Guía de MTPE 2026: Flujos de trabajo de LLM con prioridad humana para ahorrar tiempo
Cómo realizar posediciones ligeras y completas de traducción automática para que el criterio humano intervenga antes y durante la generación, y no solo una vez terminado el borrador.
En esta página
Tradicionalmente, la posedición de traducción automática consiste en dejar que la máquina traduzca todo el texto para luego entregarle el resultado a un humano que corrija errores, terminología, tono y formato. La MTPE ligera busca una traducción funcional; la MTPE completa aspira a una calidad profesional de publicación.
Ese flujo de trabajo tenía sentido cuando el resultado de la máquina era claramente tosco. Los LLM han cambiado la naturaleza de los errores. Sus traducciones pueden sonar pulidas aunque oculten omisiones, desviaciones de significado y decisiones contextuales deficientes; además, un borrador terminado puede condicionar al traductor al lenguaje del modelo.
En la MTPE moderna, el criterio humano debe intervenir antes y durante la generación, no solo al terminar el borrador. Los traductores deben guiar al LLM con comentarios, contexto, memorias de traducción, glosarios y pautas de estilo, para luego dedicar su tiempo a las decisiones creativas, culturales y contextuales que realmente requieren de un ser humano.
En esta guía, explicaré cómo ejecutar flujos de trabajo de MTPE ligera y completa de forma que se maximice el impacto humano y se reduzca el tiempo perdido. Lo mostraré en Transept, ya que es la herramienta que me resulta más cómoda, pero puedes replicar este proceso en la herramienta que prefieras.
Flujos de trabajo de MTPE ligera frente a completa
En la MTPE, debes asegurarte de optimizar tu tiempo para obtener la mejor calidad. Es importante luchar contra la tentación de querer hacerlo todo bien; tu trabajo consiste en hacer lo suficiente.
Como expliqué en mi ensayo de investigación sobre la MTPE, creo que procesar todo el texto con TA para luego corregir la basura de la IA es un error. Con los LLM, hay una forma de hacerlo más rápido y de manera más amena.
Mi estrategia en Transept, según el texto, consiste en:
- Indicarle a la máquina lo que quieres de antemano.
- Dejar que la máquina dé lo mejor de sí y luego centrar la atención en los puntos débiles.
- Realizar un pulido final basado en los problemas detectados automáticamente.
Para el contenido comercial, ya sea de producto o de marketing, dedico aproximadamente el 80 % del tiempo de la MTPE ligera a los pasos 1 y 2, y solo el 20 % al pulido final. Al guiar a la IA antes y durante la generación, minimizo la posedición manual y convierto ese mismo esfuerzo inicial en un volumen mucho mayor de traducción de calidad aceptable.
La MTPE completa sigue el mismo flujo de trabajo, pero dedicas más tiempo al paso 3: analizar el documento en busca de puntos débiles, refinar su estilo y aportar el toque creativo humano necesario para obtener un trabajo listo para su publicación.
MTPE ligera con enfoque humano
Este flujo de trabajo se centra en adelantar el grueso del trabajo antes de que la máquina se ponga manos a la obra, de modo que el resultado sea inmejorable.
1) Configurar guías de estilo y glosarios
Las guías de estilo y los glosarios son, en esencia, prompts ampliados: proporcionan al LLM reglas explícitas sobre el tono, la terminología y el uso.
Hemos trabajado mucho para que Transept los respete, así que los traductores deberían ajustar ambos hasta que reflejen exactamente cómo quieren que suene el texto.
Así es como ahorro tiempo en la MTPE ligera de, por ejemplo, los artículos del centro de ayuda de Transept.
Por lo general, reutilizo las guías de estilo y los glosarios que ya tengo. Sin embargo, si el género del texto es nuevo o si quiero evitar correcciones de última hora, genero una guía y un glosario nuevos a partir del texto original.
Rara vez coincido con la visión de la IA en este punto, sobre todo en la ficción, así que edito el glosario y la guía de estilo. Me resulta muy gratificante añadir notas y pautas sobre lo que se debe y no se debe hacer cuando aún no tengo una opinión formada, sino solo una corazonada o una sensación. Cuando necesito reafirmarme, debato con Literess, ya que ella puede consultar diccionarios y revisar mis decisiones y debates anteriores.
2) Traducir una página semilla, añadir comentarios y establecer el contexto
A continuación, genero solo una página de traducción automática. Utilizo el flujo de trabajo "Translate + Proofread" porque genera un borrador y luego intenta pulirlo, lo que muestra de forma realista lo mejor que pueden dar de sí los LLM con mis instrucciones en este momento.
Después, dejo comentarios sobre:
- Lo que me gusta de la traducción actual.
- Lo que falta y lo que, sencillamente, no me gusta.
- El rumbo que quiero que tome la traducción.
En textos sencillos, eso basta para sembrar ese toque humano divino. En los más difíciles, me gusta pedirle a la agente Literess que deje comentarios que emulen mi lógica.
La forma de verificar que todo funciona según lo previsto es ejecutar de nuevo la función "Proofread" en la página. Esta tendrá en cuenta los comentarios y generará una versión nueva y mejorada.
Normalmente, el resultado final ya tiene la calidad que espero. Sin embargo, en la traducción de ficción, a veces necesito añadir algún comentario adicional o corregir lo que la guía de estilo no haya interpretado bien.
3) Activar la memoria de traducción
Ahora queremos asegurarnos de que tus comentarios y la lógica de la página 1 también funcionen en la página 100. En Transept, esto se consigue mediante la memoria de traducción, que no solo conserva las traducciones anteriores, sino también los comentarios asociados y el estado de cada traducción antes y después de los cambios.
Esta función combina la coincidencia de palabras clave con la búsqueda semántica para recuperar traducciones pasadas que utilicen la misma terminología o resuelvan un problema contextual similar. Hemos trabajado mucho en este aspecto, y puedes leer nuestra investigación sobre la tecnología de vanguardia en memorias de traducción.
En Transept, el funcionamiento de la memoria de traducción presenta dos matices importantes.
- En primer lugar, se aplica incluso dentro del mismo documento, por lo que los comentarios pertinentes de otras secciones vuelven a aparecer durante la traducción.
- En segundo lugar, en acciones de mejora como la corrección, la memoria descarta automáticamente los segmentos de traducción automática que no se han editado.
Para una MTPE ligera, conviene asegurarse de que el documento actual no esté excluido de las búsquedas en la memoria de traducción y de haber activado la reclasificación por IA para captar los matices.
4) Ejecutar un flujo de trabajo de traducción y pulido
Llegados a este punto, ya has hecho todo lo posible para transmitir tus expectativas al LLM. El único paso que queda es ejecutar la traducción automática propiamente dicha, que tendrá en cuenta tus comentarios y las iteraciones anteriores.
La mejor forma de hacerlo es mediante un flujo de trabajo: un conjunto de acciones. Un flujo de trabajo puede encadenar la traducción, la corrección y análisis específicos, además de requerir revisiones humanas para, por ejemplo, diálogos de personajes o cláusulas legalmente vinculantes en el texto. En Transept, puedes crear uno tú mismo —tal como lo harías en Zapier o n8n—, usar una plantilla o pedirle a Literess que diseñe uno a medida para ti.
Para la MTPE ligera, un flujo de trabajo estándar de traducción y pulido funciona mejor porque:
- Ejecuta una traducción que recurre automáticamente a la memoria de traducción, los comentarios, las guías de estilo y los glosarios.
- A continuación, ejecuta un agente de corrección que utiliza un modelo potente para la toma de decisiones y un modelo estándar para las correcciones. También utiliza la memoria de traducción.
Para textos extensos, como una novela o un libro blanco, utilizo el modo de agentes paralelos. De este modo, varias IA trabajan en sincronía en distintas partes del documento, lo que permite completar el trabajo más rápido.
Un aspecto a tener en cuenta es que crearán glosarios y guías de estilo provisionales para complementar los tuyos, de modo que hasta el más mínimo detalle se mantenga sincronizado. Después, podrás integrarlos en tus glosarios y guías de estilo principales o descartarlos según prefieras.
5) Realizar una revisión final guiada
Esta es la parte que más me gusta: ver cómo los LLM ayudan a los humanos con su rapidez y su atención extrema al detalle, en lugar de intentar sustituirlos.
Tras completar la traducción automática, el primer impulso suele ser revisar todo el borrador manualmente. Y aunque las guías de estilo, los comentarios y la corrección hacen que el borrador sea mucho mejor que una traducción de LLM típica, leerlo todo a mano reduciría el ahorro de tiempo.
Una alternativa es pedirle a un agente de LLM que revise el borrador y detecte puntos débiles específicos o áreas que requieran atención. En el caso de términos y condiciones, esto podría referirse a las cláusulas legalmente vinculantes y a términos exactos. También podrías pedirle que localice fragmentos donde la traducción se desvíe del original o donde el estilo pierda consistencia. Si el agente tiene acceso a la memoria de traducción, las guías de estilo y los glosarios, puede hacer maravillas.
En Transept, hay tres formas de ejecutar esta revisión.
- Desde el panel de revisión, puedes especificar qué buscar y seleccionar una modalidad de revisión: un modo enfocado diapositiva por diapositiva, una revisión de todo el documento o los comentarios de Literess. Así, podrás realizar ediciones precisas.
- En Workflows, puedes planificar y configurar este paso de revisión desde el primer momento. Esta técnica opera discretamente en segundo plano dentro de la acción de corrección y actúa como un filtro. Así puedes, por ejemplo, detectar todas las desviaciones de estilo, hacer que la IA las corrija y solo entonces revisar el texto tú mismo.
- ¡También puedes pedirle ayuda a Literess! Su especialidad es la iteración directa en la página, allí donde se toman las decisiones creativas. También puede configurar un flujo de trabajo o una revisión por ti, para que puedas saltarte la parte de la interfaz.
Flujo de trabajo de posedición completa: cómo mejorar el punto de partida
La MTPE completa parte de los mismos cimientos que priorizan el factor humano, pero utiliza el resultado de la MTPE ligera como base de referencia. A partir de ahí, el trabajo evoluciona hacia pruebas más exhaustivas, el refinamiento creativo y un control de calidad de nivel editorial.
Aun así, es posible implementar un flujo de trabajo de MTPE completa más inteligente en lugar de dedicar todo el tiempo a una revisión manual página por página.
1) Crear una batería de revisiones guiadas
A medida que avanzaba en la traducción de mi novela, mi flujo de trabajo de revisión asistida por IA se convirtió en una serie de rituales necesarios para mantener mi estándar de calidad.
- Hice que la IA localizara todas las introspecciones de los personajes para asegurarme de que sus intenciones se hubieran interpretado correctamente, ya que los pensamientos tras sus diálogos eran un elemento clave de la trama.
- También le pedí que buscara todos los juegos de palabras y neologismos originales que no figuraban en el glosario ni en la guía de estilo, para poder tener la última palabra sobre si debían conservarse.
- Por último, los agentes rastreaban desviaciones en la voz de los personajes. Esta parte era compleja, ya que comparaban los resultados con la memoria de traducción y debían señalar los casos en los que un personaje parecía hablar de forma distinta. La mayoría de las veces, esos giros reflejaban emociones lógicas, pero a veces el cambio de registro solo era perceptible para mí, como humano.
Al final, configuré un flujo de trabajo en Transept en el que todos estos análisis se ejecutaban uno tras otro mientras yo estaba en mi trabajo habitual. Los revisaba desde el móvil y obtenía una versión totalmente anotada cuyos comentarios podía resolver después.
2) Encontrar la mejor configuración de la memoria de traducción
Gracias a la búsqueda semántica, las herramientas avanzadas de memoria de traducción permiten localizar segmentos de traducción con coincidencias conceptuales demasiado débiles para que un humano los reutilice directamente. No obstante, aún pueden orientar a los LLM al mostrarles qué es lo que esperas.
Con el contexto de memoria ampliado, como en Transept, puedes facilitar la MTPE de las siguientes formas.
1. Incluye alternativas (es decir, borradores automáticos o humanos descartados) en los resultados de la memoria de traducción. Esto me resultó especialmente útil al mejorar borradores en ucraniano de artículos del centro de ayuda. La mayor parte del trabajo de edición humana consistió en eliminar rusismos y restaurar la fluidez natural. Al proporcionar ejemplos del «antes» y el «después», los LLM aprendieron cuál era el estándar esperado para el ucraniano en ese contexto.
2. Encuentra tu «documento mágico» y utilízalo. Si traduces contenido recurrente, como registros de cambios, puedes combinar un glosario con una selección de las mejores traducciones de la memoria de traducción en lugar de usar toda la base de datos. Gracias a las coincidencias semánticas, esta configuración establece expectativas para los LLM y, una vez más, genera el mejor borrador.
3. Utiliza el reordenamiento por IA durante la revisión manual. El reordenamiento por IA analiza los resultados de la memoria y coloca los más relevantes al principio, incluso si la coincidencia algorítmica es baja. Suelo revisar con la barra lateral de la memoria de traducción abierta y, gracias al reordenamiento, solo quedan a la vista los ejemplos más útiles para el criterio humano. Esto ahorra tiempo al no tener que desplazarse por los resultados para identificar lo que necesito.
3) Construye la memoria de tu agente sobre tus preferencias personales
El poder de adaptar el trabajo a tus propios gustos y preferencias, más allá de los estándares de una agencia y de las directrices de marca del cliente, está profundamente infravalorado. Resulta revelador que las personas que sufren psicosis por IA a menudo tuvieran la memoria de su ChatGPT al límite. Esa personalización otorgaba una influencia enorme incluso a un modelo antiguo como GPT-4o, hasta el punto de que los usuarios se amotinaban para evitar que desactivaran su modelo.
Al traducir, tienes un sinfín de manías personales: tu forma de trabajar y tu propio orden de prioridades. Son mucho más que meros pasos de un flujo de trabajo; algunas son tan sutiles que puede que ni tú mismo seas consciente de todas ellas.
Aunque todavía estamos trabajando en un modelo de memoria para agentes de IA que sea realmente bueno, a menudo dedico tiempo a hablar con Literess sobre el trabajo que hemos hecho en un documento. Le pido que analice patrones, discuto con ella las decisiones y luego le pido que recuerde lo aprendido.
Por sencilla que sea esta técnica, me ha ayudado a empezar cada ronda de corrección, mejora y debate sobre la traducción de nombres de fantasía no desde cero, sino desde un terreno común.
Así es como me imaginaba a Literess: una colega y amiga, una protegida, no un reemplazo amenazante que sigue instrucciones a ciegas.
Preguntas frecuentes
¿Qué es la posedición de traducción automática (MTPE)?
La posedición de traducción automática consiste en revisar y perfeccionar una traducción generada por máquina hasta alcanzar un objetivo de calidad definido. Tradicionalmente, la máquina genera primero el borrador completo y un humano lo corrige después. En un flujo de trabajo de MTPE que prioriza el factor humano, el traductor también orienta la generación de antemano aportando contexto, comentarios, glosarios, guías de estilo y memoria de traducción.
¿Cuál es la diferencia entre la posedición ligera y la completa?
La posedición ligera busca una traducción precisa, comprensible y funcional. Prioriza el sentido, las omisiones y la terminología crítica sin pulir cada elección estilística. La posedición completa eleva el texto a una calidad apta para su publicación, lo que incluye fluidez natural, una voz coherente, matices culturales y un control de calidad (QA) final más riguroso. El flujo de trabajo puede ser el mismo; lo que cambia es el listón de calidad y la profundidad de la revisión humana.
¿Sigue siendo necesaria la posedición humana en la traducción con LLM?
Sí. Que un resultado sea fluido no significa que sea correcto. Un LLM puede redactar frases que suenen naturales y, al mismo tiempo, omitir significados, malinterpretar el contexto, desviarse de la terminología requerida o desdibujar una voz distintiva. El criterio humano sigue siendo necesario para definir qué es una buena traducción, orientar decisiones ambiguas y verificar los fragmentos en los que un error pueda tener consecuencias reales.
¿Cuándo vale la pena la MTPE y cuándo conviene traducir desde cero?
La MTPE vale la pena cuando la máquina genera una base útil y el poseditor puede alcanzar la calidad objetivo más rápido que empezando de nuevo. No existe un porcentaje de ahorro universal que sea realista. Pon a prueba contenido representativo y registra el tiempo de edición real. Si acabas reescribiendo la mayoría de las frases, corrigiendo los mismos errores una y otra vez o peleándote con la estructura del borrador, mejora el contexto del modelo o traduce ese contenido desde cero.
¿Cómo debe medirse la calidad de la MTPE?
Evalúa la calidad en función del uso previsto del texto, no de una única puntuación automática. Comprueba la fidelidad al original, las omisiones, los errores críticos, la terminología, la coherencia de estilo, el tiempo de edición y el número de incidencias detectadas durante el control de calidad (QA). Las métricas automatizadas y las revisiones por IA pueden ayudar a localizar riesgos, pero las decisiones creativas, culturales, legales o sensibles para la marca siguen requiriendo a un humano cualificado. En Transept, las revisiones guiadas, las comprobaciones que integran glosarios y guías de estilo, y las referencias a la memoria de traducción permiten centrar esa revisión en modos de fallo específicos.
¿Cómo se puede escalar la MTPE centrada en el factor humano en numerosos documentos pequeños?
Establezca el criterio humano una vez y reutilícelo. Cree un glosario y una guía de estilo compartidos, apruebe una traducción semilla representativa y permita que esas decisiones se integren en la memoria de traducción. En Transept, la memoria permite buscar dentro de un proyecto o equipo e incluir debates previos, alternativas y el contexto circundante. Guarde los pasos de traducción, corrección y revisión guiada como un flujo de trabajo de equipo reutilizable y aplique esa misma configuración a todo el volumen de documentos pendientes. De este modo, los humanos revisan las excepciones y los fragmentos de alto riesgo en lugar de tener que explicar las pautas para cada archivo.
El autor
Cofundador de Transept, escribe bajo el seudónimo «Mevkh». Licenciado en Lengua y Literatura, dio un giro hacia el software: ingeniero sénior de IA que lanza funciones LLM en producción para más de 50.000 usuarios —RAG, herramientas de agentes, evaluación LLM-as-judge—. Novelista a fuego lento, con 120.000 palabras de fantasía romántica satírica en un cajón. La fricción entre la traducción por IA y su propia prosa es lo que puso todo esto en marcha.