Tots hem viscut aquest moment tan peculiar de tecnomàgia moderna. Escrius un paràgraf complex en una eina d’intel·ligència artificial i, en qüestió de segons, en surt una resposta gramaticalment impecable i aparentment plena d’empatia. Es disculpa amb elegància, celebra els èxits o adopta un to tranquil·litzador que sembla sorprenentment humà.
Per a les marques globals, els creadors de contingut i els professionals de la comunicació intercultural, aquest avenç sovint sembla el súmmum de l’eficiència. Per què passar setmanes coordinant equips humans de localització de diversos nivells quan un algoritme pot analitzar el to i la sintaxi de desenes d’idiomes en un tancar i obrir d’ulls?
Tanmateix, sota aquesta capa polida hi ha una il·lusió de fons, que deixa al descobert algunes de les limitacions de la traducció amb IA més importants: una redacció fluida no sempre transmet el significat, el to o el context cultural que es pretenia.
El llenguatge està profundament lligat a l’experiència viscuda, la memòria cultural i el context social. Un text fluid generat per IA no s’ha de prendre com a prova que el sistema comparteixi les intencions o les experiències de qui parla. En el seu article de 2020 sobre forma i significat, Bender i Koller sostenen que entrenar només amb la forma lingüística no és suficient per aprendre el significat comunicatiu. És un argument influent, no un veredicte definitiu sobre tots els sistemes d’IA actuals o futurs. Per a les marques, la qüestió pràctica és si una traducció transmet de manera fiable el significat previst en el context on s’ha de fer servir.
Com aprenen patrons els models de llenguatge i com generen traduccions
Per entendre per què una traducció amb IA pot sonar convincent i alhora equivocar-se en el significat, convé distingir entre generar llenguatge i verificar un missatge concret.
Els models de llenguatge aprenen patrons a partir de grans conjunts de dades. Segons el desenvolupador, poden incloure contingut web públic, material amb llicència, exemples creats per persones i dades sintètiques; alguns sistemes també aprenen d’imatges, àudio o vídeo. Durant el preentrenament, molts models aprenen a predir tokens en context, i després reben un entrenament addicional per seguir millor les instruccions i adquirir altres capacitats. Això dona habilitats lingüístiques útils, però ni la fluïdesa ni un estil empàtic en garanteixen l’exactitud. L’explicació d’OpenAI sobre com desenvolupa els seus models n’és un exemple, amb fonts de dades i fases d’entrenament diverses.
El lloro estocàstic i el JPEG borrós
Emily M. Bender, Timnit Gebru, Angelina McMillan-Major i Shmargaret Shmitchell van popularitzar la influent idea dels «lloros estocàstics» en l’article de 2021 On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? Hi defensen que la generació probabilística de formes lingüístiques no s’ha de confondre amb un significat fonamentat ni amb una intenció comunicativa. L’article també analitza riscos ambientals i socials. Aquesta idea és l’argument de les autores, no una prova definitiva de totes les capacitats dels models posteriors.
En l’assaig de 2023 ChatGPT Is a Blurry JPEG of the Web, Ted Chiang fa servir la compressió amb pèrdua com a metàfora de la relació de ChatGPT amb la informació textual. És una analogia explicativa, no una descripció tècnica literal. Aplicada a la traducció, la nostra conclusió editorial és que una traducció versemblant s’ha de contrastar igualment amb l’original; aquesta aplicació és nostra, no una afirmació concreta de Chiang sobre la traducció jurídica o mèdica.
Quan un sistema tradueix un eslògan publicitari o un comunicat corporatiu, pot reconèixer expressions fetes i adaptar el to amb encert. Però també pot triar una expressió versemblant que no és adequada per a un públic concret. Que la presenti amb seguretat no vol dir que algú n’hagi verificat l’elecció.
La bretxa pragmàtica
La comunicació humana es basa en la pragmàtica: el context compartit, la ironia, les relacions i el significat implícit. Els grans models de llenguatge poden gestionar alguns d’aquests elements, però el rendiment varia segons el model, l’idioma, la tasca i la instrucció. La recerca sobre adaptació cultural n’explora tant el coneixement cultural com els problemes de l’adaptació automàtica. El risc pràctic és un criteri poc fiable en una situació concreta, no una absència total de capacitat cultural.
Limitacions de la traducció amb IA: la falsa fluïdesa als mercats globals
A Overseas Translations gestionem projectes de localització intercultural en què importen tant la llegibilitat com la fidelitat. Una preocupació recurrent en el control de qualitat és la falsa fluïdesa: un text que es llegeix amb naturalitat però que tergiversa l’original. Per això, la llegibilitat sola no és prou per valorar la qualitat de la traducció.
Els errors fluids estan documentats en la recerca sobre traducció automàtica. Raunak, Menezes i Junczys-Dowmunt (2021) descriuen al·lucinacions que poden produir traduccions fluides però inadequades, a més d’altres tipus d’errors. Una eina d’IA pot demanar aclariments si se li indica o si està configurada per fer-ho, però també pot resoldre malament una ambigüitat sense avisar del dubte. Per això els revisors necessiten tenir accés al text original i a les instruccions del projecte.
No totes les al·lucinacions són gramaticalment polides, ni tots els errors fluids són al·lucinacions. Una xifra incorrecta, una matisació omesa o una obligació modificada poden passar fàcilment desapercebudes en un text que, per la resta, sona natural. Són riscos il·lustratius, no la descripció d’una campanya documentada concreta. La verificació ha de comprovar la informació que es transmet, no refiar-se de la seguretat amb què s’expressa.
El biaix de gènere és un altre risc documentat. La revisió de Savoldi i col·laboradors de 2021 recull estudis en què la traducció automàtica assigna el gènere seguint estereotips professionals, fins i tot quan es tradueix des d’idiomes sense pronoms amb marca de gènere. Aquestes conclusions es refereixen a sistemes, conjunts de dades i condicions d’avaluació concrets; no volen dir que totes les eines actuals reprodueixin el mateix estereotip del metge i la infermera. Els equips han de provar les combinacions lingüístiques que fan servir realment i revisar en context les opcions de gènere.
Confidencialitat i responsabilitat professional
La traducció assistida per IA també exigeix un enfocament clar de la confidencialitat i la responsabilitat. El tractament de les dades varia segons el proveïdor, el producte, el contracte i la configuració. L’emmagatzematge, l’ús per a l’entrenament i la divulgació pública són coses diferents: enviar un text a una eina no el fa públic automàticament. Per exemple, OpenAI afirma que, per defecte, les entrades i sortides dels clients empresarials no s’utilitzen per entrenar models. Abans de pujar material confidencial, revisa les condicions de conservació de dades, els controls d’accés i les garanties contractuals aplicables. El text generat per IA no elimina la necessitat d’assignar la responsabilitat de la revisió i l’aprovació. La responsabilitat legal depèn de la llei aplicable, dels fets i dels acords, no d’una afirmació general que els proveïdors no en tenen cap.
El cost de no captar el subtext
Els errors en terminologia jurídica o un llenguatge inadequat en una campanya poden crear problemes pràctics i de reputació. Els punts següents descriuen riscos que cal valorar, no conseqüències inevitables:
El desajust emocional: un sistema d’IA pot generar una disculpa i ajustar-ne el to, però la redacció pot no estar a l’altura de la gravetat d’un fet concret. Un revisor responsable ha de comprovar l’exactitud de la informació, les expectatives del públic i els compromisos que assumeix l’organització.
El punt cec cultural: un model pot reproduir estereotips o idees desfasades, tot i que també pot recórrer a molta informació cultural i, en alguns productes, a fonts actuals consultades en temps real. La revisió ha de tenir en compte el públic i el context concrets.
El risc d’homogeneïtzació: la recerca sobre el «translationese» de la traducció automàtica va detectar una riquesa lingüística menor en els sistemes anglès-francès i anglès-castellà analitzats. Això dona suport a la preocupació per la normalització en les traduccions generades automàticament. Però, per si sol, no demostra que els grans models de llenguatge actuals estiguin esborrant la identitat de les llengües minoritàries o dels dialectes regionals. Preservar les expressions locals i la veu pròpia continua sent un objectiu editorial valuós.
Equilibrar rapidesa i criteri: l’era de la transcreació
La IA pot ser útil dins d’un flux de treball que combini l’eficiència tècnica amb el criteri humà. L’equilibri adequat depèn del contingut, del públic, de la combinació lingüística i de les conseqüències d’un error. Les eines automàtiques destaquen a l’hora de processar grans volums de dades i preparar esborranys ràpids, però tractar la IA com una solució que no necessita supervisió és un risc que cap empresa seriosa hauria d’assumir. Una estratègia pràctica es basa en un repartiment clar de les tasques:
Ús estratègic de la IA: fes servir la IA on la rapidesa és més important i el risc creatiu és baix: grans volums, estructures inicials i primers esborranys.
Supervisió humana: fes passar el material generat per IA per lingüistes professionals que aportin la comprovació cultural de sentit comú que els algoritmes no tenen.
Intenció i context: revisa cada text pel que fa al compliment de la normativa local, el to emocional i la coherència amb la marca, perquè el missatge arribi tal com es pretenia.
El model de localització per nivells
Una estratègia de continguts basada en el risc ajuda les organitzacions a triar entre la traducció humana, la postedició de traducció amb IA i altres fluxos de treball. Fins i tot el material intern pot contenir informació sensible, de manera que la confidencialitat i els usos permesos s’han de valorar a banda de la visibilitat. Les campanyes de marca de gran visibilitat poden requerir transcreació; les interfícies per a clients necessiten localització i proves, i la documentació jurídica exigeix traducció i revisió jurídiques especialitzades.
La traducció, la revisió, la postedició i la transcreació tenen finalitats diferents; la transcreació no substitueix les altres. Com a exemple hipotètic, un correu de llançament de producte per a un soci comercial japonès pot necessitar un grau de formalitat diferent del d’una campanya d’una startup nord-americana. El registre adequat, inclòs l’ús de formes honorífiques quan escaigui, depèn de la relació, del destinatari i de les instruccions. Un lingüista comprova aquests requisits en lloc d’aplicar una sola regla a tota la comunicació en japonès.
A Overseas Translations, l’objectiu és triar les eines i el coneixement lingüístic que s’adapten a cada encàrrec. Els revisors professionals verifiquen el significat, la terminologia, el registre i l’adequació cultural; el material creatiu també pot requerir transcreació. La IA pot ajudar en aquestes tasques, però el missatge final necessita un procés de control de qualitat i aprovació ben definit.
El valor real del factor humà
Les capacitats de la IA continuen evolucionant. La generació de llenguatge pot donar suport a la traducció a gran escala, però un bon resultat en una prova de referència no garanteix fiabilitat per a un document o un públic concrets. Si els sistemes d’IA podrien tenir experiència subjectiva continua sent una pregunta oberta en la recerca. L’anàlisi de Butlin i col·laboradors de 2023 no va trobar cap sistema conscient entre els avaluats, tot i que no descarta que sistemes futurs compleixin els indicadors proposats. Les decisions de traducció no necessiten resoldre aquest debat: l’exactitud, l’adequació i la rendició de comptes es poden avaluar directament.
En el fons, el llenguatge tracta de la connexió humana, no només de transferir dades. Per això, a Overseas Translations no veiem la IA com un substitut dels lingüistes, sinó com una eina que els ajuda a treballar de manera més intel·ligent. La nostra feina és protegir la veu de la teva marca, detectar els riscos subtils que se’ls escapen als algoritmes i assegurar que el teu missatge arribi amb un pes cultural autèntic.
Quan et dirigeixes a un públic internacional, la confiança depèn de l’exactitud i l’adequació del teu missatge. El text generat per IA pot contribuir a aquesta feina, i una revisió lingüística qualificada ajuda a comprovar que el resultat publicat compleix el seu propòsit.
Preguntes freqüents sobre la traducció amb IA
La IA pot traduir el significat cultural?
La IA pot reproduir molts patrons culturals, però el resultat pot passar per alt les expectatives del públic, una referència ambigua o la intenció d’un missatge. Un lingüista professional comprova aquestes opcions amb l’original, les instruccions i el context local.
Què és la falsa fluïdesa en la traducció amb IA?
La falsa fluïdesa és un text que sona natural però que transmet un significat equivocat. Els revisors han de comparar la traducció amb l’original, i no valorar-ne només la llegibilitat.
Quan convé la traducció humana i quan la postedició?
Depèn de la combinació lingüística, del tema, de la qualitat de l’original i de les conseqüències d’un error. Els documents especialitzats necessiten coneixement de la matèria; les campanyes de marca poden necessitar transcreació. Els esborranys fets amb IA poden ser útils quan les instruccions permeten una postedició professional.
Com pot reduir la teva empresa els riscos de la traducció amb IA?
Fes servir eines aprovades, revisa’n les condicions de tractament de dades, proporciona un glossari i una guia d’estil, i encarrega a lingüistes qualificats que verifiquin l’exactitud i l’adequació cultural abans de publicar.
Per a consells pràctics, llegeix els nostres articles sobre quan cal revisar una traducció amb IA i sobre com triar entre DeepL, ChatGPT i un traductor humà.
Tria el flux de treball multilingüe adequat
Overseas Translations t’ajuda a combinar la tecnologia amb el coneixement lingüístic. Descobreix els nostres serveis de traducció amb IA, transcreació i revisió i correcció, o contacta amb el nostre equip per parlar dels teus continguts.
Recerca i lectures recomanades
- Bender i Koller (2020). Climbing towards NLU: On Meaning, Form, and Understanding in the Age of Data.
- Bender, Gebru, McMillan-Major i Shmitchell (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?
- Chiang (2023). ChatGPT Is a Blurry JPEG of the Web. The New Yorker, 9 de febrer. Assaig i analogia explicativa.
- Raunak, Menezes i Junczys-Dowmunt (2021). The Curious Case of Hallucinations in Neural Machine Translation.
- Savoldi et al. (2021). Gender Bias in Machine Translation.
- Vanmassenhove, Shterionov i Gwilliam (2021). Machine Translationese: Effects of Algorithmic Bias on Linguistic Complexity in Machine Translation.
- Singh, Patidar i Vig (2024). Translating Across Cultures: LLMs for Intralingual Cultural Adaptation.
- Butlin et al. (2023). Consciousness in Artificial Intelligence: Insights from the Science of Consciousness. Informe de recerca.


