-up auf Englisch oder Französisch manuell übersetzt werden muss. Der klassische Weg wäre eine Agentur oder zusätzliche Mitarbeitende. Beides kostet fünfstellig pro Jahr und Sprache, ohne dass Sie die Hoheit über Terminologie und Tempo behalten.

Eine automatisierte Übersetzungspipeline kann denselben Content in sechs Sprachen parallel halten, mit menschlichem Review nur an den Stellen, wo Fachbegriffe oder rechtliche Nuancen kritisch sind. Die technische Basis ist eine Kombination aus KI-Übersetzung, Retrieval Augmented Generation (RAG) für Terminologie und einem Workflow, der Änderungen im deutschen Quelltext automatisch in alle Zielsprachen überträgt.

Was mehrsprachige Marketing-Automatisierung technisch bedeutet

Mehrsprachiges Marketing beginnt nicht beim Übersetzen, sondern beim strukturierten Schreiben. Sie brauchen einen zentralen Content-Hub, in dem jeder Textbaustein genau einmal gepflegt wird. Typischerweise ist das ein Headless CMS wie Strapi, Directus oder Contentful, alternativ ein Git-Repository mit Markdown-Dateien. Jeder Artikel, jede Produktbeschreibung, jede E-Mail-Vorlage bekommt eine eindeutige ID und wird in einer Quellsprache verfasst, meist Deutsch.

Die Übersetzungspipeline wird durch ein Ereignis ausgelöst: Sobald Sie einen deutschen Textblock speichern, startet ein Workflow in n8n oder Make. Der Workflow ruft eine KI-Übersetzungs-API auf, zum Beispiel DeepL Pro, OpenAI GPT-4 oder ein selbst gehostetes Modell wie NLLB-200. Der entscheidende Unterschied zur einfachen Maschinen-Übersetzung ist der Kontext: Die Pipeline lädt vor der Übersetzung eine Terminologie-Datenbank (Glossar) und bisherige Übersetzungen desselben Produktbereichs als Beispiele. Das nennt man Retrieval Augmented Generation (RAG).

RAG sorgt dafür, dass „Betonpumpe” immer als „pompe à béton” und nicht als „pompe de béton” übersetzt wird, weil die Pipeline in einem Vektorstore nachschlägt, wie Sie den Begriff bisher verwendet haben. Der Vektorstore ist eine Datenbank, die Texte semantisch durchsuchbar macht, etwa Pinecone, Weaviate oder Qdrant. Sie speichern dort Ihre bestehenden Übersetzungen und Ihr Glossar. Vor jeder neuen Übersetzung holt die Pipeline die drei ähnlichsten Beispiele und fügt sie dem Prompt hinzu.

Nach der Übersetzung schreibt die Pipeline die Zielsprachen-Versionen zurück ins CMS, jede mit demselben ID, aber einem Sprach-Tag (de, en, fr, pl, it, es). Ihr Frontend oder Ihr Newsletter-Tool liest diese Versionen aus und zeigt dem Nutzer automatisch die passende Sprache.

Schritt für Schritt: Pipeline für sechs Sprachen aufbauen

1. Content-Hub mit Sprach-Attribut einrichten

Legen Sie in Ihrem CMS für jeden Content-Typ (Artikel, Produktseite, E-Mail-Vorlage) ein Feld language und ein Feld source_id an. Der deutsche Originaltext bekommt language: de und eine UUID als source_id. Alle Übersetzungen teilen dieselbe source_id, unterscheiden sich nur im language-Tag. So wissen Sie später, welche Versionen zusammengehören.

2. Terminologie-Glossar als CSV oder JSON pflegen

Sammeln Sie Fachbegriffe, Produktnamen, Firmennamen und Markenwerte in einer Tabelle: Deutsch, Englisch, Französisch, Polnisch, Italienisch, Spanisch. Zum Beispiel:

DE,EN,FR,PL,IT,ES
Betonpumpe,concrete pump,pompe à béton,pompa do betonu,pompa per calcestruzzo,bomba de hormigón
Estrich,screed,chape,wylewka,massetto,solera

Diese Tabelle wird in den Vektorstore geladen oder direkt als Nachschlagetabelle im Workflow verwendet. Bei kleinen Glossaren (unter 200 Begriffen) reicht eine einfache Lookup-Funktion, bei größeren lohnt sich ein Embedding-basierter Vektorstore.

3. Workflow in n8n oder Make bauen

Der Workflow besteht aus fünf Schritten:

1. Trigger: Webhook oder Poll auf das CMS. Sobald ein deutscher Text gespeichert wird, startet der Workflow.
2. Glossar laden: RAG-Abfrage an den Vektorstore mit dem Quelltext als Query. Die Pipeline holt die zehn relevantesten Terminologie-Paare.
3. Übersetzung: Für jede Zielsprache ein API-Call an DeepL oder OpenAI. Im Prompt steht: „Übersetze folgenden Text von Deutsch nach Französisch. Verwende diese Terminologie: [Glossar]. Ton: sachlich, B2B, Maschinenbau.”
4. Qualitätsprüfung: Optional ein zweiter LLM-Call, der die Übersetzung gegen das Glossar prüft und Abweichungen meldet.
5. Zurückschreiben: Die fertigen Texte werden ins CMS geschrieben, jeweils mit language: fr, language: en usw. und derselben source_id wie das Original.

4. Review-Queue für kritische Inhalte

Nicht jeder Text muss sofort live gehen. Rechtliche Hinweise, Preisangaben oder Garantiebedingungen sollten von einem Menschen geprüft werden. Bauen Sie eine zweite Tabelle im CMS: translation_queue. Texte mit Tag requires_review: true landen dort, ein Mitarbeitender bekommt täglich eine E-Mail mit offenen Übersetzungen, gibt sie frei oder korrigiert sie. Erst dann werden sie auf der Website veröffentlicht.

5. Versionierung und Rollback

Speichern Sie jede Übersetzung mit Timestamp und Autor (Mensch oder Pipeline). Falls eine automatische Übersetzung fehlerhaft ist, können Sie zur vorherigen Version zurückspringen. In Git-basierten CMS ist das eingebaut, in Headless-Systemen wie Strapi nutzen Sie Plugins wie strapi-plugin-versioning.

Realistische Ergebnisse nach 90 Tagen

Ein mittelständischer Hersteller von Schalungstechnik aus Norddeutschland hat diese Pipeline im Herbst 2025 in Betrieb genommen. Das Marketingteam besteht aus drei Personen, die zuvor nur deutsche Inhalte gepflegt haben. Nach drei Monaten liefen Website, Newsletter und fünf Landingpages in Deutsch, Englisch, Französisch, Polnisch und Italienisch parallel.

Die Übersetzungskosten pro Wort sanken von 0,18 Euro (Agentur) auf 0,002 Euro (DeepL API). Die Pipeline übersetzt einen 800-Wörter-Blogartikel in fünf Sprachen in vier Minuten, Agentur-Turnaround lag bei fünf Werktagen. Der manuelle Review-Aufwand beträgt etwa zehn Minuten pro Sprache und Artikel, beschränkt auf Produktnamen und technische Spezifikationen.

Wichtiger war die Geschwindigkeit: Eine Kampagne für eine neue Pumpe ging in allen Sprachen gleichzeitig live, statt gestaffelt über sechs Wochen. Der Vertrieb meldete messbar mehr qualifizierte Anfragen aus Frankreich und Polen, weil Interessenten die Produktdatenblätter in ihrer Sprache herunterladen konnten.

Die Pipeline läuft auf einem dedizierten Server bei Hetzner in Falkenstein (16 vCores, 32 GB RAM, 40 Euro monatlich). Der Vektorstore ist Qdrant, selbst gehostet im selben Docker-Stack wie n8n. DeepL Pro kostet 30 Euro pro Monat für 5 Millionen Zeichen, das reicht für etwa 60 übersetzte Artikel.

Was nicht funktioniert

Automatische Übersetzung ohne Glossar führt zu inkonsistenter Terminologie. „Estrich” wird mal „screed”, mal „floor screed”, mal „leveling compound”. Der Leser merkt, dass kein Mensch drübergeschaut hat. Ein Glossar mit 50 bis 100 Kernbegriffen ist Pflicht.

Alle Texte live schalten ohne Review ist riskant bei rechtlichen oder preissensitiven Inhalten. Eine fehlerhafte Garantie-Klausel auf Französisch kann teuer werden. Definieren Sie klare Regeln, was sofort raus darf und was in die Review-Queue muss.

Übersetzung ohne RAG-Kontext ignoriert den Ton und die bisherige Kommunikation. Ein LLM ohne Beispiele übersetzt B2B-Texte oft zu werblich oder zu technisch. Laden Sie immer zwei bis drei ähnliche Artikel als Beispiele in den Prompt.

Zu viele Sprachen auf einmal überfordert das Team. Starten Sie mit zwei bis drei Zielsprachen, in denen Sie bereits sporadisch aktiv sind. Nach drei Monaten Erfahrung können Sie weitere hinzufügen.

Maschinelle Übersetzung von Bildern und Videos funktioniert nur, wenn Sie Untertitel oder Overlays strukturiert ablegen. Brennen Sie Text nicht in Grafiken ein, sondern pflegen Sie ihn als separates Feld im CMS. Dann kann die Pipeline auch Bild-Captions und Alt-Texte übersetzen.

Technische Details, die den Unterschied machen

Embedding-Modell für RAG: Nutzen Sie text-embedding-3-small von OpenAI (günstiger) oder ein selbst gehostetes Modell wie multilingual-e5-large (besser bei Fachvokabular). Embeddings kodieren Texte als Vektoren, sodass Sie semantisch ähnliche Begriffe finden, auch wenn die Schreibweise abweicht.

Chunk-Größe: Teilen Sie lange Texte in Absätze von 200 bis 400 Wörtern. Übersetzen Sie Absatz für Absatz, nicht den ganzen Artikel auf einmal. Das hält den Kontext fokussiert und verhindert, dass das Modell gegen Ende des Textes abdriftet.

Prompt-Engineering: Geben Sie im System-Prompt die Zielgruppe und Branche an: „Du übersetzt für den deutschen Mittelstand im Bauwesen, Zielgruppe sind Poliere und Bauleiter. Ton: präzise, freundlich, ohne Marketing-Floskeln.” Das verbessert die Qualität messbar.

Logging und Monitoring: Schreiben Sie jeden Übersetzungs-Request in eine Log-Tabelle: Quelltext, Zieltext, Sprache, Timestamp, verwendete Glossar-Einträge. So können Sie nachvollziehen, warum eine Übersetzung fehlschlug, und das Glossar iterativ verbessern.

Kosten-Kontrolle: Setzen Sie Limits in der API-Konfiguration. DeepL und OpenAI erlauben monatliche Budgets. Falls die Pipeline wegen eines Bugs in eine Schleife läuft, stoppt sie nach 100 Euro statt nach 10.000.

So starten Sie

Wählen Sie zwei Zielsprachen, in denen Sie bereits Anfragen bekommen. Pflegen Sie ein Glossar mit 50 Begriffen. Bauen Sie einen minimalen Workflow in n8n: CMS-Trigger, DeepL-Call, Zurückschreiben. Testen Sie mit fünf Blogartikeln. Lassen Sie einen Muttersprachler oder eine Fachagentur die ersten Übersetzungen prüfen und das Glossar anpassen. Nach zwei Wochen Feintuning schalten Sie die Pipeline scharf und erweitern Sprache für Sprache.

White Fox Automations baut solche Pipelines regelmäßig für Hersteller und Dienstleister, die international wachsen wollen, ohne das Marketingteam zu verdoppeln. Wenn Sie wissen möchten, wie eine mehrsprachige Content-Pipeline konkret in Ihrer Systemlandschaft aussieht, sprechen wir gern über Ihren Anwendungsfall.

Sprechen Sie mit uns

Sie möchten das in Ihrem Betrieb umsetzen? Wir bauen die passende Maschine mit Ihnen.

Telefon: 040 468 967 680
E-Mail: info@whitefox-automations.com
Oder über unser Kontaktformular.