La post-édition de traduction automatique (MTPE) : définition, fonctionnement et comment l'optimiser

Je suis devenu ingénieur en IA en partie en essayant de traduire mon propre roman. C'est là que j'ai découvert ce que tout le monde dans le secteur de la localisation connaît déjà sous un autre nom : passer le texte à la machine, puis laisser un humain le corriger. Officiellement, c'est la post-édition de traduction automatique, ou MTPE, et c'est la méthode de traduction professionnelle dominante en 2026.

En théorie, l'idée est séduisante. Pourtant, à l'ère des LLM performants, la manière dont elle est habituellement pratiquée a pris un coup de vieux. Traduire l'intégralité du document par machine avant de confier le nettoyage à un humain revient à mobiliser le temps humain et la puissance de calcul dans le mauvais ordre.

Une méthode de travail plus économique et plus performante se cache pourtant derrière ce modèle.

Ce guide traite des deux. D'abord, la version sans fard de ce qu'est la MTPE et de son fonctionnement, car il faut comprendre la méthode ISO traditionnelle pour se faire recruter ou vendre son SaaS B2B. Ensuite, j'expliquerai pourquoi le modèle standard de traitement par lots s'essouffle et comment faire mieux en intégrant l'humain plus tôt dans la boucle.

Qu'est-ce que la post-édition de traduction automatique (MTPE) ?

La MTPE, également appelée PEMT (post-edited machine translation), est un processus en trois étapes :

1. La traduction automatique (TA). Un moteur de traduction automatique ou un grand modèle de langage génère une première ébauche de traduction du texte source. Ce premier jet est appelé TA brute.
2. La post-édition (PE). Un linguiste compare la TA brute au texte source et la révise en corrigeant les erreurs, en veillant au respect de la terminologie et en ajustant le ton jusqu'à atteindre le niveau de qualité requis.
3. L'assurance qualité. Une vérification finale de la cohérence, du formatage et des erreurs qui échappent facilement à une première lecture.

Dans sa forme habituelle, il s'agit d'un traitement en bloc : la machine traduit l'intégralité du document, puis un humain révise l'ensemble. Retenez bien ce schéma ; c'est l'aspect que je remettrai en question plus tard.

Si la MTPE existe, plutôt que de se contenter de « tout traduire à la main » ou de « tout laisser à la machine », c'est parce que ces deux approches extrêmes ne conviennent pas à la majorité des contenus.

La traduction humaine intégrale est lente et coûteuse à grande échelle. La TA brute est rapide et économique, mais une TA de qualité n'existe que depuis moins de dix ans, bien que la technologie en elle-même remonte à plusieurs décennies. De plus, même avec les meilleurs LLM et processus actuels, accepter aveuglément leurs résultats reste trop risqué, tandis que l'humain conserve une bien meilleure aptitude à traduire avec élégance.

La MTPE constitue donc le juste milieu pragmatique : laisser la machine s'occuper des 70 % mécaniques du travail et concentrer l'attention humaine sur les 30 % restants, ceux qui déterminent si la traduction est digne de confiance.

(C'est du moins ainsi que les agences et les entreprises aimeraient que cela se passe. Dans la réalité, soit les humains s'impliquent davantage pour fournir de meilleurs résultats — sans pour autant être mieux payés —, soit ils ne s'impliquent pas du tout, ce qui conduit à des résultats insatisfaisants.)

Quoi qu'il en soit, une forme ou une autre de MTPE est devenue la norme dans le secteur de la traduction depuis les années 2020.

Post-édition légère ou complète : les deux niveaux

En résumé : cette distinction n'existe pas vraiment dans les faits, mais le secteur exige que vous connaissiez cette dichotomie.

La « post-édition » n'est pas un bloc monolithique. La décision la plus cruciale d'un projet de MTPE est de définir le niveau de révision attendu, car c'est lui qui détermine le temps à consacrer à chaque segment et ce que vous pouvez laisser en l'état.

L'erreur classique des équipes consiste à viser une qualité maximale pour tout, par simple habitude (y compris pour les contenus peu visibles où une édition légère aurait suffi), gaspillant ainsi le gain de temps que la MTPE était censée apporter. Cette erreur n'incombe généralement pas aux seuls traducteurs, mais aussi aux réviseurs et aux gestionnaires qui placent la barre trop haut pour la post-édition légère.

L'erreur inverse est encore plus grave : se contenter d'une édition légère pour une page d'accueil et livrer un texte qui sonne presque juste, mais qui érode la confiance. C'est ce qui arrive souvent avec les traductions réalisées via Claude Code : certains utilisateurs constatent une chute de leurs taux de conversion après avoir déployé des localisations basées sur de la TA brute ou de la MTPE légère.

Dans la pratique, la frontière est floue et la MTPE concrète se situe quelque part entre les deux. Selon la plateforme ou l'agence, le niveau d'effort est fixé de manière arbitraire ou par projet. Il existe également de nombreux processus et rituels internes, avec leurs rapports d'assurance qualité et leurs chaînes d'approbation.

C'est ce flou dans la définition qui explique pourquoi tant de traducteurs n'aiment pas travailler en MTPE. Elle n'apporte pas la satisfaction du travail bien fait, et pourtant, l'excellence n'est pas récompensée financièrement.

Pourquoi la traduction automatique brute a encore besoin de l'humain

L'objection évidente en 2026 : les LLM modernes sont fluides. La TA brute n'est-elle pas suffisante désormais ?

La fluidité est précisément le piège. Les anciens systèmes de traduction automatique produisaient des résultats visiblement défaillants, de sorte que personne ne leur faisait confiance sans révision. Les modèles modernes génèrent un texte qui se lit à merveille, ce qui inspire un faux sentiment de confiance aux lecteurs et aux réviseurs.

Pire encore, elle peut produire des résultats qui respectent le sens, mais dont le style transpire l'IA. Cela donne une image bas de gamme à la marque et, bien que ce problème soit facile à résoudre, beaucoup tombent précisément dans ce piège.

Claude a insisté pour que j'ajoute ceci :

• Atteinte à la réputation. Les moteurs n'ont pas la sensibilité d'un linguiste pour saisir les nuances culturelles ou ce qui est approprié ou déplacé sur un marché donné. Une formulation neutre dans la langue source peut paraître maladroite, présomptueuse ou offensante dans la langue cible, ou tout simplement étrange ; ce sont ces « marques de l'IA » qui font fuir les utilisateurs.
• Désinformation des clients. Même le modèle le mieux entraîné peut omettre discrètement une proposition ou ajouter un mot absent de la source. Dans un paragraphe fluide au ton assuré, une omission accidentelle ou une dérive factuelle est très difficile à déceler, ce qui peut avoir de lourdes conséquences dans les domaines juridique, médical ou financier. Là encore, ce problème est techniquement soluble (Smart Proofread existe précisément pour détecter ces omissions), mais il reste monnaie courante.
• Une image de marque diluée. Les résultats bruts des LLM reflètent rarement la voix et la terminologie spécifiques d'une marque. Lorsqu'un nom de produit ou une formule emblématique est décliné d'une douzaine de manières différentes sur un site, il finit par devenir méconnaissable, et l'image de marque s'estompe un peu plus à chaque fois. On peut y remédier grâce aux guides de style et aux glossaires, mais les anciens flux de TA ne les exploitent pas de manière optimale.

L'intervention humaine n'est donc pas facultative, du moins dès lors que le texte doit remplir sa mission : convertir des clients ou avoir une valeur juridique. La véritable question, à laquelle les flux de travail classiques répondent mal, est de savoir quand l'humain doit intervenir.

Ce qui rend la MTPE réellement difficile : quatre goulots d'étranglement

Dans la pratique, les post-éditeurs ne butent pas principalement sur les guillemets ou les formats de date. Cela relève de l'assurance qualité. La difficulté consiste plutôt à évaluer des résultats à la fluidité trompeuse, à déterminer le degré d'intervention requis par chaque segment, et à le faire au sein d'un modèle commercial partant du principe que chaque ébauche de la machine permet de gagner autant de temps.

Les recherches sur l'effort de post-édition divisent la tâche en trois dimensions : l'effort cognitif, technique et temporel. Ces dimensions n'évoluent pas forcément de concert : une phrase peut ne nécessiter que deux frappes mais plusieurs minutes de vérification, tandis qu'une autre exigera une réécriture complète dont la solution saute aux yeux.

Voici les goulots d'étranglement récurrents.

1. Détecter les erreurs qui semblent correctes mais nécessitent du contexte pour être corrigées. La TA moderne peut produire un texte cible soigné tout en omettant une proposition, en dénaturant le sens ou en choisissant un terme plausible mais erroné. La fluidité gomme les signaux d'alerte, obligeant l'éditeur à vérifier sans cesse la source, le contexte du document et les faits réels. Tout cela demande du temps et de l'énergie. Les recherches montrent invariablement que les contresens, les problèmes de cohérence et les erreurs structurelles comptent parmi les principaux facteurs de l'effort de post-édition.
2. Décider s'il faut accepter, corriger ou retraduire. Chaque segment exige un arbitrage : le valider en l'état, y apporter une correction minimale, le reformuler ou écarter la version machine pour repartir de zéro. Le flou entre post-édition « légère » et « complète » ne fait qu'accentuer la difficulté. Les éditeurs finissent soit par sous-éditer pour respecter la consigne de « modifier le moins possible », soit par sur-éditer parce que leurs propres standards de qualité sont plus élevés que les exigences du projet.
3. S'affranchir du cadre imposé par la machine. Les post-éditeurs ne partent pas d'une page blanche. Ils lisent d'abord une proposition de réponse, et celle-ci conditionne le vocabulaire, la syntaxe et l'interprétation. Des études sur les flux de travail professionnels ont mis en évidence des effets d'amorçage : les erreurs et les maladresses de la TA peuvent persister dans le texte post-édité ou influencer la correction elle-même. Plus la phrase semble fluide, plus il est difficile de remarquer que sa structure est inadaptée. C'est particulièrement fréquent lorsque l'étape de TA est confiée à des LLM.
4. Travailler sur la base de fausses hypothèses de productivité. La MTPE est souvent tarifée comme si les résultats de la machine permettaient de réduire l'effort humain de manière prévisible. Il n'en est rien. La difficulté varie selon le segment, la paire de langues, le domaine et le type d'erreur, tandis qu'une tarification axée sur la rapidité peut décourager la recherche terminologique, alors même que les clients exigent toujours la perfection. C'est le traducteur qui absorbe cette variance : si les segments faciles justifient le tarif réduit, les plus complexes viennent discrètement effacer les gains de temps.

Les formats, les contraintes terminologiques, les segments verrouillés et les règles régionales restent importants, mais ce sont des contrôles que le flux de travail devrait imposer en amont, par exemple via des glossaires, des guides de style ou des mémoires de traduction.

Le véritable problème de la MTPE réside dans la manière dont le jugement est sollicité : repérer les erreurs à la fluidité trompeuse, déterminer le juste degré d'intervention, résister à l'effet d'ancrage de la machine, et accomplir ces trois tâches sans laisser le modèle de tarification dicter la qualité.

C'est pourquoi j'en suis vite venu à la conclusion qu'un flux de travail interactif, privilégiant l'intervention humaine en amont, donne de bien meilleurs résultats qu'une simple interface de nettoyage par lots. Mais l'industrie n'en est-elle pas déjà là ?

Comment mesurer la qualité de la MTPE : le score BLEU et au-delà

La MTPE se heurte à un problème de mesure : la qualité est en partie subjective. La métrique automatique la plus connue du secteur est le score BLEU (Bilingual Evaluation Understudy), qui compare une traduction automatique à une ou plusieurs traductions humaines de référence.

Elle fonctionne en segmentant la production de la machine en courtes séquences de mots — généralement de un à quatre — et en mesurant leur présence dans les textes de référence. Le nombre de correspondances est plafonné pour empêcher le système de gonfler son score en répétant un mot correct, tandis qu'une pénalité de brièveté réduit la note si la traduction s'avère anormalement courte.

Le score BLEU combine ces mesures de chevauchement en une valeur comprise entre 0 et 1, généralement affichée sur une échelle de 0 à 100. Plus le score est élevé, plus la formulation est proche des références, ce qui ne garantit pas forcément une meilleure restitution du sens.

À mon avis, cette métrique n'est plus vraiment utile en 2026, et voici pourquoi :

Les scores BLEU ne sont comparables de manière pertinente que si les moteurs sont testés sur le même jeu de données avec la même configuration d'évaluation ; il n'existe donc pas de seuil universel permettant d'affirmer que « 50 est un bon score et 10 un mauvais ». Leur valeur pratique réside dans les comparaisons contrôlées de type « avant-après ».

Dans une étude de cas de TAUS, l'entraînement sur 172 980 segments français-allemand issus d'un domaine juridique pointu a permis de gagner 7,23 points BLEU, soit une amélioration relative de 19 %. Dans une autre étude portant sur l'aviation en russe-anglais, une mémoire de traduction nettoyée d'un million de segments a propulsé Globalese de 23,6 à près de 51 points BLEU, un bond relatif de 115,5 %. Si l'ampleur de l'amélioration varie fortement selon le domaine, la paire de langues, le moteur de base et la qualité des données, ces deux cas illustrent pourquoi des mémoires de traduction pertinentes et rigoureusement nettoyées peuvent surpasser des données d'entraînement génériques.

Mais le score BLEU est une mesure de similitude, pas de véracité. Un contresens fluide et assuré peut obtenir une excellente note ; à l'inverse, une formulation alternative parfaitement valable, mais qui ne correspond pas à la référence, peut être mal notée. Le score BLEU fixe donc le seuil minimal (il indique si la TA brute est acceptable), tandis que la révision humaine permet toujours de déterminer si la traduction est juste, fidèle à l'image de marque et prête à être diffusée.

Les équipes complètent de plus en plus ces mesures par une estimation de la qualité de type « LLM-as-judge », mais cela n'a guère de sens en soi.

Le problème de la MTPE telle qu'elle est habituellement pratiquée

C'est ici que je cesse de décrire pour passer à l'argumentation. Ma thèse est la suivante :

Une décision que vous prenez en page 2 — ce personnage doit rester formel, adaptez ce jeu de mots pour viser un politicien local, ne latinisez pas ce nom de lieu — peut être réinjectée pour régénérer le reste du document.

Les exemples et le prompting multi-shot font des merveilles avec les LLM, même sans ingénierie de contexte avancée et même si le contexte ne correspond pas à 100 %. L'inclusion d'exemples de genres pertinents, même dans une *autre *langue, a permis d'obtenir des améliorations significatives lors des tests de référence internes de Transept.

Lancez d'abord une passe machine complète, et vous aurez gaspillé des crédits de calcul pour générer des pages que l'humain rejettera en partie, avant de devoir consacrer du temps humain à façonner une production brute et figée.

De plus, le modèle est bien plus rapide que l'humain. Il n'est pas nécessaire d'attendre que les 10 000 mots soient ébauchés pour que le traducteur commence son travail.

Un flux de travail MTPE plus efficace consiste à générer les deux mille premiers mots, à laisser le traducteur prendre les décisions qui comptent, puis à poursuivre la génération en intégrant ces choix et la mémoire de traduction dans le contexte, alors que l'humain n'en est encore qu'à la page cinq. Lors des tests de Transept, même de rares *commentaires *sur le texte source non traduit, reflétant l'orientation générale du traducteur, ont amélioré de façon mesurable la qualité de la production ultérieure.

Les pages suivantes arrivent déjà façonnées par les décisions prises en amont, au lieu de se présenter comme un bloc de bouillie uniforme qu'il faudrait ensuite rectifier.

Cela ne signifie pas pour autant que la MTPE soit une erreur. Pour traiter des volumes massifs à faible visibilité, une passe automatique intégrale suivie d'une révision légère est une solution efficace, à défaut d'être la plus gratifiante.

Mais dès que le contenu compte, le modèle par lots sacrifie la qualité et la rentabilité. S'il perdure, c'est parce que l'itération donne l'impression de coûter plus cher à court terme.

C'est pourtant rarement le cas.

Une meilleure approche : l'humain en amont

Tout ce qui précède mène à la même conclusion : intégrez le jugement humain dans le système avant que la machine ne génère une ébauche complète, et laissez la mémoire de traduction propager ces décisions. Quatre pratiques font l'essentiel du travail.

Soyez d'abord éditeur, puis traducteur. Avant de générer quoi que ce soit, lisez la source et laissez des notes d'intention sur les passages clés : cette plaisanterie doit rester ; ce terme est crucial ; ici, on peut s'écarter de la source pour préserver le sens. Générez ensuite une ébauche s'appuyant sur ces notes et sur votre mémoire.

Post-éditer une ébauche qui intègre déjà vos intentions est bien moins fastidieux que de peaufiner une production brute. Je parle en connaissance de cause, pour avoir testé les deux approches à maintes reprises sur mon propre livre.

Alimentez la mémoire avec vos meilleures productions (si votre outil de TA peut l'exploiter). On sous-estime souvent l'intérêt de la mémoire de traduction pour l'IA. Pour un passage ardu ou une paire de langues complexe, traduisez quelques extraits entièrement à la main et injectez-les ; le modèle saisit le ton et le registre à partir d'exemples réels bien mieux qu'avec n'importe quelle consigne.

La mémoire de traduction peut, à elle seule, assurer la cohérence stylistique d'un long texte. Trouver le bon exemple (par recherche sémantique et floue) est un art en soi, mais en produire un de qualité est plus difficile encore. L'intervention humaine reste indispensable : il existe une infinité de manières statistiquement valables de traduire une phrase, et vous seul savez laquelle est la vôtre.

Pourtant, tous les outils ne parviennent pas à exploiter la mémoire de traduction pour produire une prose de qualité. Chez Transept, nous avons mené des recherches approfondies (détaillées dans notre essai sur la mémoire de traduction pour la localisation par IA) pour garantir que les segments validés par l'humain, ainsi que le contexte et l'historique de travail associés, améliorent la traduction par LLM.

Utilisez plusieurs modèles en séquence plutôt qu'un seul grand modèle. Un constat se confirme, tant dans la recherche académique que dans nos études internes : une cascade de rôles d'IA surpasse une passe unique avec un modèle puissant, en optimisant à la fois la qualité et le coût.

Générez une ébauche avec un modèle économique et rapide. Faites-la relire par un modèle puissant qui annotera les points à améliorer, puis demandez à un modèle rapide d'appliquer ces corrections.

Cette approche s'avère moins coûteuse que de tout demander au modèle le plus performant. Mieux encore : le résultat est généralement meilleur. J'en ai été le premier surpris, car j'avais du mal à croire que l'association de modèles performants et plus modestes puisse surpasser ce qu'un grand modèle produit seul.

Et pourtant, ça marche. Mon hypothèse est que la critique et la génération constituent des tâches et des schémas d'activation distincts. Les séparer permet de tirer parti des forces de chaque modèle et d'alléger la « charge cognitive », ce qui aide à mieux canaliser l'effort.

C'est, en substance, l'épine dorsale du paradigme multi-agent : le modèle peut corriger ses propres erreurs s'il est instancié avec des paramètres et des tâches différents.

Soignez l'infrastructure technique. La véritable performance s'obtient via l'API, et non par les interfaces de chat, dont les prompts système interminables et l'habillage produit font écran.

Les traducteurs sous-estiment souvent les résultats des LLM parce qu'ils sont mal apprêtés : c'est la différence entre un pavé de thon au soja et au sésame et le poisson en boîte insipide auquel on l'identifie trop souvent.

Optimisez vos entrées pour qu'elles soient propres et compatibles avec la mise en cache : les coûts et la latence chuteront d'autant. Testez la capacité du modèle à intégrer du contexte supplémentaire (mémoire de traduction, décisions, guides de style), puis poussez-le à saturation jusqu'à ce que les performances déclinent. Il est crucial de disposer de bons indicateurs de référence (benchmarks) dans plusieurs langues pour valider l'efficacité de votre configuration.

Chez Transept, nous avons consacré trois ans à la recherche et à l'expérimentation sur nos propres textes pour maîtriser ces mécaniques.

L'outil que j'aurais aimé avoir pour traduire mon roman : la réponse de Transept à la MTPE

Un traducteur rigoureux doté d'un bagage technique peut recréer ce flux de travail à l'aide des API de modèles, d'une mémoire de traduction et de patience. Il faut toutefois des recherches approfondies pour que la MTPE « avec l'humain dans la boucle » fonctionne *à merveille, *alliant plaisir et qualité des résultats.

Nous avons conçu Transept parce que l'assemblage manuel de ces briques était l'aspect qui ne cessait de nous rebuter lors de la traduction de nos propres textes longs.

Nous avons concrétisé cette vision dans un espace de travail unique : orienter le modèle en amont, pérenniser les décisions, enchaîner les passes spécialisées et réviser localement.

Orientez le modèle avant la génération. L'éditeur de documents regroupe la source, la traduction et le contexte environnant. Le traducteur peut commenter un bloc, régénérer une phrase avec une consigne précise, comparer des variantes ou faire des retouches manuelles sans affecter le reste. Les commentaires et les fils de révision restent liés au texte : ainsi, une consigne comme « garder la métaphore » devient une décision pérenne au lieu de se perdre dans l'historique d'un chat.

Même les variantes que vous rejetez sont conservées : une formulation écartée et la note justifiant son rejet sont autant d'éléments que la passe suivante peut réutiliser. Découvrez les variantes de traduction et la manière dont la mémoire de traduction traite les décisions passées comme du contexte.

Transformez vos décisions en mémoire. La mémoire de traduction de Transept réinjecte les traductions approuvées et leur contexte décisionnel dans vos futurs projets. Les glossaires fixent les noms, les termes produits et les formulations figées ; les guides de style garantissent le ton, le registre, le rythme et les conventions. Tous deux peuvent être générés automatiquement à partir de vos travaux validés ou des supports de marque du client, puis révisés avant d'être exploités par l'IA.

Séparez les passes. Au lieu de demander à un seul modèle de traduire, d'évaluer et de polir en une seule fois, Transept peut ordonnancer ces tâches. Smart Proofread confronte la traduction à la source, au glossaire et au guide de style, puis signale les omissions, les dérives terminologiques ou les écarts de registre sous forme de corrections à valider.

Nous proposons également des flux de travail comme Traduire, relire et polir, qui regroupent traduction, relecture, polissage et QA lorsque l'orchestration l'emporte sur le contrôle manuel. Cela fonctionne également pour gérer simultanément plusieurs versions linguistiques d'un même document !

Pour les documents longs, nous avons également mis au point une méthode de collaboration entre plusieurs agents sur un même document. Ils partagent et mettent à jour les guides de style et les glossaires, et disposent d'une mémoire à gradient spéciale pour synchroniser leurs décisions.

Révisez localement ; passez à l'échelle mondiale. La post-édition reste au niveau du bloc ou de la phrase : comparez les variantes, régénérez une ligne, acceptez une correction suggérée ou réécrivez-la vous-même. Literess peut vous aider à piloter le flux de travail et à signaler les dérives, tandis que la traduction par lots applique le contexte partagé, les glossaires, les guides de style et la QA sur de nombreux fichiers sans transformer le projet en tableur.

Et si les passes intégrées ne suivent pas l'enchaînement souhaité, vous pouvez créer votre propre flux de travail étape par étape : choisissez les étapes, soumettez-les si besoin à validation et lancez le processus après avoir pris connaissance du coût.

Je suis sincèrement fier du travail que nous avons accompli chez Transept. Ces fonctionnalités permettent de maximiser l'impact du temps et du talent humains — si précieux — sur la manière dont les LLM opèrent.

Je m'étonne encore que si peu de traducteurs professionnels aient pensé que tout cela était réalisable. Techniquement, concevoir un flux de travail de MTPE interactif était possible dès 2023, et nous n'en sommes qu'au début.

Les bonnes pratiques de la MTPE : aide-mémoire

Même si Transept ne vous a pas convaincu (à tort !), voici tout ce qu'il faut savoir sur la MTPE pour rendre l'exercice moins ingrat.

• Impliquez l'humain en amont. Donnez vos consignes sur les passages clés avant la génération, et non après.
• Alimentez la mémoire avec des exemples réels. Traduisez manuellement quelques-uns de vos passages les plus ardus pour permettre au modèle de s'approprier votre style.
• Utilisez des modèles en cascade. Ébauche économique, critique rigoureuse, application rapide : cette approche surpasse un modèle unique, tant en qualité qu'en coût.
• Hiérarchisez vos contenus. Optez pour la MTPE par lots pour les volumes peu exposés, mais procédez par itérations dès que l'image de marque est en jeu.
• Verrouillez la terminologie en amont. Les règles de non-traduction et de termes interdits permettent de stopper à la source les erreurs les plus fréquentes et les plus préjudiciables.
• Surveillez les dérives de localisation et de registre. Les variantes régionales, le niveau de langue et la cohérence des pronoms sont ce qui distingue un rendu naturel d'une traduction de comité.
• Redoublez de rigueur face aux textes fluides. Plus la TA brute est fluide, plus ses omissions sont difficiles à déceler.

---

La MTPE ne va pas disparaître, et pour une grande partie des contenus, c'est l'outil idéal. Mais le flux de travail « traitement par lots puis correction » est une erreur de parcours dans l'histoire des technologies de traduction.

Le problème est simple à résoudre sur le plan conceptuel. Impliquez l'humain en amont, enrichissez le contexte avec des exemples réels et de la mémoire, laissez des modèles économiques préparer l'ébauche et des modèles puissants la critiquer : vous obtiendrez une meilleure traduction à moindre coût. C'est précisément le résultat qui profiterait tant aux agences qu'aux traducteurs.

Si vous voulez découvrir par vous-même cette boucle privilégiant l'humain en amont, commencez par un document ; le forfait gratuit permet de réaliser une première traduction sans carte bancaire.

Si vous préférez d'abord poser vos questions, interrogez Literess ou retrouvez-moi sur le canal par lequel ce guide vous est parvenu.