Google Translate procesa ahora un billón de palabras cada mes. Esa cifra, revelada por Google en abril, captura algo más grande que un hito de producto. Marca un umbral: la traducción automática ha pasado de ser una curiosidad a convertirse en infraestructura, manejando un volumen de lenguaje que ninguna fuerza laboral humana podría igualar. La pregunta que surge a continuación no es si la IA puede traducir. Claramente puede hacerlo. La pregunta es qué sigue haciendo mal, y si esos errores importan lo suficiente como para mantener a los humanos en el proceso.
La brecha entre la fluidez y la corrección
El cambio más importante en la traducción por IA durante los últimos años no es la velocidad ni la escala. Es la desaparición de los errores obvios. Los sistemas anteriores producían resultados fáciles de identificar: gramática tosca, frases poco naturales, oraciones que sonaban como si hubieran pasado por una máquina. Eso hacía que el control de calidad fuera sencillo. Los revisores podían detectar los problemas rápidamente.
Hoy en día, los errores son más difíciles de encontrar precisamente porque la prosa suena natural. Carol Bereuter, especialista en traducciones médicas, describe el cambio directamente: donde las herramientas antiguas producían frases que “saltaban a la vista” debido a problemas gramaticales, los resultados actuales de la IA suenan fluidos y legítimos. Los errores siguen ahí. Simplemente ya no llevan un cartel.
Esto no es un inconveniente menor en campos de alta relevancia. Bereuter se encontró con un texto médico traducido automáticamente que interpretaba la letra griega mu como “mili” en lugar de “micro”. La diferencia es un factor de mil. En un contexto de dosificación, eso no es un error de traducción. Es un riesgo para la seguridad del paciente. La oración se leía correctamente. El significado era catastróficamente erróneo.
La traducción jurídica conlleva riesgos similares. Ariella Baltié, traductora especializada en documentos judiciales, revisó un escrito legal traducido por IA y encontró dos errores significativos cerca del principio. La palabra “demandeur” (demandante) se convirtió en “requester” (solicitante), un término que no tiene peso legal en el idioma de destino. Una frase que describía a una mujer como la esposa de alguien se tradujo como la descripción de ella casándose con él, confundiendo un nombre con un verbo. En los procedimientos de asilo en Estados Unidos, los errores de este tipo han contribuido a retrasar la liberación de los detenidos.
Dónde funciona la IA y dónde no
No toda traducción conlleva estas apuestas. John Zimmerman, fundador de OKA (Open Knowledge Association), una organización sin ánimo de lucro suiza que traduce artículos de Wikipedia, traza una línea práctica. Para documentos internos o fichas de producto, argumenta, multiplicar los costes para eliminar el último par de porcentajes de error no es racional. La traducción por IA es, en esos contextos, la decisión correcta.
OKA ha publicado más de 10.000 artículos traducidos, principalmente al español, portugués e inglés, lo que la convierte en el mayor contribuyente individual de contenido traducido a Wikipedia. Esa escala habría sido imposible sin la IA. Traducir ese volumen mediante métodos tradicionales habría costado millones. El proceso actual utiliza la IA para producir un borrador, que luego un traductor humano revisa frase por frase.
Pero incluso ese modelo está bajo presión. Zimmerman señala que hace dos o tres años los traductores reescribían una parte sustancial de cada borrador de IA. Hoy en día, la prosa a menudo no requiere ninguna corrección. La tentación de eliminar por completo al revisor humano se ha convertido, según sus palabras, en “una opción seria” en toda la industria.
OKA realizó un estudio financiado por Wikimedia en el que examinó 119 artículos en 10 pares de idiomas, basándose en más de 1.000 horas de trabajo de traductores. Los hallazgos son instructivos: el 27% del texto generado por IA fue corregido antes de su publicación. Tres cuartas partes de esas correcciones abordaron errores que la propia IA había introducido. Entre el 5 y el 6% de los errores cambiaron el significado del texto original.
Esa última cifra es la que importa. Una traducción puede tener una precisión del 94% y aun así engañar a un lector en el punto que más cuenta.
Lo que revela el techo de fiabilidad
François Yvon, director de investigación especializado en traducción automática en el Centro Nacional para la Investigación Científica de Francia (CNRS), identifica una razón estructural por la cual es poco probable que los sistemas actuales alcancen la fiabilidad total. La traducción por IA es fundamentalmente probabilística: el sistema selecciona la palabra más probable dado el contexto que ha procesado. Lo que es estadísticamente probable no es lo mismo que lo que es correcto. El lenguaje es demasiado sutil, depende demasiado del contexto y está demasiado lleno de excepciones como para que la probabilidad por sí sola sea suficiente.
Yvon señala un ejemplo sencillo: la instrucción “translate into Polish” podría, sin el contexto suficiente, llevar a una IA a interpretar la palabra “Polish” como referida a betún para zapatos. Un lector humano nunca cometería ese error. La máquina, operando por probabilidad, podría hacerlo.
Su pronóstico para la próxima generación de sistemas involucra herramientas de IA en capas: una para producir la traducción, una segunda para criticarla, una tercera para generar una versión revisada. Esa arquitectura podría reducir los errores. Pero el verdadero avance, en su opinión, llegará cuando los sistemas puedan expresar incertidumbre, cuando puedan señalar las frases de las que no están seguros en lugar de producir un texto que suene fluido sin importar si lo han entendido o no.
Esa capacidad aún no existe a escala. Hasta que lo haga, el papel humano en la traducción no consiste en hacer lo que la IA no puede. Consiste en detectar lo que la IA no sabe que ha hecho mal.
En resumen
La traducción por IA es rápida, barata y cada vez más fluida. Para contenidos de bajo impacto y alto volumen, ya es el estándar por defecto. Pero la fluidez no es precisión, y los errores que quedan son más difíciles de detectar que nunca. En el ámbito legal, médico y en cualquier contexto donde el significado tenga consecuencias, la revisión humana no es una redundancia. Es el mecanismo que detecta los errores que la máquina comete con total seguridad. La cifra de un billón de palabras te dice hasta dónde ha llegado la tecnología. El 5 o 6% de errores que cambian el significado te dice por qué la historia no ha terminado.
Basado en información de BBC News.