¿Está el traductor profesional en peligro de extinción?
Enrique Gutiérrez Rubio[1]
Introducción[2]
La sensación generalizada que prevalece en nuestra sociedad desde hace algunos meses es que la inteligencia artificial (IA) va a provocar un cambio significativo (e incluso radical) en el mundo tal y como lo conocemos en la actualidad. Aunque son muchas las voces que defienden que se trata de una herramienta que mejorará la calidad de vida de los ciudadanos, en particular en el marco de las investigaciones científicas y médicas, son también numerosas las personas e instituciones que advierten del peligro que el desarrollo de aplicaciones basadas en IA conlleva en muchos frentes, sobre todo si este no se ve regulado, incluida la pérdida de un número importante de puestos de trabajo y hasta la completa desaparición de algunas profesiones[3].
En este artículo vamos a discutir, entre otros asuntos afines, la relación que se puede establecer entre IA y traducción y, muy especialmente, las consecuencias que la generalización de tecnologías de traducción automática basadas en IA puede tener sobre la labor de los traductores profesionales (y si estas tendrán lugar en un plazo más o menos breve de tiempo).
Para presentar el panorama actual de la problemática tratada, nos basaremos tanto en las investigaciones científicas publicadas sobre este tema como en nuestra propia experiencia profesional en el mundo de la traducción (técnica y literaria), concretamente en las combinaciones inglés-español y checo-español.
Inteligencia artificial y traducción
Los programas basados en la tecnología de traducción automática neuronal (Neural Machine Translation en inglés, NMT) ya son una realidad de nuestro día a día, de modo que, en apenas unos años, la traducción automática se ha generalizado entre particulares y profesionales de todos los ámbitos hasta el punto de contar con millones de usuarios a diario[4]. Los servicios de traducción automática neuronal DeepL y Google Translate, por nombrar los dos más conocidos (y analizados) en la actualidad, emplean una arquitectura de redes neuronales basada en inteligencia artificial que entrenan con miles de millones de parámetros. La ya mencionada generalización de estas aplicaciones se halla estrechamente relacionada con el significativo aumento de la precisión y eficacia de estas tecnologías (Wang et al., 2023). Dicha mejora se ha logrado principalmente mediante el cambio en el modo en que los datos son procesados y, más concretamente, por el paso de la traducción automática estadística a la de redes neuronales[5]. Así, investigadores de Microsoft demostraron hace ya varios años que, al menos en la combinación chino-inglés, en el ámbito de las webs de noticias y tras un entrenamiento específico, las traducciones automáticas eran tan potentes que igualaban en calidad a las realizadas por los traductores profesionales (Hassan et al., 2018). Sin embargo, como señalan Fomicheva et al. (2020), la calidad depende de varios factores, como los pares de lenguas involucrados y el género/ámbito del original. En este sentido, la traducción de un texto del inglés a otra lengua “mayoritaria” suele contar con un mayor número de datos de entrenamiento y, lógicamente, tiende a generar traducciones de calidad superior. Además, mientras que estas aplicaciones pueden resultar muy eficaces en tareas de traducción de, por ejemplo, textos técnicos o jurídicos, que presentan estructuras y formulaciones más convencionales, pueden no serlo tanto en relación con textos de un carácter menos restringido e incluso creativo, como serían los de marketing o los literarios (Wang et al., 2023). En este sentido, Toral y Way (2014), hace ya más de una década, no dudaron en denominar la traducción literaria el último bastión del traductor humano.
A pesar de la mejora arriba señalada en la calidad de los textos generados por las aplicaciones de traducción automática, muchos de los profesionales consultados denuncian que estas traducciones presentan multitud de errores de sintaxis, coherencia interna, estilo, selección del vocabulario, etc.[6] Sin embargo, el asunto va mucho más allá, dado que no resulta infrecuente que, al revisar una traducción generada por una de estas aplicaciones, nos encontremos con una auténtica transgresión de lo que el autor del texto original pretendía expresar. Un ejemplo, en la combinación checo-español, que ilustra a la perfección este peligro es la traducción del siguiente texto: “Pane doktore, musíte mu amputovat nohu a prst na ruce”. La versión española, a falta de mayor contexto, presenta una única ambigüedad, si empleamos artículos determinados o indeterminados: “Doctor, hay que amputarle la/una pierna y el/un dedo de la/una mano”. En Google Translate, sin embargo, comprobamos una ambigüedad de características mucho más preocupantes, ya que lo traduce como “Doctor, hay que amputarle la pierna y el dedo”, sin especificar si se trata del dedo de una extremidad superior o inferior, algo que, por el contrario, queda meridianamente claro en el original na ruce (textualmente “sobre la mano/brazo”). En este caso, el error se genera en el paso por la lengua pivote, ya que en la traducción del checo al inglés sí se especifica lo que hay que amputar: finger (y no toe). Sin embargo, la traducción ofrecida por DeepL no resulta solo ambigua, sino que es marcadamente errónea: “Doctor, tiene que amputarle la pierna y el dedo del pie”. Es cierto que se trata apenas de un ejemplo con el que hemos dado por casualidad (ver Gutiérrez Rubio, 2024b) y que, en nuestra experiencia como usuarios de esta aplicación, no se repite con frecuencia. Sin embargo, debe servirnos de clara advertencia sobre las imperfecciones asociadas a estas tecnologías y de base para un lema que, en nuestra opinión, habría que hacer llegar a la sociedad con cierta urgencia: se trata de herramientas extremadamente útiles, pero no se puede confiar ciegamente en ellas como, de hecho, reconoce explícitamente DeepL en su web: “La traducción automática no es perfecta, por lo que continuar implicando personas en los procesos es imprescindible”[7]. Google Translate tampoco es una excepción: Taira et al. (2021) nos advierten del riesgo de emplear este traductor automático mediante la evaluación de 400 instrucciones de altas hospitalarias en inglés que contenían información fundamental sobre el diagnóstico, el tratamiento y el seguimiento del paciente. Los resultados eran relativamente aceptables en la traducción al español y al tagalo, por ejemplo, pero Google Translate fracasaba peligrosamente en las combinaciones inglés-farsi e inglés-armenio, para las cuales apenas el 55 % de las traducciones eran consideradas correctas por los evaluadores bilingües del estudio.
Por otra parte, quizá no haya que llegar al punto de demonizar estas tecnologías: a fin de cuentas, también los traductores humanos cometemos errores. En este sentido, consideramos que el verdadero problema reside en nuestra tendencia a creer a pie juntillas la información que procede de las máquinas: al igual que uno confía en que una calculadora no puede proporcionarnos un resultado matemático erróneo, es probable que muchas personas no cuenten siquiera con la posibilidad de que un traductor automático puede cometer un error tan básico como confundir mano y pie. De ahí que, en nuestra opinión, resulte fundamental subrayar la falibilidad de las máquinas[8].
Curiosamente, hay una tecnología de reciente desarrollo que, a pesar de no haber sido diseñada explícitamente para la traducción, parece ofrecer (al menos, a finales de 2024) mejores resultados que DeepL o Google Translate, especialmente si somos capaces de emplear las instrucciones (o prompts) adecuadas. Nos referimos concretamente a ChatGPT, el modelo extenso de lenguaje (LLM, por la sigla inglesa de Large Language Model) más popular en la actualidad y, en particular, a la versión gratuita disponible en el momento de redacción de este trabajo: GPT-4 (Jiao et al., 2023; Karpinska e Iyyer, 2023; Yamada, 2023; Gao et al., 2024)[9]. Entre las ventajas de ChatGPT, se destaca la posibilidad de poder ajustar fácilmente la tarea de traducción a sus características específicas (e incluso reformularla y dirigirla, así, hacia el resultado buscado). La superioridad de GPT-4 sobre las aplicaciones diseñadas para tareas de traducción resulta tan marcada en la actualidad que Gao et al. (2024) ya se atreven a denominar abiertamente a los sistemas como DeepL y Google Translate modelos de traducción neuronal tradicionales. Por tanto, no debe sorprendernos que la investigación de Sahari et al. (2023) demuestre que ChatGPT es la tecnología de traducción automática preferida por la mayoría (el 80 %) de los estudiantes saudíes universitarios consultados que usan esta aplicación para otras tareas. Ilustramos la capacidad superior de GPT-4 (versión gratuita del 17 de noviembre de 2024) mediante la traducción (correcta y sin ambigüedades) del texto checo que, por el contrario, tantos problemas ha causado a los modelos tradicionales: “Doctor, tiene que amputarle la pierna y un dedo de la mano”[10].
Influencia de la tecnología de traducción automática neuronal en los traductores profesionales
Quienes tratamos habitualmente con agencias de traducción y editoriales somos perfectamente conscientes de que la irrupción de la inteligencia artificial en este sector no es un “peligro inminente” para el traductor profesional, sino que ya ha cambiado las reglas del juego para siempre. Es cierto que las editoriales literarias siguen, hasta donde sabemos, desconfiando de la traducción automática y prefieren invertir en calidad. Sin embargo, no ocurre así en otros campos, de modo que muchas empresas e instituciones deciden ahorrarse los gastos de traducción y confiar (ciegamente) en las aplicaciones de traducción. Esto provoca que, con más frecuencia de la deseable, nos encontremos con auténticas aberraciones. Me refiero, por ejemplo, a un cartel electoral en apoyo de la candidatura de Donald Trump traducido al español “latino” que reza “LEGALES HISPANICI et LATINI. Familia. Opera. Securitas. Vota pro Trump!”[11]. Ningún traductor humano habría cometido semejante error, ya que habría entendido que la tarea estaba mal planteada y que los latinos de EE. UU. no hablan latín.
Por otra parte, algunas empresas de traducción y localización exigen que los traductores trabajen de forma autónoma y prohíben el uso de aplicaciones de traducción automática en sus encargos (e incluso comprueban luego que, efectivamente, ambas traducciones, la humana y la automática, no presenten sospechosas similitudes). Personalmente, consideramos que el uso de la traducción automática previa a la primera traducción humana puede inducir al traductor a errores, especialmente en el nivel estilístico, dado que, en muchas ocasiones, el texto generado por las aplicaciones es excesivamente fiel al original o al inglés como lengua pivote. Por ello, recomendamos partir siempre de la traducción humana y comparar esta luego con una o varias automáticas, con el fin de comprobar que, efectivamente, no se haya malinterpretado algún pasaje del texto original o no se haya pasado por alto algún detalle (un adjetivo o un adverbio, por ejemplo). Además, a veces, la solución propuesta por la aplicación basada en IA incluye alguna palabra o formulación más específica o adecuada en el contexto en cuestión que la originalmente propuesta por el traductor humano. En otras palabras, estas traducciones automáticas son una herramienta de revisión enormemente útil para los profesionales, gracias a la cual pueden mejorar la calidad final del texto.
Vamos a ejemplificar esta cuestión con la traducción de un texto de literatura infantil que realizamos recientemente del inglés al español (europeo) para la editorial checa Albatros. Una vez traducido el libro, comparamos el comienzo de nuestra traducción con la propuesta por DeepL. El mismo título resulta ya problemático y ejemplifica con claridad que la labor del traductor humano sigue resultando imprescindible: DeepL traduce “Let’s get scared” por “Asustémonos”, una forma verbal que no solo resulta estilísticamente inadecuada —excepto en el contexto de una ceremonia, como durante la misa, en español apenas se emplean imperativos en primera persona del plural—, sino que, además, puede resultar confusa, ya que podría entenderse como una forma recíproca del verbo asustar. El libro salió publicado en español bajo el título Vamos a pasar miedo (Sekaninová, 2025), menos fiel al original, sin duda, pero que suena de un modo mucho más natural en español. Una vez revisados los primeros cien enunciados, apenas el 15 % coincide en ambas traducciones. Es una obviedad que, si comparáramos las versiones de dos traductores humanos, tampoco el 100 % de los enunciados coincidirían. Aun así, creemos que un 15 % es una cifra muy baja; además, en su mayoría se trata de enunciados relativamente breves como “Pasar miedo es genial”, “¡Hay vampiros por todas partes!” o “Ahora mismo”.
Entre los ejemplos de oraciones que no se ajustan estilísticamente a la intención del texto podemos señalar la traducción de “Our scary pages eagerly await your fear!” por el castellano “Nuestras páginas de miedo esperan ansiosas su llegada”, donde no solo se habla de usted al hipotético lector del libro (un niño), sino que, además, se emplean combinaciones difícilmente aceptables en este u otros contextos, como “páginas de miedo” (nuestra propuesta final —mejorable o, al menos, debatible, como toda traducción— fue “Nuestras terroríficas páginas ya te están esperando”). Otro ejemplo —de los muchos que podríamos escoger para ilustrar esta cuestión— sería la traducción de “If you’re still feeling fearless, throw yourself into the vampires’ whirling dance” por “Si aún te sientes intrépido, lánzate al baile giratorio de los vampiros” (y que en la versión española del libro es “Si aún no estás asustado, únete al enloquecido baile de los vampiros”). Además, el traductor automático deja sin traducir palabras escritas en mayúsculas (“no hay cama más cómoda que un COFFIN”, posiblemente al confundirlas con siglas), fracasa a la hora de adaptar elementos culturales ajenos (“Los will-o’-the-wisps pueden confundirse con un tocón de árbol en descomposición”), no halla equivalentes adecuados para onomatopeyas o interjecciones (“¡Splash! Glug-glug-glug… ¡Socorro!”, “Abracadabra… ¡shazam!” o “Las casas abandonadas son uno de los lugares más espantosos y terribles de la Tierra. ¡Waah!”) y no reconoce unidades fraseológicas (la traducción de “Your money or your life” como “¡Tu dinero o tu vida!” en lugar de “La bolsa o la vida”), entre otros muchos errores e incoherencias. Así, aunque, en general, la traducción generada por DeepL en español a partir de un texto en inglés muy sencillo y plano[12] se entiende y puede seguirse su sentido, su calidad está muy por debajo de la traducción de un profesional con experiencia.
¿Un problema o una oportunidad para los traductores profesionales?
Resulta difícil hacer una previsión de qué nos depara la traducción automática en los próximos años. De lo que no cabe duda es de que esta tecnología ya está aquí, afecta a los traductores profesionales y son muchos los que ya han perdido encargos. Sin embargo, la euforia que reina en la actualidad (y que hace que sean muchos quienes decidan ahorrarse los servicios de una agencia de traducción) probablemente no tarde en desinflarse, ya que son numerosos los errores, en ocasiones con consecuencias económicas, que han sido provocados por el empleo de traductores automáticos sin la supervisión humana necesaria que, en nuestra opinión, debe incluir siempre a un profesional bilingüe[13].
En relación con esto, no son pocos los profesionales consultados que consideran que los traductores, quizá con la excepción de aquellos dedicados exclusivamente al campo de la traducción literaria[14], pasarán a ejercer más bien de poseditores, es decir que ya no realizarán las traducciones desde cero, sino que se especializarán en revisar las generadas por las aplicaciones basadas en IA. De hecho, se trata de una práctica ya relativamente común y que, aunque pudiera parecer de una naturaleza similar a la del revisor tradicional, requiere mucha mayor atención y creatividad por parte del poseditor. En este sentido, Gao et al. (2024), en el artículo en que presentan los resultados de su análisis de la capacidad de Google Translate, DeepL y ChatGPT como traductores de poesía tradicional china al inglés, proponen que, gracias a la IA, los traductores podrán centrarse en labores más específicas para las que la traducción automática no ha alcanzado la calidad de los profesionales humanos: “By leveraging AI tools to enhance their productivity and efficiency, translators can focus on higher-level tasks such as editing, quality assurance, and creative adaptation, ultimately delivering more value to target readers” (Gao et al., 2024: 8).
Creemos que el mercado tendrá que adaptarse a esta nueva realidad, comenzando por que empresas e instituciones comprendan que las traducciones crudas no son fiables y, en consecuencia, que el papel de los profesionales humanos (y de las agencias que los contratan) sigue resultando fundamental. De igual manera, también el traductor profesional debe hacerse a las nuevas condiciones, acaso aceptando su nuevo papel como poseditor y no como traductor tradicional. Por otra parte, tal y como indican Gao et al. (2024), este debería aprender a sacar el máximo partido a estas nuevas tecnologías para mejorar su productividad y eficiencia. Así, en nuestra opinión, el traductor profesional no está en peligro inminente de extinción, pero tiene la necesidad de evolucionar y adaptarse a la nueva realidad que ya impera en el mercado.
Por otra parte, si ChatGPT, con apenas tres años de existencia y siendo una aplicación de chat y no de traducción, es capaz de generar traducciones de una calidad relativamente elevada con casi cualquier tipo de texto y combinación de lenguas, no podemos descartar que, dentro de algunos años, existan sistemas que presenten traducciones del mismo nivel, e incluso superior, que las que realizamos los traductores humanos. De hecho, un trabajo reciente habría demostrado que GPT-4 es capaz de generar traducciones de una calidad tan elevada que ya iguala las realizadas por personas con escasa experiencia en el mundo de la traducción (junior translators), aunque, de momento, este LLM se ve superado por los traductores humanos con experiencia media y alta (Yan et al., 2024). La duda, por tanto, es si, en ese hipotético futuro, deberíamos fiarnos ciegamente de estas tecnologías, si la precisión podrá acabar siendo la misma que la de las calculadoras, es decir, matemática, sin importar el tipo de texto y las lenguas implicadas. El tiempo lo dirá, pero personalmente consideramos que, dada la multitud de factores implicados en los procesos de traducción, estamos aún muy lejos de poder prescindir de los humanos, al menos como garantes de la calidad del resultado final.
Bibliografía
Alumäe, Tanel y Koenecke, Allison (2025), “Striving for open-source and equitable speech-to-speech translation”, Nature, 367. https://www.nature.com/articles/d41586-024-04095-6.
Briva-Iglesias, Vicent et al. (2024), “Large Language Models ‘ad referendum’: how good are they at machine translation in the legal domain?”, MonTI. Monographs in Translation and Interpreting, 16. https://doi.org/10.6035/MonTI.2024.16.02.
Cortázar, Julio (2001a), Nebe, peklo, ráj, trad. es. Vladimír Medek, Praha: Mladá fronta.
Cortázar, Julio (2001b), Rayuela, Madrid: Biblioteca El Mundo.
Fomicheva, Marina et al. (2020), “Unsupervised Quality Estimation for Neural Machine Translation”, Transactions of the Association for Computational Linguistics, 8. https://doi.org/10.1162/tacl_a_00330.
Gao, Ruiyao et al. (2024), “Machine translation of Chinese classical poetry: a comparison among ChatGPT, Google Translate, and DeepL Translator”, Humanities and Social Sciences Communications. https://doi.org/10.1057/s41599-024-03363-0.
Gunathilaka, Melanka y Ariyaratne, Manoj (2019), “A Study on the Accuracy of Human Translation Output and Post-Edited Google Translate Output as far as English and Sinhalese Language Pair is considered: With Special Reference to Selected Literary and Non-literary Documents”, International Journal of Research and Innovation in Social Science (IJRISS), vol. III, Issue VII, pp. 503-510.
Gutiérrez Rubio, Enrique (2024a), “Aproximación al análisis de la calidad de la traducción automática desde la perspectiva de la evaluación basada en el usuario: el caso de DeepL, Google Translate y ChatGPT en la combinación checo-español”, Études romanes de Brno, 45: 4, pp. 65-86. https://doi.org/10.5817/ERB2024-4-4.
Gutiérrez Rubio, Enrique (2024b), “Traducción automática e inteligencia artificial. Miradas sobre un fenómeno en vertiginoso avance (agosto de 2024)”, Revista Lenguas Vivas, 20, pp. 23-35.
Hadley, James Luke et al. (2022), “Introduction”, en James Luke Hadley et al. (eds.), Using Technologies for Creative-Text Translation, New York & London: Routledge.
Hassan, Hany et al. (2018), “Achieving Human Parity on Automatic Chinese to English News Translation”, arXiv. https://doi.org/10.48550/arxiv.1803.05567.
Jiao, Wenxiang et al. (2023), “Is ChatGPT a good translator? Yes With GPT-4 As The Engine”, arXiv. https://doi.org/10.48550/arXiv.2301.08745.
Karpinska, Marzena e Iyyer, Mohit (2023), “Large Language Models Effectively Leverage Document-level Context for Literary Translation, but Critical Errors Persist”, Proceedings of the Eighth Conference on Machine Translation, Singapore. Association for Computational Linguistics. https://doi.org/10.18653/v1/2023.wmt-1.41.
Lee, Tong King (2024), “Artificial intelligence and posthumanist translation: ChatGPT versus the translator”, Applied Linguistics Review, 15: 6. https://doi.org/10.1515/applirev-2023-0122.
Sahari, Yousef et al. (2023), “Cross Sectional Study of ChatGPT in Translation: Magnitude of Use, Attitudes, and Uncertainties”, Journal of Psycholinguistic Research, 52. https://doi.org/10.1007/s10936-023-10031-y.
Sekaninová, Štěpánka (2025), Vamos a pasar miedo, trad. es. E. Gutiérrez Rubio, Praga: Albatros.
Taira, Breena R. et al. (2021), “A Pragmatic Assessment of Google Translate for Emergency Department Instructions”, Journal of General Internal Medicine, 36, pp. 3361-3365.
Toral, Antonio y Way, Andy (2014), “Is Machine Translation Ready for Literature?”, Translating and The Computer, 36, pp. 174-176.
Wang, Longyue et al. (2023), “Findings of the WMT 2023 Shared Task on Discourse-Level Literary Translation: A Fresh Orb in the Cosmos of LLMs”. Proceedings of the Eighth Conference on Machine Translation, Singapore. Association for Computational Linguistics. https://doi.org/10.18653/v1/2023.wmt-1.3.
Way, Andy (2018), “Quality Expectations of Machine Translation”, en Joss Moorkens et al. (eds.), Translation Quality Assessment, Cham: Springer.
Yamada, Masaru (2023), “Optimizing Machine Translation through Prompt Engineering: An Investigation into ChatGPT’s Customizability”, Proceedings of Machine Translation Summit XIX, vol. 2: Users Track, September 4-8, Macau SAR, China.
Yan, Jianhao et al. (2024), “GPT-4 vs. Human Translators: A Comprehensive Evaluation of Translation Quality Across Languages, Domains, and Expertise Levels”, https://doi.org/10.48550/arXiv.2407.03658.
- University Palacký Olomouc.↵
- La financiación para esta investigación ha sido otorgada a la Universidad Palacký de Olomouc por el Ministerio de Educación, Juventud y Deporte de la República Checa (IGA_FF_2026_025).↵
- Sirvan de muestra dos noticias publicadas en un mismo día durante la redacción de este artículo en El País, el periódico español más influyente: “¿Acabará la IA generativa con la clase media?” en la sección Opinión (https://elpais.com/opinion/2024-11-28/acabara-la-ia-generativa-con-la-clase-media.html) y “ChatGPT es de derechas y Gemini de izquierdas: por qué cada IA tiene su ideología” en Tecnología (https://elpais.com/tecnologia/2024-11-28/chatgpt-es-de-derechas-y-gemini-de-izquierdas-por-que-cada-ia-tiene-su-ideologia.html).↵
- En https://www.deepl.com/es/state-of-localization-report (último acceso: 13-08-2024).↵
- En este sentido, Way (2018: 171) señalaba hace casi una década que, en comparación con sus antecesores, los sistemas NMT habían logrado reducir los errores morfológicos en un 19 %; los léxicos, en un 17 % y los relativos al orden de palabras, en un 50 %, gracias a lo cual se reduce en aproximadamente un 25 % el número de correcciones necesarias durante la posedición.↵
- DeepL reconoce en su propia web que sus traducciones aún distan de ser perfectas. Así lo demuestra una encuesta realizada entre varios responsables de traducción y localización de empresas de Francia, Alemania, Japón y Estados Unidos: “el 82 % de los encuestados expresó su preocupación respecto a la precisión a la hora de traducir la terminología específica del sector”. De hecho, la intervención humana sigue resultando imprescindible: “el 99 % de los encuestados complementa la traducción automática con la revisión humana”. En https://www.deepl.com/es/blog/navigating-localization-challanges-report (último acceso: 16-12-2024).↵
- En https://www.deepl.com/es/blog/navigating-localization-challanges-report (último acceso: 16-12-2024).↵
- Algo muy similar ha afirmado Allison Koenecke en referencia a SEAMLESS, la nueva y potente herramienta de traducción e interpretación desarrollada por Meta: “[…] the users of these models (doctors and courtroom officials, for example) should be made aware of the fallibility of speech technologies, as should the individuals whose voices are the inputs. […] machine-induced error could potentially induce real harm, such as erroneously prescribing a drug, or accusing the wrong person in a trial” (Alumäe y Koenecke, 2025: 552).↵
- No cabe afirmar lo mismo de la versión anterior: ChatGPT-3.5 (ver Gutiérrez Rubio, 2024a).↵
- Por otra parte, es de justicia reconocer que las conclusiones obtenidas de los análisis de las traducciones generadas por ChatGPT resultan problemáticas, ya que, al solicitar dos veces una misma tarea, este modelo extenso de lenguaje genera resultados distintos, lo que impide replicar los estudios y pone en entredicho la validez de los análisis empíricos (Lee, 2024). Además, resulta necesario recordar que los resultados dependen en gran medida de la tipología textual y de las lenguas involucradas: así, en textos jurídicos, Google Translate ha demostrado generar mejores traducciones en la combinación inglés-turco que GPT-4 (Briva-Iglesias et al., 2024).↵
- Curiosamente, The Citizens’ Voice, el periódico que recoge la fotografía (al final del artículo) de uno de estos carteles colgado en la localidad de West Hazleton, Pensilvania, afirma que está escrito en español: https://www.citizensvoice.com/2024/10/24/latinos-play-growing-role-in-elections/ (último acceso: 12-12-2024).↵
- Como advierten Hadley et al. (2022: 6), no es comparable la traducción de un bestseller de vocabulario estándar y sintaxis sencilla con, por ejemplo, la de Ulises de James Joyce. Ilustramos este hecho con el (lógico) fracaso de DeepL, Google Translate e incluso ChatGPT (tanto en su versión GPT-3.5 como GPT-4) en la tarea de traducción del siguiente fragmento de Rayuela de Julio Cortázar al checo: “La batalla de Actium con el Anschluss de Austria (las tres A tendrían posiblemente algo que ver en la elección o más probablemente la aceptación de esos momentos históricos)” (Cortázar, 2001b: 539). Dado que Austria en checo (Rakousko) comienza con R, una de las tres aes desaparece de la ecuación y, por tanto, el fragmento pierde por completo el sentido al ser traducido de forma textual. El traductor humano de esta obra al checo, Vladimír Medek, lo solucionó de un modo creativo (recurso este para el que las aplicaciones basadas en IA aún no están capacitadas), sustituyendo la A de Austria por la de Adolf Hitler: “bitva u Actia s Anschlussem Adolfa Hitlera…” (Cortázar, 2001a: 564).↵
- Solo un breve ejemplo que sumar al del cartel electoral de Trump mencionado arriba: una placa metálica bilingüe (checo e inglés) junto al “Monumento a las mujeres que cocinaron sal” de Ilona Németh y Marián Ravasz expuesto en el centro de la ciudad checa de Olomouc. La traducción al inglés confunde calamitosamente “nám”, la abreviatura checa de náměstí (‘plaza’), con el pronombre de dativo plural “nám” (‘a nosotros’), de modo que el texto “objeto de hormigón con roca de sal, 8 vídeos y el cambio de nombre de la plaza de los Héroes Nacionales por el de la plaza de los Héroes y Heroínas Nacionales” se convierte en el esperpento “concrete object with rock salt, 8 videos and renaming us. National Heroes videos to the Square. of National Heroes and Heroines” (quiero agradecer al traductor checo Pavel Res por darme a conocer este caso).↵
- Esto coincide con las conclusiones de la investigación en que Gunathilaka y Ariyaratne (2019) comprueban que, al menos en la combinación inglés-cingalés (Sri Lanka), los textos generados por Google Translate con posedición logran traducciones precisas, si bien, en textos literarios (prosa y verso), los traductores humanos muestran una mayor creatividad.↵






