Les modèles de langue et la traduction : ce qui a réellement changé

Deux façons d’apprendre à traduire

Un moteur de traduction neuronale classique est entraîné sur des corpus parallèles : des millions de phrases dans une langue, alignées avec leur traduction. Il apprend une correspondance. Toute son architecture est organisée autour de cette tâche unique, et son objectif d’entraînement le récompense pour produire une cible fidèle à une source.

Un grand modèle de langue apprend tout autre chose : à prédire la suite d’une séquence de texte, sur un corpus qui n’est pas spécifiquement parallèle. La traduction y apparaît comme un cas particulier parmi des milliers d’autres — résumer, expliquer, reformuler, coder, argumenter. Rien dans son objectif d’entraînement ne le récompense explicitement pour la fidélité.

Cette différence n’est pas théorique. Elle explique presque tout ce qui suit.

Ce que le changement apporte réellement

Le contexte, enfin

Le progrès le plus tangible tient à la fenêtre de contexte. Un moteur qui traite les phrases une à une ne peut pas savoir que le « it » de la phrase 12 renvoie au dispositif mentionné à la phrase 3, ni que « Solutions » est ici un nom de produit et non un nom commun.

Les systèmes actuels traitent des documents entiers. Les conséquences sont mesurables : la dérive terminologique à l’intérieur d’un même document — le même terme rendu de trois façons en dix pages — a nettement reculé. Les références croisées, les pronoms de reprise et les ellipses sont mieux résolus. Sur des textes structurés longs, c’est l’amélioration la plus visible des dix dernières années.

L’obéissance aux instructions

On peut dire à un modèle de langue, en français ordinaire, de vouvoyer, de conserver les anglicismes du secteur, de ne jamais traduire les noms de menus, de préférer une formulation active. Il obéit, imparfaitement mais utilement.

C’est en pratique le changement le plus exploitable. Là où adapter un moteur spécialisé supposait un réentraînement — coûteux, lent, figé — un guide de style devient une consigne modifiable en une minute. Combiné à l’injection de terminologie, ce mécanisme donne un contrôle qui n’existait pas.

La justification

Un modèle peut expliquer pourquoi il a choisi une formulation, signaler qu’un passage est ambigu, proposer deux variantes avec leurs implications. Cette capacité change la nature de la révision : le réviseur ne découvre plus seulement un résultat, il peut interroger une décision.

Ce que le changement coûte

L’écart silencieux

C’est le risque central, et il est structurel. Un modèle entraîné à produire une continuation plausible peut, face à une difficulté, ajouter une précision absente, omettre une subordonnée gênante, ou déplacer un degré de certitude — « peut entraîner » devenant « entraîne ».

Ces écarts ne se signalent pas. Le texte produit est fluide, cohérent, convaincant. Un moteur spécialisé, plus littéral, produisait dans les mêmes situations une phrase maladroite qui alertait le relecteur. La maladresse était un signal ; sa disparition est une perte.

C’est pourquoi la fluidité a cessé d’être un indicateur de qualité. Elle est devenue, paradoxalement, un facteur de risque.

L’instabilité

Un moteur spécialisé donne la même sortie pour la même entrée. Un modèle génératif, non — et les modèles évoluent, sans que leur comportement de traduction soit nécessairement testé avant mise à jour. Un glossaire respecté en janvier peut ne plus l’être en avril sans qu’aucune annonce ne le signale.

En production, cela impose un suivi continu de la qualité par combinaison et par système. C’est une charge nouvelle, rarement anticipée dans les projets d’automatisation.

Le lissage

Les modèles convergent vers une moyenne stylistique agréable. Sur de la documentation technique, c’est sans conséquence, voire souhaitable. Sur un texte de marque, un éditorial ou une accroche publicitaire, cette tendance détruit précisément ce qui avait de la valeur : l’écart, le rythme, le parti pris.

Ce qu’il faut en conclure pour une chaîne de production

Le raisonnement utile ne consiste pas à choisir un camp. Il consiste à reconnaître que les deux familles de systèmes ont des profils d’erreur différents, et à en tirer des conséquences opérationnelles.

Sur du contenu court, répétitif, à terminologie stricte, un moteur spécialisé reste souvent préférable : prévisible, rapide, peu coûteux, et ses erreurs sont du type que les contrôles automatiques détectent bien.

Sur du contenu long, contextuel, à registre variable, un modèle de langue prend l’avantage — à condition que le dispositif de contrôle change lui aussi. Relire une sortie de modèle génératif comme on relisait une sortie de moteur spécialisé, c’est chercher les erreurs là où elles ne sont plus.

Concrètement, cela signifie déplacer l’effort de la correction stylistique vers la vérification de correspondance : les nombres sont-ils tous là, les entités nommées sont-elles intactes, le rapport de longueur source/cible est-il plausible, les négations ont-elles survécu. Ce sont des contrôles largement automatisables, et ce sont eux qui attrapent les erreurs qui coûtent cher.