Ce que Google Translate nous apprend sur le vibecoding

• Ces derniers temps, les affirmations selon lesquelles l’IA remplacera le métier de programmeur se multiplient, tout comme les réfutations de cette idée
• À travers le cas de l’évolution de Google Translate, l’article met en lumière l’impact réel et les limites des outils d’automatisation
• La demande d’emplois pour les traducteurs et interprètes est au contraire en hausse
• La traduction automatique ne parvient pas à traiter le contexte culturel, l’ambiguïté et les nuances fines
• Il souligne aussi que la programmation exige un travail créatif et d’abstraction comparable à celui de la traduction

---

Ce que Google Translate nous apprend sur le vibecoding

Le débat récent sur l’IA et les métiers de la programmation

• Récemment, les prédictions selon lesquelles les grands modèles de langage (LLM) remplaceront les programmeurs se multiplient, tout comme les contre-arguments affirmant le contraire
• Certains soutiennent que, puisqu’ils ont créé de petits outils avec des LLM, tous les programmeurs seront bientôt au chômage
• À l’inverse, d’autres voix rejettent totalement l’utilité de ces outils
• Face à cette polarisation des opinions, l’article insiste sur la nécessité d’un regard plus nuancé

Les progrès de la traduction automatique et leur impact réel

• Google Translate a connu de grands progrès depuis l’introduction de la traduction automatique neuronale (NMT) en 2016
• Beaucoup ont prédit que les technologies de traduction par IA feraient disparaître les métiers de traducteur et d’interprète
• En réalité, une grande partie de ceux qui avancent cette idée n’ont jamais fait l’expérience du travail de traduction ou d’interprétation
• L’utilité de la traduction automatique est reconnue, mais les affirmations du type « il n’y a plus besoin d’interprétation » reposent sur une mauvaise compréhension de la nature réelle du travail de traduction

La différence entre traducteurs humains et traduction automatique

• Le travail réel des traducteurs et interprètes ne consiste pas seulement à remplacer des mots et de la grammaire, mais met l’accent sur la compréhension du contexte, la résolution des ambiguïtés et la sensibilité culturelle
• Par exemple, même le norvégien, pourtant proche de l’anglais, comporte des différences culturelles — notamment dans les façons d’exprimer la politesse — qui empêchent la traduction automatique de restituer les subtilités du sens
  • En norvégien, « Jeg vil ha potetene » (« je veux les pommes de terre ») peut paraître impoli en traduction littérale anglaise, alors qu’en conversation réelle, une reformulation adaptée au contexte est nécessaire
  • Google Translate ne sait pas gérer ce type de nuance subtile
• Dans la pratique, s’appuyer uniquement sur la traduction automatique dans les conversations du quotidien ou les situations officielles peut provoquer des malentendus
• Pour des langues comme le japonais, dont la grammaire et le contexte diffèrent fortement, la traduction automatique peut transmettre un sens erroné ou produire des phrases grammaticalement incorrectes

Les usages réels de la traduction automatique

• Cela ne signifie pas que Google Translate est un mauvais outil
• L’article explique qu’il peut être utile, par exemple, lorsqu’une personne connaît déjà le contexte linguistique et culturel et souhaite affiner une formulation
• Un cas typique est : « je sais déjà ce que je veux dire, mais je voudrais voir une formulation plus naturelle »
• Les traducteurs humains intègrent eux aussi l’IA dans leur workflow
• Le rôle de l’expert humain consiste à évaluer le résultat proposé par l’IA et à l’ajuster en fonction du contexte et de l’objectif

Les similitudes entre programmation et traduction

• Les programmeurs sont, au fond, eux aussi des “traducteurs” : ils transforment des demandes humaines ambiguës et complexes en un langage absolu que l’ordinateur peut comprendre
• La programmation est un travail créatif qui consiste à convertir l’ambiguïté et le contexte culturel humains en un langage explicite pour la machine
• Les langages de programmation comportaient historiquement une forte couche d’abstraction, ce qui les rendait moins accessibles que la traduction automatique, mais les progrès récents des outils d’IA abaissent cette barrière à l’entrée
• Mais l’IA n’est pas encore au niveau où elle comprend totalement le contexte et la complexité au point de remplacer les humains

Perspectives d’avenir

• Un jour, l’IA pourra peut-être traiter aussi le contexte et l’ambiguïté, mais pour l’instant ses limites sont claires et il faudra encore du temps
• Le développement des outils d’IA est rapide, mais les enjeux éthiques et l’usage responsable de ces outils restent des questions essentielles

[GN⁺]

Avis sur Hacker News

• Partage d’un avis approuvant l’idée que le travail des traducteurs et interprètes implique la compréhension du contexte, la levée des ambiguïtés et la prise en compte des sensibilités culturelles, des domaines où Google Translate ne peut pas suivre. Mais avec des prompts adaptés, les LLM peuvent reproduire une bonne partie de ces fonctions de façon assez convaincante. En tant que personne ayant de l’expérience en traduction japonais-anglais, l’auteur souligne que les LLM sont bien plus compétents pour la traduction. Il a lui-même construit avec Claude Code un système combinant plusieurs LLM pour traduire : il demande d’abord à l’utilisateur ses préférences, comme l’objectif de la traduction, le niveau d’adaptation culturelle ou la présence de notes, puis envoie des prompts adaptés à trois modèles (OpenAI, Anthropic, Google), fusionne leurs versions en un premier brouillon, puis l’affine sur plusieurs tours. D’après de courts tests, le résultat est nettement supérieur à celui de chaque modèle pris séparément, bien meilleur que Google Translate, et atteint le niveau de traducteurs professionnels de très haut niveau. En revanche, l’interprétation, surtout en face à face, est un autre sujet, et pour la traduction généraliste où la personnalité et l’identité du traducteur humain comptent moins, il devient de plus en plus difficile pour les humains de rester compétitifs

  • Il mène des recherches approfondies sur la traduction par LLM dans son appli d’apprentissage nuenki.app. Il a créé un outil open source qui fait traduire un texte par plusieurs modèles de haut niveau, puis confie à un modèle jouant le rôle de « juge » la comparaison et la combinaison des traductions pour retenir la meilleure. On peut l’essayer ici, et les documents de recherche sont publiés ici
  • Après avoir entendu parler d’un système qui renvoie de façon répétée le texte à plusieurs modèles pour passer par des étapes de correction, révision et raffinement, quelqu’un a laissé un commentaire disant RIP à la consommation électrique mondiale
  • L’auteur dit avoir pris conscience, en vivant lui-même cette situation au Japon, de l’importance de fournir davantage de contexte lors de la traduction, de pouvoir poser des questions de suivi et de raisonner sur le texte. Il se pose chaque jour des questions sur des expressions japonaises dans des contextes précis ou sur la meilleure manière de formuler les choses selon le média. Il pense que ce type d’échange pourrait être davantage automatisé via des custom instructions
  • Parmi les problèmes de la traduction par LLM, il pointe le fait que si le sujet traduit est jugé contraire aux politiques d’usage, le modèle peut refuser la traduction, même si elle serait parfaitement appropriée dans le contexte. Par exemple, le simple fait d’aborder des thèmes religieux peut déjà déclencher des restrictions
  • Question sur la manière de traiter la traduction de textes trop longs pour une fenêtre de contexte classique. Si l’on découpe le texte en plusieurs morceaux, il faut inclure un résumé du contenu précédent dans chaque segment, mais le bon niveau de détail reste difficile à déterminer

• La traduction automatique est un outil utile, mais ne remplace pas complètement les professionnels spécialisés. Ce serait probablement pareil pour les assistants de codage IA, et il faudrait sans doute encore une grande rupture technologique avant que la crainte de voir les experts actuels totalement disparaître ne devienne réaliste. Pendant des années, on a prédit que l’IA en radiologie remplacerait complètement les humains, mais en pratique la demande en interprétation d’images a au contraire augmenté, et les gains d’efficacité dus à l’IA n’ont jamais réduit le besoin en personnel. Au contraire, la pénurie de radiologues s’est aggravée

  • Quand il a commencé à apprendre le japonais il y a 15 ans, Google Translate ne savait même pas traduire correctement des phrases élémentaires, alors qu’aujourd’hui il produit pour ses phrases complexes des résultats proches d’un natif. Après vérification avec des locuteurs natifs, le retour est : « imparfait, mais très bon et le sens est clair ». Son sentiment honnête est qu’en dehors de documents extrêmement sensibles comme les contrats juridiques, l’avenir des traducteurs professionnels paraît sombre
  • Mention d’un article du NYT sur l’IA en radiologie. La plupart des systèmes utilisent encore de petits CNN apparus avant le milieu des années 2010, et le grand public assimile « IA » à ChatGPT, alors qu’en réalité l’architecture sous-jacente est très ancienne. On ne sait pas encore jusqu’où les IA modernes comme les transformers amélioreront la radiologie, mais une progression des performances paraît presque certaine

• Le fait que le travail de traduction diffère de ce qu’on imagine fait penser au cas de la « localisation » dans les films Pixar. Exemple : dans la version japonaise, une scène où des enfants anglo-saxons n’aiment pas le brocoli à table a été remplacée par des haricots verts, que les enfants japonais n’aiment pas

  • Quelqu’un se demande si cet exemple de localisation des haricots verts est bien réel. Il trouve positif d’être exposé à d’autres cultures à travers les films étrangers et d’en apprendre les différences, et regrette qu’on efface cela par la localisation
  • Mème autour de « Brock’s jelly filled donuts » dans Pokémon (à l’origine des « onigiri », traduits en donuts dans la version américaine) lien connexe

• Beaucoup de points de l’article lui parlent, mais il souligne un regret. Par exemple, si l’on applique au développement logiciel l’argument selon lequel « même dans un monde sans Google Translate, peu de gens auraient appris le japonais ou payé un traducteur », on peut en conclure qu’une grande partie des utilisateurs d’« applis de mauvaise qualité créées avec l’IA » sont peut-être des gens qui, de toute façon, ne se seraient jamais intéressés au développement logiciel. Cela pourrait donc ne pas réduire massivement l’emploi des développeurs. Mais le développement logiciel a des caractéristiques fondamentalement différentes, liées à la taille des opportunités business, aux coûts, etc., si bien que l’IA pourrait bel et bien affecter la demande d’emplois chez les développeurs existants

  • À l’inverse, il pense aussi que la diffusion de l’IA pourrait créer de nouveaux emplois. Si les utilisateurs peuvent fabriquer eux-mêmes des logiciels, il y aura au contraire sans cesse du travail pour des experts chargés de polir le code et les systèmes, de les étendre et de les sécuriser ; il emploie la métaphore de la « parade d’éléphants »
  • Google Translate reste très utile pour les débutants, mais ne remplace pas le niveau d’un traducteur professionnel. Même avec un niveau élémentaire en japonais, il lui arrivait souvent de constater que le vrai sens n’apparaissait qu’en comprenant le contexte local, et il a l’impression que sur 15 ans, il y a surtout eu des gains de vitesse plutôt qu’un énorme bond qualitatif. La traduction OCR d’images en temps réel n’a pas été développée en interne, mais vient d’une appli rachetée (Magic Lens ?). Il pense que l’automatisation du codage fondée sur les LLM pourrait rester pendant une dizaine d’années dans un état « plutôt bon, mais toujours un peu insuffisant »
  • La raison la plus rationnelle pour laquelle les codeurs en poste se sentent menacés par l’IA est que la forte hausse de productivité peut réellement se traduire par une baisse du nombre d’emplois. Écrire du code n’est pas la finalité : ce qu’on veut, c’est un produit fini qui fonctionne. Donc même si la qualité baisse un peu, si moins de personnes suffisent, c’est bien là la différence essentielle
  • Avis selon lequel l’art généré par IA et la génération de code par IA sont fondamentalement différents. La finalité de l’art, c’est l’art lui-même, et les conventions culturelles ainsi que l’existence de l’artiste y sont centrales, alors qu’en développement logiciel, le code n’est pas le but en soi : le but est d’obtenir le résultat voulu, l’application. En ce sens, le besoin d’humains peut réellement diminuer. Cela est comparé à la différence entre l’évolution du rôle du peintre après l’invention de la photographie et celle de l’employé d’ascenseur remplacé par un bouton
  • Regard sceptique sur le marketing « IA », par exemple les publicités pour des générateurs de sites web par IA

• Sans base statistique précise, il dit que ses amis traducteurs autour de lui ont réellement le sentiment que le travail disparaît presque complètement, et que cette tendance s’est brutalement accélérée depuis l’arrivée des LLM. Les forums de traducteurs, les groupes Facebook et ce fil Reddit débordent tous de réactions pessimistes. Les résultats des professionnels restent nettement meilleurs, mais à l’exception de quelques travaux sensibles, l’essentiel du marché a de fait disparu. Il confie qu’il lui serait difficile de recommander une carrière de traducteur à ses enfants

  • Même des équipes de traduction professionnelles constatent qu’avec les LLM, une seule personne peut désormais absorber le travail de plusieurs, avec un saut qualitatif sans commune mesure avec la traduction automatique d’autrefois. Avec un seul réviseur, il est possible de peaufiner le ton et le dialecte des résultats produits par les LLM, qui sont déjà très solides

• Il est souligné qu’en traduction, qu’elle soit humaine ou automatique, il est difficile de vérifier soi-même si le résultat est correct. Au final, il faut soit faire confiance aveuglément au résultat, soit choisir à qui faire davantage confiance, à l’humain ou à la machine, et en général on fait plus confiance à l’humain. Mais il lui est aussi arrivé qu’un traducteur fasse un travail bâclé et qu’un tiers le lui signale ensuite. Pour lui, c’est pareil avec le vibe coding : l’utilisateur a du mal à juger si le résultat est juste ou non, ce qui rend au final une expertise vérifiable nécessaire

  • Si l’on fait moins confiance à la machine, c’est aussi parce qu’on a moins conscience de sa précision. Psychologiquement, pour un calcul net comme une multiplication, on fera plus facilement confiance à une calculatrice qu’à un mathématicien
  • Comme moyen de vérifier une traduction automatique, on peut tenter une « traduction circulaire » (A->B->A) ; ce n’est pas parfait, mais cela donne une confiance assez élevée
  • On peut aussi tirer un certain indicateur de justesse du fait qu’il est possible de « faire tourner » le résultat : exécuter du code si c’est du code, ou appliquer la traduction à son contexte réel si c’est une traduction

• Après avoir cité l’idée qu’il n’est pas impossible qu’une future IA traite le contexte et l’ambiguïté comme un humain, quelqu’un dit avoir malgré tout le sentiment que, même avec des progrès majeurs de l’IA, il sera difficile de remplacer la maîtrise acquise par un développeur vétéran ayant résolu de nombreuses pannes de service à 2 heures du matin. Que le vibe coder aide à créer une bonne dynamique est bienvenu, mais il ne pourra pas, seul, refactorer une énorme base de code legacy

• Concernant le travail réel des traducteurs, de nombreux aspects exigent une finesse profondément humaine : la traduction d’expressions idiomatiques, l’explication de références culturelles (art, histoire, nourriture, etc.), l’interprétation et la transposition de valeurs culturelles propres à chaque pays (liberté, passion, résilience, etc.) selon le contexte, l’adaptation du ton pour le doublage afin qu’il colle au mouvement des lèvres des acteurs, ou encore la création d’une prose élégante. Il juge difficile pour les LLM de s’attaquer directement à ces domaines

• Retour sur les limites et la dégradation de qualité de Google Translate, en particulier le fait que la fonction de traduction de Chrome confonde parfois le chinois traditionnel avec le japonais, une erreur jugée grave. Cela fonctionnait bien avant, mais récemment le service semble avoir régressé sans changement particulier, ce qui suscite de la frustration. Le plus agaçant est qu’aucun moyen n’est offert aux utilisateurs pour corriger eux-mêmes ces erreurs

  • Selon un autre avis, le problème ne vient pas de Google Translate lui-même, mais du modèle local de détection de langue utilisé par Chrome avant la traduction. Des informations sont données sur ce modèle local CLD3
  • Certains soutiennent qu’il faudrait distinguer et gérer séparément les jeux de caractères propres à chaque langue dans Unicode. Dans la structure actuelle, les LLM semblent se troubler lorsqu’ils apprennent simultanément le chinois et le japonais. Les structures grammaticales sont en plus inversées, et les relations de modification diffèrent, ce qui accentue la confusion
  • Conclusion : dès qu’un LLM suffisamment rapide, bon marché et d’une qualité correcte arrivera, l’ancien moteur de Google Translate sera remplacé. À leur avis, personne n’a probablement consacré ne serait-ce qu’une heure au moteur de traduction au cours de l’année écoulée

• Partage aussi d’une anecdote née d’un échec de traduction automatique : un cas amusant d’accident de traduction raconté sur OSNews