localization_savings_air_superiority

1.

Короткая новость →
14 локалей без внешнего
счёта
Кейс: Balance Update “Air Superiority”
536 слов × 1 4 языков в счёт
Что пол учил и
• День-в-день публикация
• Е диная терминология
• Проверяемая экономия на конкретной задаче
01

2.

Экономика одной новости
Расчёт показывает gross-экономию: внешний перевод не заказывался для 14 локалей.
7 504
$302.84
€43.42
$353.22
слов-локалей
536 × 14
USD-ставки
12 языков
EUR-ставки
DE + TR
итого в USD
по курсу ECB 1.1605
50
40
30
20
10
0
NL
KO
TR
PL
CS
PTBR
VI
TH
ZH
CN
DE
ID
RO
PH
Сумма: 536 слов × ставка языка. EUR пересчитаны в USD по ECB reference rate, 19 Aug 2026: 1 EUR = 1.1605 USD.
Источник курса: European Central Bank, EUR/USD reference rate, 19 Aug 2026.
02

3.

Почему это разумно для патчноутов
Игровая новость — не художественный текст: её чаще сканируют, чем читают внимательно.
Проверенная внешняя база
79%
≈20%
40%
пользователей
сканируют страницы
слов обычно
реально читают
иногда/часто
избегают новостей
Вывод для in-game news
Не стоит платить premium за каждую строку
стандартной новости, если у нас уже есть:
• устойчивый ToV;
• терминология;
• повторяемый формат патчноута;
• отдельная проверка качества.
Источники: Nielsen Norman Group; R euters Institute Digital News Report 2025.
Важно
Это не публичная статистика именно
по нашей игре.
Это market proxy: в вебе и новостях
пользователи сканируют, а часть
аудитории новости вообще избегает.
Чтобы доказать “несколько секунд”
внутри игры, нужен наш event-лог:
open → scroll → close.
03

4.

Это не “ сы рой AI-перевод”
Модель работала как controlled localization pipeline: данные → ограничения → проверка.
1
2
3
4
5
Master E N
S tyle/ToV
Glossary
AI output
AI review
утверждённый
источник
референс
по языкам
термины
обязательны
без ручного
ожидания
кросс-ревью
ошибок
Границы
Почему качество не падает
• Тексты стандартизированы: патчноуты, UI-термины, повторяемые
формулы.
• Терминологический drift снижен: глоссарий загружен и применён.
• ToV контролируется по предыдущим новостям.
• Второй AI-review ловит опечатки, несогласованности, чужие термины.
Human review всё ещё нужен для
спорных смыслов, sensitive-текстов
и новых терминов.
Вывод: на ф ормул ь ных новостях такая схема может быть стабил ь нее
human-only процесса без единого стайл гайда.
Контекст исследований MT/LLM: WMT/MQM и GPT-4 vs human translators показывают важность review и вариативность качества по доменам.
04

5.

Масштаб: экономия растёт л инейно, ожидание исчезает
Минус процесса — больше работы у localization manager. Плюс — бюджет и скорость.
$4 239
Годовой эффект
4000
4 новости/мес → $16.95k / год
8 новостей/ мес → $33.91k / год
12 новостей/ мес → $50.86k / год
$2 826
3000
2000
$1 413
Новый bottleneck
1000
$353
0
1 новость
4 / мес
8 / мес
12 / мес
Не переводчики, а подготовка и QA:
• актуальный глоссарий;
• проверка терминов;
• review спорных мест;
• финальная сборка.
Break-even: менеджер может потратить на эту задачу до $353.22 / hourly cost — и процесс всё равно
дешевле внешнего перевода.
Суммы — gross savings на переводе; не включают внутреннюю стоимость менеджера и возможный человеческий spot-check.
05