Google Translate traite désormais un billion de mots chaque mois. Ce chiffre, révélé par Google en avril, dépasse le simple jalon commercial. Il marque un seuil : la traduction automatique est passée du stade de curiosité à celui d’infrastructure, en gérant un volume de langage qu’aucun effectif humain ne pourrait égaler. La question qui s’ensuit n’est pas de savoir si l’IA peut traduire. Elle le peut manifestement. La question est de savoir ce qu’elle rate encore, et si ces erreurs comptent suffisamment pour maintenir l’humain dans la boucle.
L’écart entre fluidité et exactitude
Le changement le plus important de la traduction par IA au cours des dernières années n’est ni la vitesse ni l’échelle. C’est la disparition des erreurs évidentes. Les systèmes précédents produisaient des résultats faciles à repérer : grammaire maladroite, tournures non naturelles, phrases qui semblaient avoir été passées à la moulinette. Cela rendait le contrôle qualité direct. Les relecteurs pouvaient identifier les problèmes rapidement.
Aujourd’hui, les erreurs sont plus difficiles à trouver précisément parce que la prose semble naturelle. Carol Bereuter, spécialiste en traductions médicales, décrit ce changement sans détour : là où les anciens outils produisaient des phrases qui “sautaient aux yeux” en raison de problèmes grammaticaux, la production actuelle de l’IA semble fluide et légitime. Les erreurs sont toujours là. Elles ne portent simplement plus d’écriteau.
Ce n’est pas un inconvénient mineur dans les domaines à fort enjeu. Carol Bereuter a rencontré un texte médical traduit automatiquement qui rendait la lettre grecque mu par “milli” plutôt que par “micro”. La différence est d’un facteur mille. Dans un contexte de dosage, ce n’est pas une erreur de traduction. C’est un risque pour la sécurité du patient. La phrase semblait correcte. Le sens était catastrophiquement erroné.
La traduction juridique comporte des risques similaires. Ariella Baltié, traductrice spécialisée dans les documents judiciaires, a examiné un dossier juridique traduit par l’IA et a trouvé deux erreurs significatives près du début. Le mot “demandeur” (plaintiff) est devenu “requester”, un terme qui n’a aucune valeur juridique dans la langue cible. Une expression décrivant une femme comme l’épouse de quelqu’un a été rendue comme la description de son mariage avec lui, confondant un nom avec un verbe. Dans les procédures d’asile aux États-Unis, des erreurs de ce type ont contribué à des retards dans la libération de détenus.
Là où l’IA fonctionne, et là où elle échoue
Toute traduction ne comporte pas de tels enjeux. John Zimmerman, fondateur de OKA (Open Knowledge Association), une organisation à but non lucratif suisse qui traduit des articles Wikipédia, trace une limite pratique. Pour les documents internes ou les listes de produits, soutient-il, multiplier les coûts pour éliminer les derniers pourcentages d’erreurs n’est pas rationnel. La traduction par IA est, dans ces contextes, le bon choix.
OKA a publié plus de 10 000 articles traduits, principalement en espagnol, en portugais et en anglais, devenant ainsi le plus grand contributeur individuel de contenu traduit sur Wikipédia. Cette échelle aurait été impossible sans l’IA. Traduire ce volume par des méthodes traditionnelles aurait coûté des millions. Le processus actuel utilise l’IA pour produire un brouillon, qu’un traducteur humain relit ensuite phrase par phrase.
Mais même ce modèle subit des pressions. John Zimmerman note qu’il y a deux ou trois ans, les traducteurs réécrivaient une part substantielle de chaque brouillon généré par l’IA. Aujourd’hui, la prose ne nécessite souvent aucune correction. La tentation de supprimer complètement le relecteur humain est devenue, selon ses mots, “une option sérieuse” dans toute l’industrie.
OKA a mené une étude financée par Wikimedia portant sur 119 articles répartis dans 10 paires de langues, s’appuyant sur plus de 1 000 heures de travail de traduction. Les conclusions sont instructives : 27 % du texte généré par l’IA a été corrigé avant publication. Les trois quarts de ces corrections visaient des erreurs que l’IA avait elle-même introduites. Entre 5 et 6 % des erreurs modifiaient le sens du texte original.
Ce dernier chiffre est celui qui compte. Une traduction peut être exacte à 94 % et tout de même induire un lecteur en erreur sur le point qui compte le plus.
Ce que révèle le plafond de fiabilité
François Yvon, directeur de recherche spécialisé en traduction automatique au Centre National de la Recherche Scientifique (CNRS), identifie une raison structurelle pour laquelle les systèmes actuels ont peu de chances d’atteindre une fiabilité totale. La traduction par IA est fondamentalement probabiliste : le système sélectionne le mot le plus probable compte tenu du contexte qu’il a traité. Ce qui est statistiquement probable n’est pas la même chose que ce qui est correct. Le langage est trop subtil, trop dépendant du contexte et trop riche en exceptions pour que la seule probabilité suffise.
François Yvon pointe un exemple simple : l’instruction “translate into Polish” pourrait, sans contexte suffisant, amener une IA à interpréter le mot “Polish” comme faisant référence à du cirage pour chaussures. Un lecteur humain ne ferait jamais cette erreur. La machine, fonctionnant par probabilité, pourrait la faire.
Ses prévisions pour la prochaine génération de systèmes impliquent des outils d’IA multicouches : un premier pour produire la traduction, un deuxième pour la critiquer, un troisième pour générer une version révisée. Cette architecture pourrait réduire les erreurs. Mais la véritable avancée, à ses yeux, surviendra lorsque les systèmes pourront exprimer leur incertitude, lorsqu’ils pourront signaler les phrases pour lesquelles ils manquent de confiance plutôt que de produire un texte à la sonorité fluide, qu’ils l’aient compris ou non.
Cette capacité n’existe pas encore à grande échelle. En attendant qu’elle voie le jour, le rôle de l’humain dans la traduction ne consiste pas à faire ce que l’IA ne peut pas faire. Il consiste à rattraper ce que l’IA ignore avoir raté.
En bref
La traduction par IA est rapide, bon marché et de plus en plus fluide. Pour les contenus à faible enjeu et à haut volume, elle constitue déjà le choix par défaut rationnel. Mais la fluidité n’est pas l’exactitude, et les erreurs qui subsistent sont plus difficiles à repérer que jamais. Dans le domaine juridique, médical, et dans tout contexte où le sens a des conséquences, la relecture humaine n’est pas superflue. C’est le mécanisme qui attrape les erreurs que la machine commet avec assurance. Le chiffre d’un billion de mots montre le chemin parcouru par la technologie. Les 5 à 6 % d’erreurs modifiant le sens montrent pourquoi l’histoire n’est pas terminée.
D’après un reportage de BBC News.