Post-editing della traduzione automatica (MTPE): cos'è, come funziona e come farlo meglio

Sono diventato un ingegnere IA in parte nel tentativo di tradurre il mio romanzo. È stato allora che mi sono imbattuto in quello che chiunque lavori nella localizzazione conosce già sotto un altro nome: fai passare il testo in una macchina e poi un essere umano lo sistema. Formalmente si definisce post-editing della traduzione automatica, o MTPE, ed è la modalità prevalente con cui vengono realizzate le traduzioni professionali nel 2026.

Sulla carta, sembra un'ottima idea. Tuttavia, nell'era degli LLM più evoluti, il modo in cui viene solitamente applicato è ormai superato. Far tradurre tutto a una macchina per poi far ripulire l'intero testo a un umano significa impiegare tempo umano e risorse computazionali nell'ordine sbagliato.

Proprio lì sotto si nasconde un workflow migliore e più economico.

Questa guida affronta entrambi i temi. Prima di tutto, vedremo la versione onesta di cosa sia l'MTPE e di come funzioni, perché è fondamentale conoscere l'approccio tradizionale a norma ISO per farsi assumere o per vendere il proprio SaaS B2B. Poi spiegherò dove il classico modello batch mostra la corda e come fare di meglio, coinvolgendo l'intervento umano più a monte.

Cos'è il post-editing della traduzione automatica (MTPE)?

L'MTPE, indicato anche come PEMT (post-edited machine translation), è un processo in tre fasi:

1. Traduzione automatica (MT). Un motore di traduzione automatica o un modello linguistico di grandi dimensioni produce una prima bozza di traduzione del testo sorgente. Questa bozza è definita MT grezza.
2. Post-editing (PE). Un linguista confronta l'MT grezza con il testo originale e la revisiona, correggendo gli errori, applicando la terminologia e adattando il tono fino a raggiungere il livello di qualità richiesto.
3. Controllo qualità. Un'ultima verifica della coerenza e della formattazione, per individuare gli errori che possono facilmente sfuggire a una prima lettura.

Per come viene solitamente gestito, si tratta di un passaggio di consegne in blocco: la macchina traduce l'intero documento, poi un umano lo revisiona da cima a fondo. Tenete a mente questo schema; è proprio l'aspetto che metterò in discussione più avanti.

L'MTPE esiste perché, per la maggior parte dei contenuti, scegliere uno dei due estremi — "tradurre tutto a mano" o "usare solo la macchina" — è la mossa sbagliata.

La traduzione umana "da zero" è lenta e costosa su larga scala. L'MT grezza è rapida ed economica, ma un'MT di buon livello esiste da meno di un decennio, mentre alcune forme di traduzione automatica hanno ormai decenni alle spalle. Inoltre, persino con i migliori LLM e workflow, il rischio di accettarne l'output alla cieca è troppo elevato, mentre la capacità umana di tradurre splendidamente è di gran lunga superiore.

L'MTPE rappresenta quindi la via di mezzo pragmatica: lasciare alla macchina il 70% del lavoro meccanico e riservare l'attenzione umana a quel 30% che determina l'affidabilità della traduzione.

(Questo, almeno, è l'auspicio di agenzie e aziende. Nella realtà, i traduttori finiscono spesso per impegnarsi di più per garantire un risultato di qualità — senza ricevere un compenso maggiore — oppure per non impegnarsi affatto, producendo risultati mediocri.)

Ciononostante, negli anni 2020 una qualche forma di MTPE rappresenta ormai lo standard nel settore della traduzione.

Post-editing leggero vs. completo: i due livelli

TL;DR: nella realtà questa distinzione non esiste davvero, ma il settore impone di conoscere questa dicotomia.

Il "post-editing" non è un'attività univoca. La decisione più importante in un progetto di MTPE è stabilire a quale livello intervenire, perché da questo dipende il tempo richiesto per ogni segmento e cosa sia consentito lasciare invariato.

L'errore commesso dai team è quello di editare tutto puntando alla massima qualità per abitudine (inclusi i contenuti a bassa visibilità dove un editing leggero sarebbe bastato), vanificando il risparmio di tempo che l'MTPE avrebbe dovuto garantire. Spesso la colpa non è solo dei traduttori, ma anche dei revisori e dei manager che fissano aspettative troppo alte per il post-editing leggero.

L'errore opposto è ancora peggiore: applicare un editing leggero a una landing page e pubblicare testi che suonano quasi bene, ma che minano la fiducia degli utenti. È quello che succede con la maggior parte delle traduzioni effettuate con Claude Code: molti segnalano che i tassi di conversione delle proprie app sono crollati dopo aver lanciato localizzazioni in MT integrale o MTPE leggero.

Nella realtà, i confini sono sfumati e l'MTPE vera e propria si colloca a metà strada. A seconda della piattaforma o dell'agenzia, il livello di impegno richiesto viene stabilito arbitrariamente o in base al progetto. Esistono poi numerosi flussi di lavoro e prassi interne, con tanto di report di controllo qualità e catene di approvazione.

Questa ambiguità di fondo è proprio ciò che spinge molti traduttori a detestare l'MTPE. Non offre la soddisfazione di un lavoro fatto a regola d'arte, eppure la qualità non viene premiata economicamente.

Perché la traduzione automatica grezza ha ancora bisogno dell'uomo

L'obiezione più scontata nel 2026 è questa: gli LLM moderni sono fluidi. La traduzione automatica grezza non è ormai sufficiente?

La fluidità è proprio la trappola. La vecchia traduzione automatica generava risultati palesemente sgangherati, quindi nessuno si fidava senza una revisione. I modelli moderni producono invece testi che si leggono a meraviglia, infondendo in lettori e revisori un falso senso di sicurezza.

Quel che è peggio, l'output può preservare il significato ma avere uno stile che puzza di IA. Questo svilisce l'immagine complessiva del brand e, sebbene sia un problema facilmente risolvibile, molti cadono proprio in questa trappola.

Claude ha insistito perché includessi questo:

• Danni d'immagine. I motori di traduzione non hanno la sensibilità di un linguista per le sfumature culturali o per ciò che è appropriato o inopportuno dire in un determinato mercato. Una formulazione neutra nella lingua originale può risultare goffa, presuntuosa o offensiva nella traduzione, o semplicemente strana; sono proprio queste "spie dell'IA" ad allontanare le persone.
• Clienti disinformati. Persino il modello meglio addestrato può omettere silenziosamente una frase o aggiungere una parola non presente nel testo di partenza. In un paragrafo fluido e convincente, un'omissione accidentale o una deriva fattuale sono difficili da individuare, ma possono avere conseguenze reali in ambito legale, medico o finanziario. Anche in questo caso, il problema è tecnicamente risolvibile (la funzione Smart Proofread esiste proprio per intercettare queste omissioni), eppure accade continuamente.
• Indebolimento del brand. L'output grezzo degli LLM raramente riflette la voce e la terminologia specifiche di un marchio. Se il nome di un prodotto o una frase distintiva vengono resi in una dozzina di modi diversi all'interno di un sito, smettono di essere riconoscibili e l'immagine pubblica del brand si fa ogni volta più sfocata. È possibile rimediare tramite guide di stile e glossari, ma i vecchi flussi di traduzione automatica non li gestiscono molto bene.

L'intervento umano non è quindi facoltativo, perlomeno non quando il testo deve fare il suo lavoro: convertire i clienti o avere valore legale. La vera questione, a cui i flussi di lavoro standard non sanno dare una risposta adeguata, è stabilire quando debba intervenire l'uomo.

Cosa rende davvero difficile l'MTPE: i quattro veri colli di bottiglia

All'atto pratico, i post-editor non vengono messi in crisi da virgolette o formati di data: quelle sono semplici regole di QA. La vera sfida consiste nel valutare un output ingannevolmente fluido, stabilire il livello di intervento necessario per ogni segmento e farlo seguendo un modello commerciale che presuppone che ogni bozza automatica faccia risparmiare la stessa quantità di tempo.

Le ricerche sullo sforzo di post-editing suddividono il lavoro in tre dimensioni: cognitiva, tecnica e temporale. Questi aspetti non procedono di pari passo: una frase può richiedere appena due battute ma diversi minuti di verifica, mentre un'altra può necessitare di una riscrittura completa la cui soluzione è però immediata.

I colli di bottiglia ricorrenti sono i seguenti.

1. Individuare errori che sembrano corretti ma richiedono contesto per essere risolti. La MT moderna può produrre testi d'arrivo impeccabili pur omettendo una frase, alterando il significato o scegliendo un termine plausibile ma errato. La fluidità del testo elimina i segnali d'allarme, costringendo il revisore a controllare costantemente la fonte, il contesto del documento e i fatti reali. Tutto ciò richiede tempo e fatica. Le ricerche dimostrano costantemente che gli errori di traduzione, i problemi di coerenza e gli errori strutturali sono tra i principali fattori che determinano lo sforzo di post-editing.
2. Decidere se accettare, correggere o ritradurre. Ogni segmento richiede una sorta di triage: mantenerlo così com'è, apportare una correzione minima, riscriverlo oppure scartare la versione automatica e tradurre da zero. Istruzioni vaghe sulla distinzione tra post-editing "light" e "full" complicano ulteriormente questa decisione. I revisori finiscono per sottoporre il testo a un editing insufficiente per assecondare il principio del "cambiare il meno possibile", oppure per fare over-editing perché i loro standard qualitativi professionali sono più alti di quanto richiesto dal brief.
3. Svincolarsi dall'impostazione della macchina. I post-editor non si trovano davanti a una pagina bianca. Leggono prima una proposta di traduzione, e quella risposta ne condiziona il lessico, la sintassi e l'interpretazione. Gli studi sui flussi di lavoro professionali hanno riscontrato effetti di priming: errori e scelte stilistiche goffe della MT possono sopravvivere nel testo finale o influenzare la correzione stessa. Più la frase suona bene, più è difficile accorgersi che la sua impostazione di fondo è errata. Questo accade con particolare frequenza quando la traduzione automatica è affidata agli LLM.
4. Lavorare sulla base di falsi presupposti di produttività. Spesso le tariffe dell'MTPE vengono stabilite partendo dal presupposto che l'output automatico riduca lo sforzo umano in modo prevedibile. Ma non è così. La difficoltà varia a seconda del segmento, della combinazione linguistica, del settore e del tipo di errore, mentre una tariffazione basata sulla velocità può scoraggiare la ricerca terminologica, anche quando i clienti continuano a pretendere la perfezione. È il traduttore a farsi carico della variabilità: i segmenti facili giustificano la tariffa ridotta, ma quelli difficili erodono silenziosamente ogni risparmio.

Formati, vincoli terminologici, segmenti bloccati e regole locali contano ancora, ma sono controlli che il flusso di lavoro dovrebbe imporre a monte, ad esempio tramite glossari, guide di stile o memorie di traduzione.

Il vero problema dell'MTPE risiede nel modo in cui viene impiegata la capacità di giudizio: individuare errori ingannevolmente fluidi, scegliere il giusto livello di intervento, resistere all'ancoraggio della macchina e fare tutto questo senza lasciare che sia il modello di tariffazione a dettare la qualità.

Ecco perché sono giunto presto alla conclusione che un flusso di lavoro interattivo con intervento umano anticipato abbia un impatto più positivo rispetto a una schermata di revisione a blocchi. Ma il settore non ci è già arrivato?

Come misurare la qualità dell'MTPE: BLEU e oltre

L'MTPE ha un problema di misurazione: la qualità è in parte soggettiva. La metrica automatica più nota del settore è il BLEU (Bilingual Evaluation Understudy), che confronta una traduzione automatica con una o più traduzioni umane di riferimento di alta qualità.

Funziona scomponendo l'output automatico in brevi sequenze di parole, solitamente da una a quattro, e misurando quante di esse compaiano anche nei testi di riferimento. Le corrispondenze ripetute vengono limitate per evitare che il sistema gonfi il punteggio ripetendo una parola corretta, mentre una penalità per la brevità riduce il risultato se la traduzione è sospettosamente corta.

Il BLEU combina queste misure di sovrapposizione in un punteggio tra 0 e 1, solitamente espresso in una scala da 0 a 100. Un valore più alto indica una formulazione più vicina ai testi di riferimento, non necessariamente un significato migliore.

A mio parere, nel 2026 non è più una metrica davvero utile, ed ecco perché:

I punteggi BLEU sono comparabili in modo significativo solo quando i motori vengono testati sullo stesso dataset con le stesse impostazioni di calcolo; non esiste quindi una soglia universale per cui "50 è buono, 10 è scarso". Il loro valore pratico risiede nei confronti controllati di tipo "prima e dopo".

In un caso di studio TAUS, l'addestramento su 172.980 segmenti francese-tedesco in un ambito legale circoscritto ha fruttato 7,23 punti BLEU in più, con un miglioramento relativo del 19%. In un caso a parte relativo all'aviazione russo-inglese, una memoria di traduzione pulita da un milione di segmenti ha fatto salire Globalese da 23,6 a quasi 51 punti BLEU, un incremento relativo del 115,5%. L'entità del miglioramento varia sensibilmente a seconda del settore, della combinazione linguistica, del motore di base e della qualità dei dati, ma entrambi i casi dimostrano perché memorie di traduzione pertinenti e accuratamente ripulite possano superare i dati di addestramento generici.

Tuttavia, il BLEU è un punteggio di somiglianza, non di veridicità. Un errore di traduzione fluido e convincente può ottenere un punteggio alto, mentre una formulazione alternativa del tutto valida che semplicemente non coincide con il riferimento può essere penalizzata. Il BLEU fissa quindi la soglia minima (indica che la MT grezza è in condizioni accettabili), ma spetta comunque alla revisione umana stabilire se la traduzione sia corretta, in linea con il brand e pronta per la pubblicazione.

Sempre più spesso i team integrano queste metriche con la stima della qualità basata su LLM-as-judge, ma da sola questa pratica non ha molto senso.

Cosa non va nell'MTPE così come viene solitamente praticato

Qui finisce la descrizione e inizia l'argomentazione. La tesi è questa:

Una decisione presa a pagina 2 — mantenere il registro formale per questo personaggio, adattare questo gioco di parole citando un politico locale, non latinizzare quel toponimo — può essere reintrodotta nel sistema per rigenerare il resto del documento.

Gli esempi e il multi-shot prompting fanno miracoli per gli LLM anche senza un'ingegneria del contesto avanzata, persino quando il contesto non coincide al 100%. L'inserimento di esempi di genere pertinenti, anche in *un'altra *lingua, ha prodotto miglioramenti significativi nei benchmark interni di Transept.

Eseguire prima un'intera passata automatica significa sprecare crediti di calcolo per generare pagine che il traduttore scarterà in parte, per poi consumare tempo umano nel tentativo di plasmare un output asettico.

Inoltre, il modello è molto più veloce dell'essere umano. Non serve che tutte le 10.000 parole siano già in bozza prima che il traduttore inizi a lavorare.

Un flusso di lavoro MTPE migliore consiste nel generare le prime duemila parole, lasciare che il traduttore prenda le decisioni chiave e poi proseguire integrando tali decisioni e la memoria di traduzione nel contesto, mentre il traduttore è ancora a pagina cinque. Nei test di Transept, persino dei brevi *commenti *sul testo sorgente non ancora tradotto che delineavano l'orientamento generale del traduttore hanno migliorato in modo misurabile l'output successivo.

Le pagine successive arrivano già plasmate dalle decisioni precedenti, anziché presentarsi come un blocco uniforme di robaccia da sistemare.

Tutto ciò non significa che l'MTPE sia sbagliato. Per i grandi volumi a bassa visibilità, una passata integrale seguita da una revisione leggera è la scelta più efficiente, per quanto non sia il lavoro più appagante.

Ma quando il contenuto conta davvero, il modello a blocchi finisce per sacrificare qualità e denaro. E lo fa perché l'approccio iterativo sembra più costoso nel breve termine.

Di solito non lo è.

Un modo migliore: coinvolgere l'essere umano fin dall'inizio

Tutto quanto detto finora punta nella stessa direzione: integrare il giudizio umano nel sistema prima che la macchina generi una bozza completa, lasciando che la memoria porti avanti queste decisioni. Quattro accorgimenti pratici fanno gran parte del lavoro.

Agite prima come editor, poi come traduttori. Prima di generare qualsiasi cosa, leggete il testo sorgente e lasciate note decise sui passaggi chiave: questa battuta deve restare; questo termine è fondamentale; qui possiamo scostarci dall'originale per preservarne il senso. Poi, generate una bozza basata su quelle note e sulla vostra memoria.

Fare post-editing su una bozza che già riflette le vostre intenzioni è molto meno faticoso che rifinire un testo asettico. Lo dico per esperienza personale, avendo fatto entrambe le cose con il mio libro, moltissime volte.

Alimentate la memoria con i vostri lavori migliori (se la vostra MT è in grado di usarli). La memoria di traduzione è sottovalutata quando si parla di IA. Per un passaggio difficile o una combinazione linguistica ostica, traducete manualmente alcuni frammenti e inseriteli nel sistema; il modello coglie il tono e il registro da esempi reali meglio di quanto farebbe con qualsiasi mole di istruzioni.

La TM da sola può tenere insieme lo stile di un testo lungo. Individuare il giusto esempio pregresso (tra ricerca semantica e fuzzy) è un'arte a sé, ma produrne uno di qualità è ancora più difficile. Serve inoltre una direzione umana, perché esistono troppi modi statisticamente validi per rendere una frase, e solo tu sai quale ti appartenga veramente.

Tuttavia, non tutti gli strumenti sono in grado di usare la TM per generare una prosa di qualità. In Transept abbiamo condotto ricerche approfondite (descritte nel nostro saggio sulla memoria di traduzione per la localizzazione tramite IA) per assicurarci che i segmenti approvati dall'uomo, insieme al contesto e alla cronologia di lavoro che li accompagna, migliorino la traduzione degli LLM.

Usate più modelli in sequenza, non uno solo di grandi dimensioni. Un risultato è emerso con costanza sia dalla ricerca accademica che da quella interna: una cascata di ruoli IA supera una singola passata con un modello potente, garantendo al contempo qualità superiore e costi inferiori.

Generate una bozza con un modello economico e veloce. Chiedete a un modello potente di revisionarla e indicare i miglioramenti necessari. Infine, lasciate che sia un modello veloce ad applicare tali suggerimenti.

Si scopre che è più economico rispetto a chiedere al modello potente di fare tutto. Inoltre, solitamente è migliore. Per me è stata una vera sorpresa: non riuscivo a credere che una combinazione di modelli forti e deboli potesse produrre risultati migliori di quelli di un unico grande modello potente da solo.

Ma funziona. La mia ipotesi è che valutare e generare siano compiti e schemi di attivazione differenti. Separarli permette di valorizzare i punti di forza di ciascun modello e alleggerisce il «carico cognitivo», aiutando a concentrare meglio gli sforzi.

In sostanza, questa è la spina dorsale dell'intero paradigma multi-agente, in cui il modello può correggere i propri errori se istanziato con impostazioni e compiti diversi.

Configurate l'infrastruttura come si deve. Le vere prestazioni si ottengono tramite API, non con le app di chat, i cui lunghi prompt di sistema e le sovrastrutture del prodotto finiscono per intralciare il lavoro.

Spesso i traduttori sottovalutano l'output degli LLM perché è "cucinato" male: proprio come un trancio di tonno con salsa di soia scura e sesamo non ha nulla a che vedere con quel pesce in scatola insapore che siete abituati a chiamare tonno.

Gestite l'input in modo che sia pulito e ottimizzato per la cache, così da abbattere costi e latenza. Testate la capacità del modello di gestire contesto extra (TM, decisioni, guide di stile), poi saturatelo finché i benchmark non iniziano a calare. Servono benchmark solidi, in diverse lingue, per capire se state davvero indirizzando l'LLM nel modo giusto.

Noi di Transept abbiamo dedicato tre anni alla ricerca e alla sperimentazione sui nostri stessi testi per arrivare a queste conclusioni.

Lo strumento che avrei voluto avere mentre traducevo il mio romanzo: la risposta di Transept all'MTPE

Un traduttore rigoroso con un background tecnico può ricreare questo workflow usando le API dei modelli, una memoria di traduzione e molta pazienza. Tuttavia, serve molta ricerca per far sì che l'MTPE con intervento umano funzioni *a meraviglia, *portando al contempo soddisfazione e ottimi risultati.

Abbiamo creato Transept perché mettere insieme tutti questi pezzi manualmente era proprio la parte che più ci pesava mentre traducevamo i nostri testi lunghi.

Abbiamo trasformato la visione descritta sopra in un unico spazio di lavoro: indirizzate il modello fin dall'inizio, preservate le decisioni, eseguite passate specializzate e revisionate localmente.

Indirizzate il lavoro prima di generare. L'editor di documenti mantiene uniti testo sorgente, traduzione e contesto circostante. Un traduttore può commentare un blocco, rigenerare una singola frase fornendo un'indicazione, confrontare le alternative o modificare a mano senza interferire con il resto. I commenti e i thread di revisione restano legati al testo, così un'istruzione come "mantieni la metafora" rimane una decisione tracciabile invece di sparire nella cronologia di una chat.

Persino le alternative che scartate vengono conservate: una formulazione respinta e la nota sul perché l'avete esclusa entrano a far parte di ciò che la passata successiva può riutilizzare. Scoprite le varianti di traduzione e come la memoria di traduzione tratti le decisioni passate come contesto.

Trasformate le decisioni in memoria. La memoria di traduzione di Transept reinserisce le traduzioni approvate e il loro contesto decisionale nei lavori successivi. I glossari fissano nomi, termini di prodotto e rese predefinite; le guide di stile trasmettono tono, registro, ritmo e convenzioni. Entrambi possono essere generati automaticamente dai vostri lavori precedenti più affidabili o dai materiali del brand del cliente, per poi essere revisionati prima di essere usati dall'IA.

Separate le passate. Invece di chiedere a un unico modello di tradurre, giudicare e rifinire in un solo tentativo, Transept può mettere in sequenza questi compiti. Lo Smart Proofread rilegge la traduzione confrontandola con il sorgente, il glossario e la guida di stile, evidenziando omissioni, derive terminologiche e incongruenze di registro come correzioni da revisionare.

Offriamo inoltre workflow come Traduci, revisiona e rifinisci, che integrano traduzione, revisione, rifinitura e QA quando l'orchestrazione conta più del controllo manuale. E funziona perfettamente anche per gestire più versioni linguistiche dello stesso documento!

Per i documenti lunghi, abbiamo anche sviluppato un sistema che permette a più agenti di collaborare allo stesso documento. Condividono e aggiornano guide di stile e glossari, e dispongono di una speciale memoria a gradiente per sincronizzare le proprie decisioni.

Revisione locale, scalabilità globale. Il post-editing avviene a livello di blocco o di frase: confrontate le varianti, rigenerate una riga, accettate una correzione suggerita o riscrivetela voi stessi. Literess può aiutarvi a gestire il workflow e a segnalare eventuali derive, mentre la traduzione in batch applica contesto condiviso, glossari, guide di stile e QA su più file contemporaneamente, senza trasformare il progetto in un foglio di calcolo.

E se le passate predefinite non seguono la sequenza desiderata, potete creare il vostro workflow passo dopo passo: scegliete le fasi, impostate dei punti di revisione per ciascuna e avviate il processo visualizzando prima il costo previsto.

Sono sinceramente orgoglioso del lavoro che abbiamo svolto in Transept. Queste funzionalità aiutano a massimizzare l'impatto del prezioso tempo e talento umano sul funzionamento degli LLM.

Mi sorprende ancora che solo pochi traduttori professionisti ritenessero possibile tutto questo. Tecnicamente, costruire un workflow di MTPE interattivo era fattibile già nel 2023, e siamo ancora solo all'inizio.

Best practice per l'MTPE: una checklist

Anche se Transept non vi ha convinto (a torto), ecco un elenco di tutto quello che c'è da imparare sull'MTPE e su come renderlo un'attività meno logorante.

• Coinvolgete l'elemento umano fin da subito. Fornite indicazioni sui passaggi cruciali prima di generare, non dopo.
• Alimentate la memoria con esempi reali. Traducete manualmente i frammenti più complessi e lasciate che il modello ne apprenda lo stile.
• Mettete i modelli in cascata. Bozza economica, revisione rigorosa, applicazione rapida. Batte un unico grande modello per qualità e costi.
• Suddividete i contenuti in livelli. MTPE in batch per i grandi volumi a bassa visibilità; iterate dove l'immagine del brand è in gioco.
• Imponete la terminologia a monte. Le regole «do-not-translate» e sui termini vietati bloccano alla radice gli errori più comuni e dannosi.
• Attenzione alla variante locale e alla deriva di registro. La coerenza tra varianti regionali, formalità e pronomi è ciò che distingue una traduzione naturale da una che sembra fatta a tavolino.
• Eseguite il QA sui testi fluidi con più rigore, non meno. Più la MT grezza appare scorrevole, più è facile che le omissioni sfuggano.

---

L'MTPE non è destinato a sparire e, per una gran quantità di contenuti, è lo strumento adatto. Tuttavia, il workflow basato sul "prima il batch, poi la correzione" rappresenta una direzione sbagliata nella storia della tecnologia della traduzione.

La soluzione è concettualmente semplice. Coinvolgete l'elemento umano fin dall'inizio, alimentate il contesto con esempi reali e memoria, lasciate che i modelli economici preparino la bozza mentre quelli più potenti la analizzano: otterrete traduzioni migliori a costi inferiori. È esattamente il risultato che gioverebbe sia alle agenzie che ai traduttori.

Se volete toccare con mano il loop con intervento umano anticipato, iniziate da un documento; il piano Free include la prima traduzione senza bisogno di carta di credito.

Se invece preferite prima fare qualche domanda, rivolgetevi a Literess o cercatemi ovunque abbiate ricevuto questa guida.