Memoria de traducción: qué es, cómo funciona y por qué es clave para la localización con IA

Si su equipo traduce contenido de productos, artículos de soporte, documentación, campañas o cadenas de software, se encuentra constantemente con el mismo problema:

• las mismas frases aparecen una y otra vez,
• y aun así, traducirlas, revisarlas y aprobarlas sigue consumiendo tiempo en cada ocasión.

Precisamente para resolver esto se diseñó la memoria de traducción.

Una memoria de traducción, o MT, es el lugar donde su sistema de traducción guarda los segmentos que su equipo ya ha aprobado. El texto de origen se almacena junto a la traducción final y, la próxima vez que aparezca algo similar, no tendrá que empezar de cero.

Las herramientas de traducción tradicionales la utilizaban para ahorrar tiempo. Con la IA, su importancia es aún mayor: le indica al modelo cuál es tu estándar de traducción y qué decisiones se esperan. El beneficio es extraordinario:

• plazos de entrega más cortos (se evita volver a traducir textos estándar, avisos legales o elementos repetidos de la interfaz)
• costes reducidos, y no solo por la reutilización de frases. Con una base sólida de memoria de traducción, en Transept logramos que un modelo cuatro veces más económico estuviera a la altura de uno premium
• estilo coherente (las decisiones aprobadas hace años son las mismas que se aplican en cada nueva función).

¿Pero cómo se aplica la memoria de traducción en la traducción con IA?

• ¿Cuentan los glosarios y las guías de estilo como memoria de traducción? ¿Cómo se mantienen actualizados?
• ¿Cómo se decide qué se considera un segmento relevante de la memoria de traducción?
• ¿Cuánto contexto necesita la IA? ¿Qué cantidad es insuficiente y cuál es excesiva?
• ¿Cómo se garantiza que la información confidencial y sujeta a derechos de autor de un cliente nunca se filtre a otros?

Eso es precisamente lo que tuvimos que resolver en Transept. ¿Qué debe significar la memoria de traducción cuando el traductor ya no es exclusivamente humano? ¿Y cómo logramos que el trabajo humano con esa memoria tenga sentido, en lugar de limitarse a procesar una lista de basura?

Esa pregunta fue la que nos hizo adentrarnos en este laberinto.

¿Qué es la memoria de traducción en la traducción con IA?

Tradicionalmente, una memoria de traducción es una base de datos estructurada de pares de texto traducidos. Cada par suele incluir:

• El segmento de origen (el texto original).
• El segmento de destino (la traducción).
• Metadatos: quién realizó la traducción, cuándo se aprobó y el contexto circundante.

Cuando un traductor abre un documento nuevo, el software de memoria de traducción analiza el texto, lo compara con la base de datos y, si encuentra una coincidencia, sugiere la traducción anterior.

Esa es la definición clásica de las herramientas TAO. Sin embargo, cuando se trabaja con LLM y sistemas de traducción agénticos, entran en juego otros elementos:

• Glosarios generados a medida que avanza la traducción para estabilizar la terminología que utiliza la IA.
• Notas de traspaso y resúmenes creados cuando los agentes de IA se transfieren el trabajo entre sí.
• Trazas de razonamiento de los agentes, generadas durante la traducción, edición y corrección, que explican el porqué de cada decisión.
• Contexto de conversación entre agentes y humanos: chats, hilos de respuestas, historiales de búsqueda y contexto de Slack o Teams.

Figure 2 · Anatomy of a TM record

What a translation memory stores now

Traditional CATAI-era (agentic)

just the pair

SourcePure steel rejects lacquers and paints

Target«Чиста сталь відкидає лаки та фарби»

Metadataapproved by · date · file & context

…and what the agents also kept

Thinking trace

weighing  "rejects lacquers and paints"
  ├ literal    «відкидає лаки та фарби»   keeps the metaphor ✓
  ├ smoother   «не приймає покриття»      clearer, but flattens it
  └ decision   go literal, the bluntness is the point

Glossary

steel → сталь🔒paints → фарби

Handoff note

translator → editor

“Kept the steel metaphor literal. Check it reads naturally in UK.”

Discussion

Maria is «відкидає» too harsh for a product line?

Literess It mirrors the source’s bluntness. I’d keep it.

Switch to AI-era to see what an agentic pipeline adds →

Esto sigue siendo útil para los humanos, pero es crucial para la IA. Permite que el modelo reconstruya el contexto que los traductores humanos conservan en sus documentos, en su mente y en sus conversaciones. Irónicamente, la traducción basada en LLM necesita las memorias de traducción y las herramientas TAO más que las personas: a un ser humano le basta con papel, bolígrafo y un diccionario para traducir perfectamente.

Cómo funcionan las coincidencias de la memoria de traducción

El software de MT divide el contenido en fragmentos más pequeños llamados segmentos (normalmente una oración, un encabezado o la etiqueta de un botón). Luego busca coincidencias. La forma en que la MT busca esas coincidencias es la disciplina más importante de todo este campo.

• Coincidencias exactas: el nuevo segmento es 100 % idéntico a uno de la base de datos. El software puede completar la traducción de forma automática.
• Coincidencias parciales: similares pero no idénticas. Se marcan para que un humano las revise, las actualice o las use como inspiración. Suelen basarse en una búsqueda dispersa (sparse search): se busca cada palabra o lexema de la oración y se puntúan los segmentos de la base de datos en función de cuántos elementos compartan.
• Coincidencias semánticas: un segmento de la base de datos significa algo parecido aunque no coincida ninguna palabra. Para ello se utiliza la búsqueda densa: embeddings vectoriales y recuperación. Es la mecánica habitual de RAG.

Las memorias de traducción tradicionales se basaban en coincidencias exactas y parciales. Los LLM introdujeron la capa semántica. Sin embargo, la búsqueda semántica por sí sola aún no basta para ofrecer un buen rendimiento.

En la traducción literaria, las coincidencias parciales son fundamentales para que los nombres propios y el universo de la obra sean coherentes. En el ámbito sanitario, una misma idea puede expresarse de muchas formas, por lo que la búsqueda semántica debería ser de ayuda; sin embargo, suele ser contraproducente. Para un modelo de incrustación de dominio general, la distancia semántica entre íleon e ilion es tan ínfima como la que hay entre «carmesí» y «escarlata».

(El íleon es el tramo final del intestino delgado; el ilion es la parte superior y ancha del hueso de la cadera. Son términos totalmente distintos que, en un espacio semántico de dominio general, acaban agrupados simplemente como «temas de salud»).

Así pues, se necesitan mecanismos de control. Por lo tanto, lo que se espera de una memoria de traducción en 2026 es:

• Búsqueda híbrida, en la que se combinan coincidencias exactas, parciales y semánticas para obtener los resultados más relevantes del historial de traducción.
• Reclasificación (reranking), en la que se vuelve a evaluar la relevancia de los candidatos comparándolos con el contexto real.
• Recorrido de árboles, que permite a un humano o a un agente pasar de una coincidencia a sus vecinos más cercanos para explorar la base de datos.

Cómo aborda el resto del mercado la memoria de traducción

Cualquier herramienta de localización profesional puede almacenar traducciones anteriores y volver a sugerirlas. Las preguntas clave son: ¿qué recuerda el sistema?, ¿cuándo confía en esa memoria? y ¿para qué la utiliza después?

Desde esa perspectiva, el mercado se divide en tres niveles: la memoria como reutilización, la memoria como gobernanza y la memoria como combustible para la IA. La apuesta de Transept es un cuarto nivel: la memoria como contexto de decisión.

Nivel 1: la memoria como reutilización

Las herramientas TAO clásicas responden a la pregunta más antigua de las TM: «¿Ya hemos traducido esto antes?»

No son herramientas rudimentarias: muchas permiten la recuperación de fragmentos, coincidencias según el contexto, complementos de MT, servidores para equipos y flujos de trabajo de edición sólidos. Sin embargo, la memoria suele actuar simplemente como una fuente de sugerencias junto al editor. Ayuda al traductor a reutilizar el trabajo previo, pero no suele recordar por qué se eligió una versión y no otra.

• Trados / RWS es el referente clásico de las TAO: destaca en coincidencias exactas, parciales (fuzzy matches), concordancia y coincidencias exactas en contexto; además, el ecosistema actual de Trados integra flujos de trabajo con IA y Language Weaver. Pero a nivel de TM, el concepto central sigue siendo la reutilización de segmentos dentro de un entorno TAO.
• memoQ lleva la TM clásica un paso más allá en cuanto al contexto. Sus coincidencias del 101 % y 102 % intentan determinar si el mismo segmento aparece en el mismo lugar, algo fundamental para cadenas de software, etiquetas repetidas y archivos estructurados. Es una recuperación inteligente, pero lo que se recuerda sigue siendo el segmento dentro de un contexto.
• Wordfast apuesta por la portabilidad y la practicidad de las TM. Wordfast Anywhere ofrece a los traductores memorias compartidas en el navegador, glosarios, QA y MT. Su valor reside en la accesibilidad y la reutilización, no en un registro profundo de las decisiones.
• OmegaT y CafeTran demuestran que la reutilización avanzada no es solo cosa de grandes empresas: ofrecen de forma gratuita y en código abierto coincidencias parciales, propagación de coincidencias, múltiples TM y soporte para glosarios, junto con servidores de TM para equipos destinados a usuarios avanzados.

Así pues, el listón ya está muy alto. Incluso las herramientas económicas e independientes recuerdan y reutilizan bien las traducciones. La competencia comercial empieza en lo que sucede después de la reutilización.

Nivel 2: la memoria como gobernanza

El siguiente grupo plantea una pregunta distinta: «¿En qué memoria debemos confiar para este cliente, equipo, proyecto o flujo de trabajo?»

• Phrase TMS trata la memoria como un recurso gestionado dentro de una plataforma más amplia (TM, bases terminológicas, perfiles de motores de MT, Phrase Language AI, evaluación de calidad y QA). Su cobertura es extensa, pero la TM en sí sigue almacenando principalmente segmentos reutilizables.
• Crowdin hace que la memoria sea útil a escala de proyecto: memorias de proyecto creadas automáticamente, opción de guardar solo traducciones aprobadas y distinción entre coincidencias del 100 % simples y coincidencias perfectas (de texto y contexto). Precompleta las cadenas, pero sigue recordando el texto aprobado, no el razonamiento.
• Smartcat organiza la memoria en torno a la relación (clientes, departamentos, espacios de trabajo o perfiles de traducción con IA) y vincula automáticamente las memorias y glosarios pertinentes, con una TM con permisos de escritura y otras de solo lectura. Su punto fuerte es el enrutamiento y la propiedad de los datos.
• XTM Cloud trata la memoria como algo que requiere estatus y protección: las entradas pueden estar aprobadas o no, la MT en bruto no se guarda automáticamente, los segmentos con control de cambios quedan pendientes hasta su aceptación o rechazo, y los ajustes determinan si se pueden sugerir memorias no aprobadas. El objetivo es el control de la fiabilidad.
• Wordbee distingue entre las memorias de traducción permanentes y las memorias de proyecto temporales. Estas últimas capturan el trabajo en tiempo real y pueden sugerir segmentos sobre la marcha; después, las partes útiles se consolidan en una TM maestra. Se acerca mucho al contexto del documento en vivo, pero no deja de ser un almacén de segmentos.
• Bureau Works apuesta por el control: memorias vinculadas a departamentos, permisos de lectura y escritura (los traductores rasos pueden usarlas, pero solo los responsables de idioma pueden añadir contenido) y un flujo único de recomendaciones que combina TM, LLM, MT clásica y glosarios. Es potente, a veces abrumador, y el juicio final sigue dependiendo de un humano que revise las sugerencias.
• MateCat es un editor TAO web vinculado a MyMemory para la TM y a ModernMT para la MT. Las memorias públicas y privadas alimentan las sugerencias de traducción automática, y las correcciones en vivo mejoran el resultado a medida que el traductor trabaja; esto se acerca más a una «TM que alimenta una MT adaptativa» que a una simple TM junto a la MT. Aun así, el concepto de memoria se limita a segmentos, coincidencias y correcciones.

Nivel 3: la memoria como combustible para la IA

El grupo más reciente se pregunta qué sucede cuando la IA crea, edita o aprende de la traducción. ¿Puede el resultado de la máquina convertirse en memoria? ¿Necesita una revisión previa? ¿Puede una puntuación de calidad sustituir la aprobación humana? ¿Puede la propia TM guiar al motor?

• Lilt trata la TM como combustible para la MT adaptativa: las unidades de traducción confirmadas y los datos de la base terminológica mejoran las sugerencias predictivas con el tiempo. Su apuesta es la predicción adaptativa dentro del motor, no una memoria más amplia que abarque comentarios, alternativas rechazadas y el razonamiento de la revisión.
• Smartling hace explícita la procedencia: el resultado de la IA puede ir a una Memoria de Traducción Creada por Máquina independiente, mientras que el trabajo humano o validado por humanos permanece en la TM habitual. Un modelo de confianza sólido: el contenido generado por IA es reutilizable, pero nunca se hace pasar de forma encubierta por contenido aprobado por humanos.
• Lokalise utiliza la revisión como filtro de confianza: las traducciones de IA o de MT pueden entrar en la TM cuando un revisor las acepta en una tarea de revisión, incluso sin editar el texto. El resultado de la IA puede pasar a la memoria permanente, pero solo tras un paso humano; esto añade fricción y no es lo ideal para equipos pequeños donde las decisiones se toman sobre el terreno y deberían capturarse de inmediato.
• Transifex utiliza el TQI como filtro de automatización. Normalmente, las traducciones generadas no entran en la TM sin revisión, pero la IA de Transifex puede puntuar una traducción con su Índice de Calidad de Traducción y, si supera un umbral configurado, añadirla automáticamente. La pega: hay que confiar en su índice propietario.
• Phrase Language AI es la capa de orquestación: distribuye el trabajo entre motores y flujos de trabajo agénticos, utiliza la estimación de calidad, aplica glosarios, gestiona perfiles de MT y permite integrar motores propios. Es un diseño de sistema robusto, pero la TM sigue siendo un recurso más entre la MT, el glosario, el control de calidad y el enrutamiento.

El vacío que detectamos en el mercado

En todos estos casos, el mercado ya domina el almacenamiento de la traducción final, la separación de los resultados humanos y automáticos, el enrutamiento de la memoria adecuada y la decisión de cuándo es reutilizable lo generado por la IA. Nosotros damos todo eso por sentado.

Lo que sigue siendo inusual es la memoria del trabajo que rodea a la traducción. Pocas herramientas conservan las alternativas rechazadas, los comentarios, el historial de revisión, el contexto de búsqueda, la lógica de aprobación y el proceso de decisión que explica por qué se eligió una versión. La traducción genera este oro de ingeniería de forma natural, pero casi nadie se ha molestado en extraerlo.

Más raro aún es reincorporar ese historial a un LLM capaz para que la siguiente traducción pueda aprovechar el razonamiento, y no solo el resultado final.

Esa es la apuesta que hemos hecho en Transept. La memoria de traducción no debería recordar solo la frase, por muy importante que esta sea. Debería recordar el trabajo que hizo que esa frase fuera fiable. La TM debe convertirse en contexto de decisión, compartido por igual entre humanos e IA.

Figure 7 · Memory as decision context

Transept remembers the work behind the sentence

The approved segment · EN → FR · idiom

It costs an arm and a leg

«Ça coûte les yeux de la tête»

Everyone stores this

Context fed to the next translationkept 1 / 7

+Rejected alternativesadd

✓«Ça coûte les yeux de la tête»· the French idiom, same idea and register

✗«Ça coûte un bras et une jambe»· a literal calque, reads as a translation

✗«C’est très cher»· accurate, but flattens the colour

+Thinking traceadd

"costs an arm and a leg": an idiom, translate the meaning
  · a literal calque would read as a translation
  · plain "très cher" is accurate but loses the colour
  → use the French idiom for the same idea

+QA findingsadd

✓idiom mapped, not calqued

✓register matches source (casual)

⚠length checked, fits the button

+Version logadd

v1machine«un bras et une jambe»

v2Literess«les yeux de la tête»

v3humanapproved · current ✓

+Discussionadd

Maria Keep the body-part image, or go fully idiomatic?

Literess French has its own: «les yeux de la tête». Same register, lands natively.

+Omnichannel contextadd

🔍web: “arm and a leg french equivalent”📖dictionary: coûter les yeux de la tête💬comment: matches our playful brand voice

Reveal all layers

Right now the next translation sees only the final sentence, the same memory the market keeps. It can copy the style; it can’t replay the logic.

Cómo implementa Transept la memoria de traducción

En Transept, queremos situarnos a la vanguardia de la calidad de traducción que se puede alcanzar con los LLM.

Cuando no éramos más que autores y traductores independientes sin financiación, la IA era la única solución a nuestro alcance. Los LLM no muestran todo su potencial sin la intervención humana, pero esa aportación es el recurso más valioso del mundo: el tiempo de vida de una persona. Por eso, en lugar de tratar la memoria como una base de datos pasiva, la concebimos como un participante activo en el flujo de trabajo. Se nutre constantemente y, a su vez, no deja de aportar valor.

Búsqueda híbrida y filtrado granular

La memoria de traducción de Transept utiliza una búsqueda híbrida que combina la recuperación difusa y vectorial: rápida y precisa. Pero la recuperación es solo la mitad de la batalla; la otra mitad es el control sobre qué se recupera.

Es posible filtrar con precisión qué entra en la memoria: desde usar la biblioteca completa de la organización hasta acotarla al catálogo de un equipo o restringirla a un solo proyecto. Por defecto, el sistema solo incluye documentos aprobados manualmente según su estado en el TMS, pero esta configuración se puede modificar a nivel de equipo, documento o proyecto.

Tanto los humanos como los agentes de IA ven las traducciones anteriores más relevantes, incluidas las alternativas rechazadas y el debate tras la decisión final. No solo se ve qué se eligió; se ve el porqué.

Contextualización gradual de la memoria de traducción

Para los flujos de trabajo automatizados con IA, hemos desarrollado lo que denominamos «contextualización gradual de la memoria de traducción» con el fin de optimizar el rendimiento de los LLM:

• Sincronización de documentos en tiempo real: al traducir, la IA no solo consulta las fuentes de memoria de traducción aprobadas, sino también los segmentos previos del propio documento. Así, mantiene la coherencia en la terminología, el estilo y el criterio, incluso en ausencia de un glosario o una guía de estilo estrictos.
• Revisión segura: cuando la IA revisa o mejora un texto, solo utiliza como contexto los segmentos del mismo documento que el Editor de IA ya ha marcado como aprobados. De este modo, se evita que el modelo genere alucinaciones o propague errores previos.
• Sincronización de agentes en paralelo: cuando varios agentes traducen simultáneamente documentos de gran extensión, sus memorias se sincronizan de forma constante para que las decisiones se propaguen por todo el texto. Lograr esto supuso un desafío técnico monumental, pero ha permitido reducir el tiempo de traducción de un documento de 40 000 palabras de 8 horas a tan solo 50 minutos.

Contexto ampliado y control del flujo de trabajo

Una vez que logramos capturar las decisiones acertadas y el talento humano, fuimos un paso más allá en cuanto al contexto profundo y la agilidad de los flujos de trabajo:

• Contexto omnicanal: los chats, los comentarios y la búsqueda de documentos ayudan tanto a las personas como a la IA a encontrar el trasfondo de una traducción: búsquedas web, consultas en diccionarios, comentarios del editor y conversaciones con el equipo y con Literess.
• Flujos de trabajo ajustables: los flujos automatizados de Transept también pueden mejorar los documentos mediante el uso de memorias de traducción. En lugar de imponer un comportamiento por defecto, permitimos que los equipos ajusten cómo actúa la memoria en cada paso.
• Alternativas de versión: los registros de versiones de traducción ayudan a los equipos a recordar cuál de los muchos borradores (de la IA o humanos) fue el seleccionado, de modo que la memoria pueda replicar la lógica de una traducción, no solo su estilo.
• Literess en la capa de revisión: Literess incorpora la memoria directamente en la revisión. Utiliza el glosario, la guía de estilo, el contexto del documento, los segmentos anteriores, los resultados de QA y el historial de traducción para comentar el documento, explicar problemas, sugerir correcciones y ayudar al revisor humano a tomar la decisión final.

Paridad de funciones entre humanos e IA

Un pilar fundamental de la filosofía de Transept es la paridad de funciones. Dado que los flujos de trabajo de los traductores varían enormemente, nos aseguramos de que cada herramienta, capa de memoria y ventana de contexto esté disponible por igual para los expertos humanos y los agentes de IA.

El resultado es una capa de memoria que participa activamente en el trabajo. En lugar de que una persona busque manualmente en archivos antiguos cómo se tradujo una palabra, el sistema proporciona ese contexto a la IA durante la redacción, lo utiliza para señalar errores durante el control de calidad y se lo presenta al revisor humano.

El equipo deja de gestionar la coherencia repetitiva y vuelve a centrarse en decidir qué suena bien. La IA se asegura de que no se olvide nada y Transept registra cada decisión creativa o legal que se toma por el camino.