El 46% de las personas no confía en una traducción de IA sin revisarla a mano: esto dicen los datos

TECNOLOGÍA.

Índice.

- La desconfianza, en cifras
- ¿Por qué desconfiamos exactamente?
- Qué ocurre cuando se automatiza esa comparación
- El efecto medible de comparar en lugar de confiar
- Lo que esto significa para quien usa IA para traducir

Pedirle una traducción a una inteligencia artificial se ha vuelto un gesto tan automático como buscar algo en Google. Pero ese gesto viene acompañado, cada vez con más frecuencia, de un segundo paso silencioso: volver a leer el resultado, palabra por palabra, para comprobar que dice lo que debería decir. Ese debate entre la confianza que depositamos en los traductores automáticos y la que reservamos para el criterio humano no es nuevo, pero los datos recientes le están dando forma concreta.

La desconfianza, en cifras.

Un estudio interno sobre uso de traductores de IA encontró que el 34% de las personas no se sentían lo bastante seguras como para publicar una traducción automática sin revisarla antes. Entre quienes no son lingüistas de formación, la cifra sube: un 46% afirmó que dedicaba más tiempo a comparar manualmente los resultados de distintas herramientas de IA que el tiempo que la propia IA le ahorraba. Dicho de otro modo, casi la mitad de los usuarios no expertos convirtió una herramienta pensada para ahorrar tiempo en una tarea adicional de control de calidad.

Esta desconfianza no es solo una percepción anecdótica. Un análisis reciente publicado en la revista académica Translation Studies documenta cómo la confianza y la desconfianza hacia los sistemas de traducción basados en IA generativa se han convertido en objeto formal de estudio dentro del campo, con patrones que se repiten entre distintos perfiles de usuarios, desde traductores profesionales hasta personas que usan estas herramientas de forma ocasional. La conclusión de fondo coincide con la intuición de muchos usuarios: la desconfianza suele aparecer justo cuando el contenido traducido importa de verdad, ya sea un contrato, un mensaje profesional o cualquier texto donde un matiz mal traducido pueda cambiar el sentido completo de la frase.

¿Por qué desconfiamos exactamente?

La respuesta técnica es menos misteriosa de lo que parece: los modelos de IA no fallan todos de la misma manera, y por eso tampoco aciertan siempre de la misma manera. Como ya se ha explorado en el análisis sobre cuántas palabras conoce ChatGPT, un modelo puede reconocer una palabra o expresión y aun así no acertar con el significado exacto que le corresponde en ese contexto concreto.

Un caso interno documentado ilustra bien el problema. Al procesar un mismo conjunto de contratos multilingües complejos a través de tres modelos de IA distintos, cada uno falló de forma distinta y en un punto distinto del texto. Uno de los modelos mostró una tasa de error del 12% al traducir honoríficos específicos de lenguas asiáticas. Otro alucinó fechas numéricas al traducir hacia lenguas romances, inventando datos que no estaban en el original. Un tercero no logró capturar el registro formal que exigen los documentos corporativos en alemán. Tres modelos, tres tipos de error completamente distintos, sobre el mismo material de partida.

Este patrón es la razón estructural detrás del 46%: si cada modelo de IA falla de forma distinta e impredecible, comparar manualmente sus resultados se convierte en la única forma de detectar el error antes de que cause un problema real. Y esa comparación manual, hecha por una persona sin formación lingüística, es lenta, agotadora y propensa a pasar por alto justo el matiz que importaba.

Qué ocurre cuando se automatiza esa comparación.

Frente a este problema, algunos desarrollos recientes en traducción automática han optado por automatizar precisamente esa tarea de comparación que los usuarios ya estaban haciendo a mano. En lugar de traducir con un único modelo y confiar en su resultado, el mecanismo consiste en ejecutar varios modelos de IA de forma simultánea sobre el mismo texto, evaluar el contexto de origen y seleccionar la traducción en la que la mayoría de los modelos coincide.

MachineTranslation.com, desarrollado por Tomedes, una empresa profesional de traducción, aplica este principio a través de su mecanismo SMART, que compara 22 modelos de IA a la vez antes de entregar un resultado. Un ejemplo público de cómo funciona esto en la práctica se puede ver en una comparación pública de cómo distintos modelos de IA tradujeron la misma frase, en este caso una expresión coloquial española al francés, donde los distintos sistemas se dividieron entre dos formulaciones posibles antes de que el sistema seleccionara la que reunía mayor consenso.

La lógica detrás de este enfoque no es que un modelo de IA sea intrínsecamente superior a otro, sino que ningún modelo individual es fiable de forma constante en todos los contextos. El consenso entre varios modelos actúa como un filtro estadístico: cuando la mayoría coincide en una misma traducción, la probabilidad de que esa coincidencia sea un error compartido por todos es mucho menor que la probabilidad de que un solo modelo se equivoque por su cuenta.

El efecto medible de comparar en lugar de confiar.

Según datos internos recogidos durante pruebas de este mecanismo, los usuarios que pasaron de elegir manualmente entre resultados de IA a usar un sistema de consenso automatizado redujeron en un 27% el tiempo que dedicaban a decidir cuál de los resultados era el correcto. En pruebas centradas en contenido mixto de tipo empresarial y legal, las traducciones seleccionadas por consenso redujeron entre un 18% y un 22% las desviaciones de tipo error frente a las traducciones de un único motor. Y de forma más amplia, las pruebas internas registraron una reducción del 90% en errores críticos de traducción al aplicar este mecanismo de consenso frente al uso de un solo modelo de IA.

Estas cifras no eliminan la necesidad de revisión humana en textos donde el margen de error debe ser cero, como documentos médicos, legales o regulatorios. Lo que sí sugieren es que buena parte del trabajo de comparación manual que hoy realizan los usuarios, sobre todo los no expertos, puede resolverse antes de que el texto llegue a sus manos.

Lo que esto significa para quien usa IA para traducir.

La desconfianza hacia la traducción automática no es irracional ni está desapareciendo por sí sola. Es una respuesta lógica a un problema real: los modelos de IA discrepan entre sí, y esa discrepancia no siempre es visible para quien no domina el idioma de destino. Mientras esa discrepancia exista, la pregunta que debería hacerse cualquier usuario no es "¿qué modelo de IA es el mejor?", sino "¿cómo puedo saber, sin ser lingüista, en qué traducción confiar?". Los datos sobre el 46% que revisa manualmente cada resultado sugieren que, para muchos, esa pregunta sigue sin tener una respuesta satisfactoria, y que automatizar esa comparación, en lugar de eliminarla, podría ser el siguiente paso lógico.

Sitio Fuente: NCYT de Amazings