AI-Übersetzung für 1/600 der Kosten einer Agentur

Letzten Monat haben wir ein Projekt abgeschlossen, das über eine traditionelle Übersetzungsagentur zwischen 150.000 und 300.000 Dollar gekostet hätte. Wir haben es für 660 Dollar insgesamt geschafft. Das sind 118 Seiten in 30 Sprachen übersetzt – ungefähr 22 Dollar pro Sprache. Nein, das ist kein Tippfehler. Und nein, die Qualität war nicht katastrophal.

Ich möchte euch genau zeigen, wie wir das geschafft haben – die Architektur, die Werkzeuge, das Prompt Engineering, den Qualitätssicherungsprozess und die ehrlichen Kompromisse. Denn günstig muss nicht schlecht bedeuten, aber es bedeutet, dass du intelligent überlegen musst, wo du deine Anstrengungen investierst.

Inhaltsverzeichnis

Projektumfang

Der Kunde war ein B2B-SaaS-Unternehmen, das in europäische, asiatische und lateinamerikanische Märkte expandierte. Seine Marketing-Website hatte 118 Seiten: Landingpages, Feature-Seiten, Blog-Beiträge, rechtliche Seiten und Dokumentation. Der ursprüngliche Inhalt war auf Englisch.

Die Zielsprachen waren die üblichen Verdächtigen – Spanisch, Französisch, Deutsch, Japanisch, Koreanisch, Mandarin-Chinesisch – plus einige, für die es schwieriger ist, Übersetzer zu finden, wie Estnisch, Lettisch, Litauisch und Slowenisch. Insgesamt 30 Sprachen.

Ein paar schnelle Berechnungen zum Inhaltsumfang:

Metrik Zahl
Gesamtzahl Seiten 118
Durchschnittliche Wörter pro Seite ~620
Gesamtzahl englische Wörter ~73.160
Gesamtzahl übersetzte Wörter ~2.194.800 (73.160 × 30)
Sprachen 30
Gesamtkosten ~660 Dollar
Kosten pro Sprache ~22 Dollar
Kosten pro Wort (übersetzt) 0,0003 Dollar

Zum Vergleich: Professionelle menschliche Übersetzung kostet typischerweise 0,10 bis 0,30 Dollar pro Wort, je nach Sprachpaar. Im Mittelwert von 0,20 Dollar/Wort würden wir mit 14.632 Dollar pro Sprache oder insgesamt 438.960 Dollar rechnen. Sogar Budget-Agenturen, die maschinelle Übersetzung mit leichter menschlicher Überprüfung nutzen, berechnen 0,05–0,08 Dollar pro Wort.

Warum traditionelle Übersetzung so teuer ist

Ich möchte die Übersetzungsindustrie nicht kritisieren. Menschliche Übersetzer leisten unglaubliche Arbeit, und bei bestimmten Inhaltstypen gibt es keinen Ersatz. Aber hier ist, was die Kosten in die Höhe treibt:

Preismodelle nach Wort wurden für eine Welt entworfen, in der jedes Wort menschliche kognitive Anstrengung erforderte. Ein Übersetzer könnte 2.000–3.000 Wörter pro Tag bei technischen Inhalten bewältigen. Bei 73.160 Wörtern sind das 24–36 Übersetzer-Tage pro Sprache. Multipliziert mit 30 Sprachen brauchst du 720–1.080 Person-Tage Arbeit.

Seltene Sprachenpaare kosten mehr. Einen qualifizierten Englisch-zu-Lettisch-Techniker-Übersetzer zu finden ist nicht einfach. Angebot und Nachfrage spielen eine Rolle.

Projektmanagement-Overhead ist real. Übersetzungsagenturen haben Projektmanager, die zwischen Übersetzern, Lektoren und Kunden koordinieren. Dieser Overhead wird in die Pro-Wort-Rate eingerechnet, aber er ist real.

Context Switching kostet Zeit. Ein Übersetzer, der an deinen Marketing-Texten arbeitet, muss deine Markenstimme, deine Produktterminologie und dein Publikum verstehen. Diese Einarbeitungszeit wird zwar auf das Projekt umgelegt, aber sie ist real.

Nichts davon ist Verschwendung – es ist einfach teuer. Und für ein Unternehmen, das neue Märkte testet, sind 400.000 Dollar für Übersetzung auszugeben, bevor du Product-Market-Fit in diesen Regionen validiert hast, schwer zu schlucken.

Unsere KI-Übersetzungsarchitektur

Hier ist das System, das wir gebaut haben. Es ist kein einzelner API-Aufruf – es ist eine Pipeline.

Schritt 1: Content-Extraktion und Segmentierung

Die Website wurde mit Next.js entwickelt, was unsere Arbeit erleichterte. Der ganze Inhalt befand sich in strukturierten Datendateien (MDX für Blog-Beiträge, JSON für UI-Strings und strukturierter Inhalt von einem Headless CMS).

Wir schrieben ein Skript, das alle Content-Quellen durchsuchte und ein normalisiertes Zwischenformat produzierte:

interface TranslationUnit {
  id: string;           // unique key like "homepage.hero.title"
  source: string;       // English text
  context: string;      // where this appears (page, section)
  type: 'heading' | 'paragraph' | 'ui-string' | 'legal' | 'meta';
  maxLength?: number;   // for UI strings with space constraints
  glossaryTerms: string[]; // product-specific terms found in this unit
}

Das ist entscheidend. Du möchtest nicht ganze Seiten an ein LLM werfen und hoffen, dass es funktioniert. Die Segmentierung von Inhalten in Übersetzungseinheiten gibt dir Kontrolle über den Kontext, lässt dich verschiedene Content-Typen unterschiedlich handhaben und macht späte inkrementelle Updates möglich.

Schritt 2: Glossar- und Stilhandbuch-Generierung

Bevor wir ein einziges Wort übersetzten, erstellten wir ein Glossar. Dieses enthielt:

  • Produktnamen (nie übersetzen)
  • Technische Begriffe mit bevorzugten Übersetzungen
  • Markenspezifische Phrasen
  • Ton-Richtlinien pro Content-Typ

Wir nutzten tatsächlich Claude, um das anfängliche Glossar zu erstellen, indem wir den englischen Inhalt analysierten und Begriffe identifizierten, die konsistent übersetzt werden müssten. Dann ließen wir den Kunden es überprüfen und genehmigen.

Schritt 3: Batch-Übersetzung mit Claude API

Wir verwendeten die Claude 3.5 Sonnet API (jetzt ist Claude 4 Sonnet verfügbar und noch besser dafür) für die tatsächliche Übersetzung. Warum Claude über GPT-4o oder Gemini? Ein paar Gründe:

  • Besser darin, komplexe System-Prompts konsistent zu befolgen
  • Natürlichere Ausgaben in romanischen und germanischen Sprachen in unseren Tests
  • Das 200K-Kontext-Fenster ließ uns vollständige Glossare und Stilhandbücher in jede Anfrage einbeziehen
  • Die Preisgestaltung war wettbewerbsfähig für unseren Use-Case

Wir ordneten Übersetzungseinheiten in Gruppen von 20–30, organisiert nach Seite und Content-Typ. Jede Batch enthielt das Glossar, das Stilhandbuch und den Kontext darüber, wo der Text erschien.

import anthropic
import json

client = anthropic.Anthropic()

def translate_batch(units: list[dict], target_lang: str, glossary: dict, style_guide: str) -> list[dict]:
    system_prompt = f"""You are a professional translator specializing in {target_lang} 
    localization for B2B software companies.
    
    GLOSSARY (use these exact translations):
    {json.dumps(glossary[target_lang], indent=2, ensure_ascii=False)}
    
    STYLE GUIDE:
    {style_guide}
    
    RULES:
    - Preserve all markdown formatting
    - Never translate product names listed in the glossary
    - Adapt idioms naturally -- don't translate literally
    - For UI strings with maxLength, stay within the character limit
    - Output valid JSON matching the input structure"""
    
    user_prompt = f"""Translate the following translation units to {target_lang}.
    Return JSON array with same structure, replacing 'source' with 'translation'.
    
    {json.dumps(units, indent=2, ensure_ascii=False)}"""
    
    response = client.messages.create(
        model="claude-sonnet-4-20250514",
        max_tokens=8192,
        system=system_prompt,
        messages=[{"role": "user", "content": user_prompt}]
    )
    
    return json.loads(response.content[0].text)

Schritt 4: Automatisierte Qualitätsprüfungen

Nach der Übersetzung lief jede Einheit durch automatisierte Prüfungen:

  • Format-Erhaltung: Haben Markdown, HTML-Tags und Variablen überlebt?
  • Längenvalidierung: Sind UI-Strings in ihrer maximalen Länge?
  • Glossar-Einhaltung: Wurden Produktnamen unübersetzt gelassen?
  • Placeholder-Integrität: Sind {variable} Platzhalter intakt?
  • Rückübersetzungs-Stichproben: Übersetze 10% der Ausgabe zurück ins Englische und vergleiche semantische Ähnlichkeit

Etwa 3–4% der Übersetzungseinheiten schlugen eine oder mehrere Prüfungen fehl und durchliefen einen zweiten Durchgang mit spezifischen Korrekturanweisungen.

Schritt 5: Zusammenfassung und Integration

Übersetzte Einheiten wurden zurück in das Format zusammengesetzt, das die Next.js-App erwartet – JSON-Locale-Dateien, übersetzte MDX und CMS-Einträge. Wir verwendeten next-intl für das Routing und die Locale-Verwaltung.

Das Prompt Engineering, das wirklich zählt

Ich habe Leute gesehen, die Text an ChatGPT werfen und es "KI-Übersetzung" nennen. Das gibt dir vielleicht 70% Qualität. Die Lücke zwischen 70% und 95% ist vollständig in der Art, wie du promptest.

Hier ist, was den Unterschied gemacht hat:

Kontext ist alles

Dem Modell zu sagen „übersetze das ins Französische" gibt dir generisches Output. Ihm zu sagen „übersetze diese Hero-Überschrift für eine B2B-SaaS-Landingpage für IT-Direktoren in Frankreich, behalte einen selbstbewussten, aber nicht aggressiven Ton" gibt dir etwas Nutzbares.

Wir beinhalteten den Seiten-Typ, die Zielgruppe und den Zweck jedes Content-Blocks in jeder Anfrage.

Few-Shot-Beispiele pro Sprache

Für jede Sprache erstellten wir 5–10 Beispielübersetzungen, die den gewünschten Ton erfassten. Diese gingen ins System-Prompt. Für Sprachen, in denen wir einen native Speaker im Team oder Netzwerk hatten (etwa 8 der 30), ließen wir sie diese Beispiele schreiben. Für die übrigen generierten wir sie und verfeinerten sie durch Rückübersetzungs-Vergleich.

Glossar-Durchsetzung

Das klingt offensichtlich, aber es ist die wirkungsvollste Sache, die du tun kannst. Ohne ein Glossar wird das Modell deinen Produktnamen „CloudSync" ins Äquivalent von „Cloud-Synchronisierung" in einigen Sprachen übersetzen. Es wird unterschiedliche Begriffe für die gleiche Funktion über Seiten hinweg verwenden. Inkonsistenz zerstört Vertrauen.

Chunking-Strategie

Wir fanden heraus, dass die Übersetzung von 500–800 Wörtern auf einmal, gruppiert nach Seiten-Abschnitt, die besten Ergebnisse gab. Zu klein (einzelne Sätze) und du verlierst Kontext. Zu groß (ganze Seiten) und die Qualität verschlechtert sich gegen das Ende der Ausgabe.

Kostenaufschlüsselung: Wo die 22 Dollar hingehen

Lass mich spezifisch über das Geld sprechen.

Kostenkomponente Pro Sprache Insgesamt (30 Sprachen)
Claude API (Übersetzung) 16,40 Dollar 492,00 Dollar
Claude API (QA/Rückübersetzung) 3,20 Dollar 96,00 Dollar
Claude API (Glossar-Generierung) 0,80 Dollar 24,00 Dollar
Sonstige API-Aufrufe (Wiederholungen, Korrekturen) 1,60 Dollar 48,00 Dollar
Gesamte API-Kosten 22,00 Dollar 660,00 Dollar

Das beinhaltet nicht die Engineering-Zeit zum Aufbau der Pipeline, die etwa 40 Stunden waren. Aber die Pipeline ist jetzt wiederverwendbar. Wenn der Kunde einen neuen Blog-Beitrag hinzufügt, kostet die Übersetzung in alle 30 Sprachen etwa 2–4 Dollar in API-Gebühren und läuft automatisch in seiner CI/CD-Pipeline.

Die Claude API-Preisgestaltung zum Zeitpunkt unseres Projekts (mit Claude 3.5 Sonnet) war 3 Dollar pro Million Input-Token und 15 Dollar pro Million Output-Token. Mit Claude 4 Sonnet ist die Preisgestaltung vergleichbar, aber du bekommst bessere Qualität, was weniger Wiederholungen bedeutet.

Qualitätssicherung ohne native Speaker

Das ist der Teil, bei dem Leute am skeptischsten sind, und ehrlich gesagt, sollten sie es sein. Hier ist unser tatsächlicher QA-Prozess:

Automatisierte Prüfungen (erfassen ~60% der Probleme)

Die Format-Erhaltungs-, Längen- und Glossar-Prüfungen, die ich erwähnt habe. Diese sind deterministisch und erfassen die peinlichsten Fehler – kaputtes HTML, fehlende Variablen, übersetzte Markennamen.

Rückübersetzungs-Vergleich (erfasst ~25% der verbleibenden Probleme)

Wir übersetzten eine zufällige 10%-Stichprobe jeder Sprache mit einem anderen Modell (GPT-4o) zurück ins Englische und verglichen semantische Ähnlichkeit mit dem Original. Wenn die Rückübersetzung signifikant abwich, flaggten wir sie zur Überprüfung.

Native Speaker Stichproben-Prüfungen (erfassen Nuance-Probleme)

Für die 8 Sprachen, in denen wir Zugang zu native Speakern hatten (Spanisch, Französisch, Deutsch, Portugiesisch, Japanisch, Koreanisch, Mandarin, Niederländisch), ließen wir sie jeweils 15–20 Seiten überprüfen. Ihr Feedback war aufschlussreich:

  • Gesamtqualität: 8–9/10 für informativen Inhalt
  • Marketing-Überschriften: 6–7/10 (brauchten mehr kreative Anpassung)
  • Technische Dokumentation: 9/10
  • Rechtliche Seiten: 7/10 (akzeptabel, aber nicht perfekt)

Basierend auf ihrem Feedback führten wir einen zweiten Durchgang bei Marketing-Überschriften mit kreativerem Prompting durch, was diese auf 8/10 brachte.

Community-Feedback-Loop

Der Kunde fügte einen kleinen „Bessere Übersetzung vorschlagen"-Link auf jeder Seite hinzu. Im ersten Monat nach dem Start erhielten sie etwa 140 Vorschläge über alle Sprachen – ungefähr 0,04% aller übersetzten Inhalte. Die meisten Vorschläge waren stilistische Vorlieben statt Fehler.

Technische Implementierung in Next.js

Die Website verwendet Next.js App Router mit next-intl für Internationalisierung. Hier ist das Setup auf hoher Ebene:

// middleware.ts
import createMiddleware from 'next-intl/middleware';

export default createMiddleware({
  locales: ['en', 'es', 'fr', 'de', 'ja', 'ko', 'zh', /* ... 23 more */],
  defaultLocale: 'en',
  localePrefix: 'as-needed'
});

Für die Headless-CMS-Integration wird übersetzter Inhalt als Locale-Varianten gespeichert. Blog-Beiträge in MDX erhalten separate Dateien pro Locale. UI-Strings befinden sich in JSON-Nachrichtendateien.

Der Build generiert statische Seiten für alle Locale/Page-Kombinationen. Das sind 118 × 31 (inklusive Englisch) = 3.658 Seiten. Mit ISR (Incremental Static Regeneration) ist dies völlig handhabbar.

Eine Sache zu beachten: Wir implementierten hreflang-Tags programmatisch für SEO. Jede Seite verlinkt auf alle ihre Sprach-Varianten. Das ist entscheidend, damit Google deine mehrsprachige Website-Struktur versteht.

// app/[locale]/layout.tsx
export function generateMetadata({ params: { locale } }) {
  const alternates = {
    languages: Object.fromEntries(
      locales.map(l => [l, `/${l}${pathname}`])
    )
  };
  return { alternates };
}

Was KI-Übersetzung falsch macht

Es wäre unehrlich von mir zu sagen, dass KI-Übersetzung perfekt ist. Hier ist, wo sie konsistent Schwierigkeiten hat:

Marketing-Wortspiele und Witze. Wenn deine Überschrift witzig auf Englisch ist, wird die KI sie entweder wörtlich übersetzen (verliert den Witz) oder versuchen, ein Zielsprachen-Wortspiel, das nicht ganz sitzt. Wir schrieben etwa 15% der Marketing-Überschriften manuell mit kreativer Richtung um.

Kulturelle Anpassung. Übersetzung und Lokalisierung sind nicht das gleiche. Die KI weiß nicht, dass dein amerikanischer Fall-Studie über einen „401(k)-Anbieter" in Japan nichts bedeutet. Sie wird nicht deine Dollar-Zeichen für lokale Währung in Beispielen tauschen. Sie weiß nicht, dass Rot in China Glück bedeutet, aber Gefahr im Westen. Das erfordert menschliches Denken.

Juristische Genauigkeit. Für Nutzungsbedingungen und Datenschutzrichtlinien bringt dich KI-Übersetzung zu 90% dorthin. Aber rechtliche Sprache muss präzise sein, und in einigen Ländern brauchst du rechtlich beglaubigte Übersetzungen. Wir flaggten rechtliche Seiten für professionelle Überprüfung in den 12 Märkten, in denen der Kunde tatsächlich Geschäfte machte (im Gegensatz zu den anderen 18, die exploratoren waren).

Honorativ-Systeme. Japanisch, Koreanisch und Thai haben komplexe Formalitäts-Systeme. Die KI mixte manchmal formale und informale Register auf der gleichen Seite. Unser Glossar und Stilhandbuch halfen, aber Stichproben-Prüfungen erfassten ein paar Inkonsistenzen.

Geschlechtskongruenz in gendered Sprachen. Französisch, Spanisch, Deutsch, Arabisch – wenn die Quell-Englisch geschlechtsneutral ist, muss die KI Wahlen treffen. Manchmal ist es inkonsistent. Unsere automatisierten Prüfungen erfassten die meisten davon durch den Vergleich von Geschlechtsmarkierungen über zusammenhängende Übersetzungseinheiten.

Wann du noch professionelle Übersetzung bezahlen solltest

KI-Übersetzung bei 22 Dollar pro Sprache ist die richtige Wahl, wenn:

  • Du neue Märkte testest und brauchst Geschwindigkeit über Perfektion
  • Dein Inhalt ist primär informativ oder technisch
  • Du brauchst 10+ Zielsprachen (die Pro-Sprache-Einsparungen bilden sich zusammen)
  • Du musst häufig übersetzen (Blog-Beiträge, Changelogs, Docs)

Bezahle für menschliche Übersetzung, wenn:

  • Rechtliche Haftung ist beteiligt (Verträge, Compliance-Dokumente)
  • Markenstimme ist kritisch (Slogans, Kampagnen)
  • Du in einer regulierten Industrie bist (medizinisch, finanziell)
  • Du 1–3 Zielsprachen hast und das Budget dafür
  • Kulturelle Anpassung ist so wichtig wie linguistische Genauigkeit

Der Sweet Spot, den wir für die meisten Clients gefunden haben? KI-Übersetzung für den Bulk, menschliche Überprüfung für die kritischen 10–20%. Das bringt die Gesamtkosten typischerweise auf 50–100 Dollar pro Sprache statt 22, aber mit nahezu menschlicher Qualität über alle Content-Typen.

Wenn du eine mehrsprachige Website erwägst, kontaktiere uns – wir haben diese Pipeline über mehrere Projekte verfeinert und können sie an deinen Stack anpassen, ob das Next.js, Astro oder ein anderes Framework ist. Sieh dir unsere Preisseite an, wie wir Internationalisierungs-Projekte umfassen.

Häufig gestellte Fragen

Wie vergleicht sich KI-Übersetzungs-Qualität mit menschlicher Übersetzung 2025?

Für informative und technische Inhalte hat sich die Lücke dramatisch verengt. In blind Tests bewerten native Speaker Claude und GPT-4o Übersetzungen mit 85–92% menschlicher Übersetzungs-Qualität für die meisten europäischen und ostasiatischen Sprachen. Die Lücke ist größer für kreatives Marketing-Text (70–80%) und rechtlichen Text (75–85%). Für weniger verbreitete Sprachen wie Lettisch oder Estnisch ist KI-Qualität tatsächlich vergleichbar mit dem, das du von Budget-Menschlichen-Übersetzungs-Agenturen bekommen würdest, die oft eh maschinelle Übersetzung mit leichter Bearbeitung nutzen.

Was ist der billigste Weg, eine Website 2025 zu übersetzen?

Der billigste Ansatz ist direkter API-Zugang zu Modellen wie Claude oder GPT-4o, das etwa 0,0002–0,0005 Dollar pro Wort kostet. Services wie Weglot (15–50 Dollar/Monat) oder Lokalise sind teurer pro Wort, handhaben aber die Infrastruktur für dich. Google Translate API ist billiger pro Wort (~20 Dollar pro Million Zeichen), aber die Qualität ist deutlich niedriger als bei frontier LLMs. Unser Pipeline-Ansatz mit Claude kostete uns etwa 0,0003 Dollar pro übersetztem Wort inklusive QA-Durchgänge.

Funktioniert KI-Übersetzung für Sprachen von rechts nach links wie Arabisch und Hebräisch?

Ja, aber du musst die technische Implementierung sorgfältig handhaben. Die Übersetzungs-Qualität für Arabisch und Hebräisch von Claude ist gut – unsere Arabisch-Stichprobe erzielte 8/10. Der schwierigere Teil ist die RTL-Layout-Implementierung in deinem Frontend. CSS logische Eigenschaften (margin-inline-start statt margin-left) und richtige dir="rtl"-Attribute sind essentiell. Plan für UI-Elemente, die gespiegelt werden müssen.

Wie handhabst du SEO für eine Website in 30 Sprachen übersetzt?

Drei Dinge sind am wichtigsten: richtige hreflang-Tags auf jeder Seite, locale-spezifische URLs (Unterverzeichnisse wie /fr/ oder /de/ funktionieren gut) und übersetzte Metadaten (Titel, Beschreibungen, Open Graph-Tags). Wir generieren all dies programmatisch. Vergiss nicht, locale-spezifische Sitemaps an Google Search Console einzureichen. Innerhalb von 3 Monaten nach dem Start der 30-Sprachen-Website sah der Client organischen Traffic von nicht-englischen Anfragen um 340% steigen.

Kann KI Website-Inhalte übersetzen, die technische Jargon beinhalten?

Das ist tatsächlich, wo KI-Übersetzung glänzt. Technische Jargon ist normalerweise konsistent und gut definiert, was die Stärken des Modells sind. Der Schlüssel ist, ein Glossar deiner spezifischen Begriffe mit genehmigten Übersetzungen zu erstellen. Ohne ein Glossar könnte das Modell „deployment pipeline" drei verschiedene Weisen über deine Website übersetzen. Mit einem, ist es absolut konsistent.

Wie lange dauert es, eine ganze Website mit KI zu übersetzen?

Unsere Pipeline übersetzte alle 118 Seiten in alle 30 Sprachen in etwa 6 Stunden Compute-Zeit, mit parallel API-Anfragen mit Rate Limiting. Die Engineering-Zeit zum Aufbau der Pipeline war etwa 40 Stunden für das erste Projekt. Nachfolgende Projekte mit der gleichen Pipeline brauchen 8–15 Stunden Engineering-Zeit für Setup und Anpassung, plus die Compute-Zeit.

Was passiert, wenn du Inhalte auf einer übersetzten Website aktualisieren musst?

Das ist, wo der segmentierte Übersetzungs-Einheiten-Ansatz massiv dividendenzahlt. Wenn sich eine Seite ändert, vergleichen wir die Übersetzungs-Einheiten gegen die vorherige Version. Nur geänderte oder neue Einheiten werden neu übersetzt. Aktualisierung eines Blog-Beitrags über alle 30 Sprachen kostet Pfennige und passiert automatisch in CI/CD. Wir tracken Übersetzungs-Einheiten-Hashes um zu wissen, exakt was veraltet ist.

Sind 22 Dollar pro Sprache realistisch für jede Website, oder nur bestimmte Typen?

Die 22-Dollar-Figur ist spezifisch zu unserem Projekt's Inhalts-Volumen (~73K Wörter) und Content-Typ (B2B SaaS Marketing und Docs). Deine Ergebnisse variieren. Eine inhaltsreiche Website mit 500K Wörtern könnte 100–150 Dollar pro Sprache kosten. Eine einfache 10-Seiten-Marketing-Website könnte 3–5 Dollar pro Sprache kosten. Die Kosten skalieren linear mit Wortanzahl und leicht mit Komplexität. Die fixe Kosten sind die Engineering-Zeit zum Aufbau oder Konfigurieren der Pipeline.