De la gestion de la traduction à l’intelligence de la traduction

Depuis plus de deux décennies, la technologie de localisation s’est concentrée sur un défi opérationnel central : comment gérer la traduction à grande échelle.

Les systèmes de gestion de traduction ont aidé les organisations à remplacer les feuilles de calcul, les fils de courriels, les prestataires déconnectés et les échanges manuels de fichiers par des flux de travail structurés. Ils ont centralisé le contenu multilingue, coordonné les traducteurs et les relecteurs, maintenu la terminologie, réutilisé les traductions précédentes et suivi la livraison sur plusieurs marchés.

Il s’agissait d’une évolution importante. La traduction est devenue plus facile à piloter, à mesurer et à intégrer dans des opérations de contenu plus larges. RWS décrit la gestion de la traduction comme la coordination des personnes, des processus et de la technologie nécessaires pour traduire le contenu de manière efficace et cohérente dans plusieurs langues.

Mais l’environnement dans lequel la localisation s’opère a changé.

Les organisations modernes ne traduisent plus seulement des documents finalisés ou des lancements de produits occasionnels. Elles localisent en continu des interfaces en constante évolution, des campagnes, des articles du centre d’aide, des parcours d’intégration, des pages de tarification, des messages juridiques, des systèmes de design et des communications clients. Le contenu est créé dans des dépôts, des outils de conception, des systèmes de gestion de contenu, des plateformes de support et des applications marketing.

Le défi ne se limite donc plus à gérer le travail de traduction.

Le plus grand défi consiste à comprendre le contexte derrière chaque décision de traduction.

C'est le passage de la gestion des traductions à l'intelligence de traduction.

La gestion des traductions a été conçue pour organiser la production

Le flux de travail de localisation traditionnel suit une séquence relativement claire. Le contenu source entre dans un système, le travail est attribué, les traducteurs produisent du contenu dans la langue cible, les réviseurs l’approuvent, puis la traduction terminée est renvoyée à l’équipe demandeuse.

La mémoire de traduction prend en charge la réutilisation de contenu précédemment approuvé. Les bases terminologiques améliorent la cohérence. Les règles de workflow automatisent les attributions, les approbations et la livraison. Les intégrations réduisent la nécessité de déplacer manuellement des fichiers entre les systèmes.

Ces capacités restent précieuses. Elles résolvent le problème opérationnel du transfert de contenu multilingue dans un processus contrôlé.

Cependant, ils interviennent principalement après que la tâche de traduction a déjà été définie.

Ils peuvent montrer à un traducteur comment une phrase similaire a été traduite précédemment, mais ils n’expliquent pas toujours pourquoi ce choix a été fait. Ils peuvent fournir un terme approuvé, mais ils ne peuvent pas toujours déterminer si ce terme s’applique à cet écran, cette fonctionnalité, ce public ou ce marché particuliers.

Considérez une courte chaîne source telle que :

Mettez à niveau maintenant

La traduction correcte peut dépendre du fait que le texte apparaisse sur un bouton, dans l’objet d’un e-mail, sur une page de tarification ou dans une notification de compte. Il peut faire référence à un forfait d’abonnement, à une version logicielle, à un droit d’accès ou à une offre de service. Il peut devoir respecter un message de campagne approuvé, tenir dans une contrainte d’interface stricte ou adopter un ton différent sur un marché particulier.

La phrase est simple. La décision ne l’est pas.

Un système traditionnel peut acheminer la chaîne vers la bonne personne. Il ne peut pas toujours reconstituer le contexte complet du produit et de l’entreprise nécessaire pour la traduire correctement.

Le workflow est centralisé, mais les connaissances sont fragmentées

Dans la plupart des organisations, les connaissances nécessaires à la localisation sont réparties dans de nombreux systèmes.

Le comportement du produit peut être documenté dans un outil de suivi des problèmes. La dernière interface peut exister dans Figma. Les contraintes techniques peuvent n’être visibles que dans le code स्रोत. Les consignes de marque peuvent se trouver dans une présentation ou un document. Les préférences du marché peuvent être enfouies dans les commentaires des évaluateurs. Les exigences légales peuvent être stockées dans un dépôt de politiques distinct.

Le traducteur est alors censé reconstruire le sens à partir de preuves incomplètes.

C’est l’une des principales limites du modèle traditionnel : le flux de travail de traduction peut être centralisé, mais les connaissances qui l’entourent ne le sont pas.

À mesure que les équipes produit et contenu gagnent en vitesse, cet écart devient plus coûteux. Les chaînes produit peuvent être modifiées plusieurs fois avant la mise en production. Les campagnes peuvent être mises à jour pendant leur diffusion. Le contenu d’assistance évolue en réponse au comportement des clients. Les équipes s’attendent de plus en plus à ce que la localisation fonctionne en continu plutôt que comme une étape de production en aval.

Pourtant, le contexte de support reste souvent manuel.

Les captures d’écran sont ajoutées de manière incohérente. Les descriptions deviennent obsolètes. Les traducteurs demandent des clarifications aux équipes produit. Les relecteurs expliquent à plusieurs reprises la même préférence du marché. D’importantes corrections restent enfermées dans les commentaires au lieu d’améliorer les travaux futurs.

L’organisation a peut-être automatisé le déplacement du contenu tout en laissant le déplacement des connaissances largement inchangé.

L’IA accélère la traduction, mais pas nécessairement sa précision

L’IA générative a changé l’économie du contenu multilingue.

La traduction peut désormais être produite en quelques secondes. Les modèles peuvent réécrire du contenu dans différents tons, générer des alternatives, suivre des instructions terminologiques et traiter beaucoup plus d’informations contextuelles que les systèmes antérieurs.

Mais la fluidité ne doit pas être confondue avec l’exactitude.

Une traduction générée par l’IA peut sembler naturelle tout en mal comprenant le produit, en choisissant le mauvais terme approuvé, en enfreignant une contrainte d’interface ou en ne préservant pas l’intention du message source.

Les recherches sur la traduction automatique continuent de montrer que la qualité de la traduction dépend de bien plus que de la fluidité au niveau de la phrase. Le contexte du document, les connaissances du domaine, le discours, la terminologie et l’usage prévu peuvent tous influer sur le caractère approprié d’une traduction.

Cette distinction devient plus importante à mesure que les résultats de l’IA deviennent plus convaincants.

Les erreurs grammaticales évidentes sont faciles à identifier. Les erreurs subtiles de produit ne le sont pas. Une phrase peut sembler parfaitement correcte tout en communiquant la mauvaise action, le mauvais niveau de certitude ou la mauvaise relation entre l’utilisateur et le produit.

La question importante n’est donc pas simplement de savoir si l’IA peut traduire.

Il s’agit de savoir si le système peut fournir le bon modèle ou la bonne personne avec les bonnes preuves, instructions, contraintes et connaissances organisationnelles.

C’est le rôle de l’intelligence de traduction.

Qu'est-ce que l'intelligence de traduction ?

L’intelligence de traduction est l’infrastructure qui transforme les connaissances sur le produit, la marque, la linguistique, le marché et les réviseurs en meilleures décisions de localisation.

La gestion de la traduction coordonne le travail.

L’intelligence de traduction améliore le raisonnement derrière le travail.

Un système d’intelligence de traduction devrait aider à déterminer :

• ce que signifie une partie de contenu ;
• là où il apparaît;
• à qui il est destiné ;
• quelles règles de produit, de marque, linguistiques et de marché s’appliquent ;
• comment un contenu similaire a été traité précédemment ;
• quel niveau de risque comporte la traduction ;
• et lorsqu'un jugement humain est requis.

Cela représente un rôle plus large pour la technologie de localisation.

Les plateformes traditionnelles organisent des ressources telles que des fichiers, des mémoires de traduction, des glossaires, des flux de travail et du matériel de référence. Un système intelligent relie également les captures d’écran, la documentation produit, les composants de conception, les métadonnées du code स्रोत, les retours des relecteurs, les préférences du marché, les performances du contenu et les données historiques de qualité.

L’objectif n’est pas de rassembler toutes les informations de l’entreprise dans un seul grand dépôt. Il s’agit de récupérer et d’appliquer les informations pertinentes lorsqu’une décision de traduction est en cours de prise.

Pour une étiquette de produit, cela peut signifier la dernière capture d’écran, le nom du composant, la terminologie approuvée et la limite de caractères. Pour un titre de campagne, cela peut signifier le public cible, le positionnement de la marque, les attentes du marché local et les retours créatifs précédents.

La traduction intelligente rend le contexte opérationnel plutôt qu’optionnel.

Comme exploré dans Qu’est-ce que l’intelligence de traduction ?, la traduction elle-même devient plus facile à générer. La capacité la plus difficile à acquérir et la plus défendable consiste à comprendre quelles connaissances doivent influencer le résultat.

De l’automatisation des workflows à l’enquête intelligente

L'automatisation traditionnelle des flux de travail suit des règles prédéfinies.

Lorsqu’un nouveau contenu apparaît, créez une tâche de traduction. Lorsque la traduction est terminée, assignez une révision. Lorsque l’approbation est reçue, renvoyez le contenu au système source.

Cela réduit le travail de coordination, mais n’examine pas ce que la traduction exige.

Un système plus intelligent peut examiner le contenu source, identifier la fonctionnalité pertinente, récupérer les captures d’écran associées, localiser les règles terminologiques, rechercher les décisions historiques, détecter les ambiguïtés, sélectionner un modèle ou un réviseur approprié, et évaluer le résultat avant la livraison.

C’est ici que les agents d’IA deviennent particulièrement précieux.

Au lieu d’attendre que les équipes de localisation rassemblent manuellement les informations, agents peuvent recueillir le contexte à partir des systèmes connectés et le rendre disponible directement dans le flux de travail de traduction.

Un agent pourrait aider à répondre à :

• Où ce contenu apparaît-il ?
• Que fait la fonctionnalité ?
• Quelle terminologie s’applique ?
• Un libellé similaire a-t-il déjà été corrigé auparavant ?
• Le contenu contient-il des variables ou des contraintes d’interface ?
• La traduction peut-elle être automatisée en toute sécurité ?
• Faut-il une révision juridique, créative ou marketing ?

Chez Hyperlocalise, cette couche d’investigation est un élément central de la façon dont nous voyons l’évolution de la prochaine génération de plateformes de localisation.

Le système ne doit pas seulement traiter des tâches de traduction. Il doit aider à les comprendre.

Des ressources statiques aux connaissances auto-évolutives

Les mémoires de traduction et les glossaires préservent des connaissances linguistiques précieuses, mais ils sont souvent maintenus comme des ressources relativement statiques.

Les produits changent. Le langage de la marque évolue. De nouvelles fonctionnalités introduisent de nouveaux concepts. Les équipes marché développent des préférences. Les relecteurs apportent à plusieurs reprises des corrections qui ne deviennent peut-être jamais des consignes officielles.

Un système d’intelligence de traduction devrait apprendre de cette activité.

Lorsque les évaluateurs remplacent systématiquement un terme par un autre, le système doit identifier ce schéma. Lorsqu’une phrase est traduite différemment selon la fonctionnalité du produit, le système doit préserver cette distinction. Lorsqu’un modèle obtient à plusieurs reprises de mauvais résultats sur un type de contenu ou une paire de langues spécifique, le flux de travail doit s’adapter.

L’objectif n’est pas de transformer chaque modification en règle universelle.

Certaines remarques s’appliquent à l’échelle globale. D’autres ne s’appliquent qu’à un marché, une campagne, une fonctionnalité ou un type de contenu. Une infrastructure de localisation intelligente doit comprendre cette portée.

Cela transforme les retours des réviseurs d’une correction isolée en connaissance organisationnelle réutilisable.

Au lieu de résoudre le même problème à plusieurs reprises, le système devient mieux informé après chaque décision approuvée.

Des workflows uniformes à l’orchestration fondée sur les risques

Les flux de travail de traduction traditionnels appliquent souvent le même processus à de grands ensembles de contenu.

Chaque chaîne peut passer par le même processus de modèle, de traduction, de relecture et de validation, indépendamment de son importance métier ou de sa complexité linguistique.

Mais toutes les traductions n'entraînent pas le même risque.

Une étiquette de navigation avec une forte correspondance historique peut convenir à l’automatisation. Une campagne de lancement peut nécessiter une adaptation créative. Une allégation réglementée peut nécessiter une revue juridique. Un parcours d’intégration très visible peut justifier une validation du marché.

L’Intelligence de traduction permet d’acheminer le travail en fonction du contexte, du niveau de confiance et de l’impact.

Le système peut déterminer s’il convient de réutiliser une traduction approuvée, de générer une nouvelle suggestion, de comparer plusieurs résultats, de faire appel à un spécialiste ou de transmettre le contenu pour un examen supplémentaire.

Cela crée un modèle human-in-the-loop plus efficace.

Les linguistes et les experts du marché consacrent moins de temps à vérifier des contenus prévisibles et davantage de temps aux décisions qui exigent un jugement culturel, une interprétation stratégique ou une responsabilité.

C’est aussi la direction de l’expérience CAT de nouvelle génération](/product/next-gen-cat-tool) : ne pas supprimer les humains de la localisation, mais leur offrir un meilleur contexte, des recommandations plus pertinentes et une vue plus claire des domaines où leur expertise compte.

De l'assurance qualité à l'évaluation continue

Dans les workflows traditionnels, l’assurance qualité intervient souvent vers la fin du processus.

Un réviseur vérifie la traduction, apporte des corrections et approuve le contenu final. Le travail est livré, mais le raisonnement derrière ces corrections peut ne pas avoir d’incidence matérielle sur les flux de travail futurs.

La Translation Intelligence déplace l’évaluation tout au long du processus.

Avant de commencer la traduction, le système peut évaluer si le contexte disponible est suffisant. Pendant la génération, il peut vérifier la terminologie, le formatage, les nombres, les variables et les contraintes de longueur. Après la génération, il peut évaluer le sens, le ton, la cohérence et l’adéquation au marché.

Une fois qu’un évaluateur humain a pris une décision, le système peut comparer le résultat généré avec le résultat approuvé et déterminer ce qui a changé.

Au fil du temps, cela crée des éléments de preuve pour des questions telles que :

• Quels modèles obtiennent les meilleures performances pour chaque langue et type de contenu ?
• Quelles zones de produit créent le plus d’ambiguïté ?
• Quelles règles terminologiques sont violées de manière répétée ?
• Quels marchés nécessitent davantage d’intervention humaine ?
• Quelles sources de contexte ont le plus grand impact sur la qualité ?
• Où l’automatisation peut-elle augmenter en toute sécurité ?
• Où la relecture humaine doit-elle rester obligatoire ?

Cela fait passer la qualité de la localisation au-delà de la vérification de sorties individuelles.

Cela devient un système d’apprentissage continu.

L’intelligence de la traduction change le rôle des équipes de localisation

Le passage de la gestion de la traduction à l’intelligence de la traduction n’est pas seulement un changement technologique. Il modifie également le rôle de la fonction de localisation.

Dans le modèle traditionnel, la localisation est souvent considérée comme un service en aval. Les équipes produit, marketing ou support créent du contenu, le soumettent à la traduction et attendent la version multilingue.

Dans un modèle d’intelligence, la localisation devient partie intégrante de l’infrastructure mondiale de décision de l’organisation.

Il relie le produit, l’ingénierie, la conception, le marketing, le juridique, le support et la connaissance du marché local. Il révèle où le contenu source est ambigu, où la terminologie crée de la confusion, où l’automatisation est fiable et où l’expertise humaine génère la plus grande valeur.

Les équipes de localisation ne sont donc plus seulement responsables de la coordination des projets et des fournisseurs.

Ils sont de plus en plus responsables de la conception de la manière dont les décisions multilingues sont prises, évaluées, gouvernées et améliorées.

Cela nécessite des capacités plus solides en gestion des connaissances, en gouvernance de l’IA, en ingénierie du contexte, en évaluation de la qualité, en intégration des systèmes et en conception de workflows fondés sur les risques.

L’expertise linguistique reste centrale. Mais elle s’inscrit dans une couche d’intelligence plus large.

La gestion de la traduction ne disparaît pas

La Translation Intelligence ne doit pas être comprise comme un remplacement des Translation Management Systems.

Les organisations ont toujours besoin de coordination de projet, d’autorisations, de terminologie, de mémoire de traduction, de contrôles de workflow, d’intégrations et de rapports. Ce sont des fonctionnalités fondamentales.

Ce qui change, c’est le rôle attendu de la plateforme.

La génération précédente de la technologie de localisation se concentrait sur le déplacement efficace du contenu à travers un processus.

La prochaine génération doit également apporter des connaissances à ce processus, guider les décisions, évaluer les résultats et tirer des enseignements des retours humains.

La gestion des traductions demande :

Comment organisons-nous et livrons-nous du contenu multilingue ?

Translation Intelligence asks:

Comment pouvons-nous nous assurer que chaque système humain et IA dispose des connaissances nécessaires pour prendre la bonne décision de localisation ?

Les organisations mondiales auront besoin des deux.

La prochaine ère de la localisation

À mesure que la traduction devient plus rapide et plus automatisée, l’avantage concurrentiel ne viendra pas seulement de la génération de mots multilingues.

Cela viendra de la compréhension du sens.

Les systèmes de localisation les plus performants sauront comment le contenu se relie au produit, au public, au marché, à la marque et aux décisions précédentes de l’organisation. Ils récupéreront automatiquement le contexte pertinent, l’appliqueront de manière sélective, évalueront les résultats en continu et s’amélioreront grâce à la relecture humaine.

C’est la transition qui est en train de s’opérer dans l’ensemble du secteur de la localisation.

De la gestion des fichiers à la compréhension du contenu.

De l’enregistrement des traductions à l’apprentissage à partir des décisions.

De l’automatisation des transferts à l’automatisation des investigations.

Des actifs linguistiques statiques à une connaissance auto-évolutive.

De la gestion de la traduction à l’intelligence de la traduction.

Hyperlocalise construit cet avenir grâce à agents d’IA, une expérience CAT de nouvelle génération et un moteur de contexte auto-évolutif conçu pour aider les équipes internationales à produire de meilleures traductions avec moins d’investigations manuelles.

La prochaine génération de logiciels de localisation ne se contentera pas de gérer la traduction.

Cela rendra l’organisation plus intelligente quant à la manière dont elle communique sur les différents marchés.

Lectures complémentaires

• Qu'est-ce que l'intelligence de la traduction ?
• Hyperlocalise
• Vue d’ensemble de la gestion des traductions — RWS
• Recherche en traduction automatique contextuelle — ScienceDirect
• L'évaluation humaine et le contexte au niveau du document dans la traduction automatique — arXiv](https://arxiv.org/abs/2104.14478)