随着人工智能快速进入内容生产与企业运营，本地化行业正在面对一个比“市场到底有多大”更现实的问题：传统的本地化商业模式，还能否持续创造价值？

几十年来，本地化行业依靠语言专业能力、领域知识以及 CAT、TMS、机器翻译等技术，不断提高全球内容生产效率。但与此同时，以文件和字词为中心的工作流以及长期沿用的按词计价模式，也逐渐显现出局限。

进入 AI 时代后，企业需要的已经不只是“准确的译文”，而是能够帮助其理解信息、降低风险、加快市场进入并支持业务决策的全球知识体系。

知识图谱（Knowledge Graph），正在为这一转变提供新的可能。

从效率驱动走向价值驱动

传统本地化模式的核心目标是提高运营效率。

计算机辅助翻译（CAT）工具利用翻译记忆库提高效率和一致性；翻译管理系统（TMS）改善流程协作；统计机器翻译和神经机器翻译进一步提升自动化水平。随着大语言模型（LLM）的发展，机器翻译质量评估、内容分析和自动摘要等应用也开始进入语言工作流。

但技术带来的效率提升，也暴露出了传统商业模式的问题。

长期以来，本地化的价值往往通过“翻译了多少字”“每个词多少钱”“多长时间交付”来衡量。这样的指标能够反映生产效率，却很难体现语言服务在合规、市场准入、品牌一致性和业务决策中的实际价值。

事实上，译者所处理的从来不只是语言。

在复杂的企业项目中，语言专业人员往往需要理解客户系统、专业术语、法规要求、品牌规范以及历史项目经验，并在多个平台和知识来源之间进行判断和协调。

这些能力过去往往分散在译者、项目经理和领域专家个人身上，并没有真正成为企业可以持续利用的知识资产。

知识图谱解决的，不只是“翻译问题”

知识图谱的核心价值，是把原本分散的信息及其关系结构化。

传统数据库更多是在不同系统中分别保存信息，而知识图谱通过节点、关系以及语义关联，把客户、产品、术语、文档、法规和业务规则连接起来。

这样一来，AI 获得的不再只是零散的数据，而是具有明确语境和关系的企业知识。

对于本地化而言，这意味着术语库、翻译记忆库、监管规则、风格指南、领域专家知识以及历史翻译，不必继续作为彼此独立的信息孤岛存在，而可以形成相互连接的知识体系。

知识图谱还可以与检索增强生成（RAG）等 AI 技术结合，让模型在生成内容时调用经过组织和治理的企业知识，从而提高输出的准确性、可追溯性和语境相关性。

尤其是在生命科学、金融等受监管行业中，这一点尤为重要。

语言准确并不意味着监管合规。同一项产品宣称，在一个国家或地区可能符合规定，进入另一个市场后却可能需要重新调整。传统翻译工作流通常只能在翻译或审校阶段发现此类问题，而结构化知识系统则有机会更早识别风险。

先结构化，再规模化

知识图谱介导翻译（Knowledge Graph-Mediated Translation，KGMT）的早期实践提出了一项重要原则：先结构化，再规模化；先建立语境，再引入 AI。

图 1：AI 输出的质量从根本上取决于知识基础设施

企业如果直接在碎片化的知识体系上部署 AI，原有的信息冲突和不一致不仅不会消失，反而可能被进一步放大。

因此，真正决定企业 AI 能否稳定落地的，并不只是模型规模或提示词设计，更在于底层知识是否经过良好组织。

对于翻译和本地化而言，可以首先对术语、法规要求、领域关系及历史决策进行结构化，再将这些知识接入 TMS、机器翻译、质量保证及人工审校流程。

此时，知识图谱不再只是一个静态数据库，而成为工作流中的组成部分：它可以辅助术语选择、提前提示潜在合规风险，并为 AI 辅助决策提供可追溯依据。

这也改变了本地化效果的衡量方式。企业关注的将不再只是每小时处理多少字、每词成本是多少，而是是否减少了返工、是否提前发现了合规风险、是否缩短了产品进入目标市场的时间，以及过去的项目经验能否持续复用。

从一次性交付到持续积累的知识资产

传统本地化通常以项目为中心。

内容进入流程，完成翻译并交付后，项目结束。项目中形成的大量知识——例如某个术语为什么这样翻译、某项法规如何处理、客户有哪些特殊偏好——往往分散在邮件、术语表、项目文件甚至个人经验中。下一个项目启动时，团队可能又需要重新梳理。

图 2：从项目制思维转向以知识为中心的运营

知识图谱带来的重要变化，是让每一个项目都成为企业知识积累的一部分。

术语决策可以被记录，合规经验可以被结构化，客户偏好可以持续沉淀。随着项目不断增加，这套知识体系也不断完善。

因此，本地化投资的价值不再只体现在单次项目成本，而开始体现在一项能够持续增值的企业知识资产上。

这意味着商业模式也可能随之改变：从单纯按照工作量收费，逐步走向以合规保障、风险降低、市场准入速度以及业务成果为导向的合作模式。

图 3：从按词成本到复利增长的知识资产

AI 时代，译者的角色不会消失，而是在变化

知识图谱和 AI 的结合，并不意味着最终目标是完全取消人工参与。

尤其是在受监管内容中，人类专家仍然承担着模型难以替代的判断、语境理解和责任确认。

变化的是人的工作重点。

未来的语言专业人员可能越来越多地参与 AI 质量保证、合规验证、语义结构化、知识治理以及工作流设计。译者、项目经理、领域专家和技术人员之间的边界也会更加模糊。

语言专业人员的价值，将从“完成一段翻译”，逐渐转向“帮助企业管理和利用全球知识”。

个人经验也不再仅存在于个人头脑中，而可以通过结构化知识体系转化为整个组织能够复用的资产。

本地化的下一步：成为企业知识管理的一部分

过去，本地化行业不断通过技术降低成本、提高效率。但如果价值始终围绕字数、单价和交付速度衡量，效率提升反而可能不断压缩行业自身的商业空间。

知识图谱提供了另一条路径。

它让本地化有机会从以任务为中心的语言生产流程，升级为连接企业内容、专业知识、AI 和业务决策的知识基础设施。

对于语言服务提供商而言，这意味着未来的竞争力可能不再只是“能翻多少语言”“能多快交付”，而在于能否帮助客户组织知识、治理 AI、降低风险，并让全球内容真正服务于企业决策。

对于译者而言，未来的核心竞争力也将不只是语言转换能力，而是语言能力、领域知识、AI 素养和知识治理能力的结合。

AI 正在改变本地化行业，但它并没有让语言专业知识失去价值。相反，当企业越来越依赖 AI 做出决策时，能够让知识变得结构化、可靠、可追溯并符合语境的人，反而会变得更加重要。

而这或许正是知识图谱给本地化行业带来的最大机会。

文章来源说明：本文根据 Viveta Gene 与 Rodrigo Fuentes Corradi 发表于《MultiLingual》2026 年 8 月刊的文章 “Knowledge Graphs and Translators: An Everything Everywhere All at Once Business Model” 编译整理，并结合中文读者阅读习惯进行删减与改写。