Rethinking Higher Education/es/Chapter 4
El fin de la traducción: cómo la IA transforma la comunicación intercultural en la educación
Martin Woesler
Universidad Normal de Hunan
Resumen
El auge de la traducción automática neuronal (TAN) y la IA generativa ha alterado fundamentalmente el panorama de la comunicación intercultural y la educación lingüística. Este artículo examina la transformación producida por las herramientas de traducción potenciadas por IA —incluyendo DeepL, ChatGPT y plataformas chinas como Baidu Translate y Youdao— sobre la práctica de la traducción, el mercado laboral de la traducción y la pedagogía lingüística. Basándose en estudios comparativos recientes y datos del mercado laboral, documentamos una contracción dramática de la demanda de traducción profesional junto con una expansión de los flujos de trabajo de posedición de traducción automática (PETA). Sostenemos que este cambio exige un nuevo paradigma educativo centrado en la «alfabetización en traducción automática» en lugar de la competencia traductora tradicional. A través de una comparación sistemática de las respuestas europeas y chinas a esta transformación, identificamos enfoques regulatorios divergentes y desafíos pedagógicos convergentes. Concluimos que el «fin de la traducción» no es el fin de la comprensión intercultural, sino una reorientación de la experiencia humana hacia lo que permanece irreductiblemente humano: el matiz cultural, el juicio ético y la sensibilidad literaria.
Palabras clave: traducción automática, IA en la educación, DeepL, ChatGPT, posedición, alfabetización traductora, comparación UE-China, educación lingüística
1. Introducción
El 30 de mayo de 2024, como parte de la serie de conferencias del Centro de Excelencia Jean Monnet «Digitalización en China y Europa» en la Universidad Normal de Hunan, el autor impartió una conferencia titulada «El fin de la traducción». El título era deliberadamente provocador. La traducción, una de las actividades intelectuales más antiguas de la humanidad, parece enfrentar un desafío existencial por parte de la inteligencia artificial. Los sistemas de traducción automática neuronal procesan ahora miles de millones de palabras diariamente con niveles de precisión que habrían parecido inconcebibles hace una década. El Fondo Monetario Internacional informó en enero de 2026 de que su plantilla de traductores e intérpretes había disminuido de 200 a aproximadamente 50, con el resto reasignado cada vez más al control de calidad del resultado generado por máquinas (CNN 2026). Una encuesta de 2024 del Chartered Institute of Linguists (CIOL) encontró que más del 70 por ciento de los traductores autónomos informaron de una disminución de los volúmenes de trabajo (CIOL 2024).
Sin embargo, la formulación provocativa exige matización. Lo que está terminando no es la traducción como actividad intelectual y cultural, sino la traducción como servicio profesional rutinario realizado principalmente por humanos. Lo que está emergiendo es una nueva ecología de colaboración humano-máquina en la que el papel humano pasa de producir traducciones a evaluar, perfeccionar y contextualizar el resultado de las máquinas. Para la educación —particularmente para los departamentos de lenguas y los programas de traducción tanto en universidades europeas como chinas— este cambio plantea preguntas urgentes. ¿Qué debemos enseñar a los estudiantes que se incorporarán a una profesión radicalmente diferente a su predecesora del siglo XX? ¿Cómo cultivamos las competencias distintivamente humanas que las máquinas no pueden replicar? ¿Y cómo responden los diferentes sistemas educativos —el europeo y el chino— a estos desafíos?
Este artículo aborda estas preguntas examinando el estado actual de la tecnología de traducción por IA, sus consecuencias en el mercado laboral, el concepto emergente de «alfabetización en traducción automática», el papel de la posedición en la educación, y las respuestas divergentes de las instituciones europeas y chinas. Contribuye al proyecto de antología más amplio al conectar la dimensión tecnológica de la IA en la educación con el marco ético desarrollado en el capítulo complementario sobre la Teoría de la Adecuación (Woesler, en este volumen) y los hallazgos empíricos sobre el aprendizaje de idiomas asistido por IA (Woesler, en este volumen).
2. Contexto histórico: traducción y tecnología
Antes de examinar la transformación actual impulsada por la IA, es útil situarla dentro de la historia más amplia de la relación de la tecnología con la traducción. La traducción siempre ha sido mediada por la tecnología en el sentido más amplio —desde la invención de la escritura misma, que hizo posible la traducción como práctica textual, hasta la imprenta, que creó una demanda masiva de obras traducidas, hasta la máquina de escribir y el procesador de textos, que transformaron el flujo de trabajo físico del traductor—.
El enfoque computacional de la traducción se remonta al memorando de Warren Weaver de 1949, que propuso aplicar la teoría de la información y las técnicas criptográficas al «problema de la traducción». Las décadas subsiguientes de traducción automática basada en reglas (TABR) y traducción automática estadística (TAE) produjeron sistemas útiles para la comprensión aproximada —obtener una idea general de un texto extranjero— pero inadecuados para producir traducciones publicables. La revolución neuronal de mediados de la década de 2010, comenzando con el mecanismo de atención (Bahdanau et al. 2014) y culminando en la arquitectura Transformer (Vaswani et al. 2017), cambió esto fundamentalmente. Por primera vez, el resultado de las máquinas era a menudo indistinguible de la traducción humana competente para textos rutinarios.
El paralelo histórico más frecuentemente invocado es el impacto de la fotografía en la pintura. La fotografía no eliminó la pintura, pero sí eliminó el monopolio de la pintura sobre la representación visual, liberando a los pintores para explorar dimensiones de la experiencia visual —abstracción, expresionismo, arte conceptual— que la fotografía no podía capturar. De manera similar, la traducción por IA puede no eliminar la traducción humana, pero está eliminando el monopolio de la traducción humana sobre la comunicación interlingüística, liberando potencialmente a los traductores humanos para centrarse en dimensiones de la creación de significado intercultural que las máquinas no pueden replicar.
3. El panorama de la traducción por IA: herramientas y capacidades
3.1 Traducción automática neuronal frente a IA generativa
La distinción entre los sistemas dedicados de traducción automática neuronal (TAN) y las herramientas de IA generativa (IAGen) es crucial para comprender el panorama actual. Como demuestran Ohashi (2024) en su comparación sistemática, los sistemas de TAN como Google Translate y DeepL están construidos específicamente para la traducción, entrenados con corpus paralelos y optimizados para la fluidez y la adecuación en pares lingüísticos específicos. Las herramientas de IAGen como ChatGPT, Claude y el Ernie Bot de China manejan la traducción como una capacidad entre muchas, aprovechando una comprensión lingüística más amplia pero careciendo de los datos de entrenamiento especializados de los sistemas de TAN dedicados.
Esta distinción tiene consecuencias prácticas. Una comparación multidimensional de ChatGPT, Google Translate y DeepL en textos turísticos chinos encontró que ChatGPT superaba a la TAN dedicada en métricas de fidelidad, fluidez, sensibilidad cultural y persuasión —particularmente cuando se proporcionaban indicaciones culturalmente adaptadas (Chen et al. 2025)—. Sin embargo, ChatGPT ocasionalmente introducía cambios semánticos ausentes del texto fuente, un fenómeno que los sistemas de TAN dedicados evitan de manera más fiable. Sun, R. (2024), evaluando la traducción literaria del chino al inglés a través de la lente de los sujetos implícitos, encontró que ChatGPT manejaba las estructuras de sujeto implícito de la prosa china contemporánea (específicamente los ensayos de Yu Qiuyu) con mayor sofisticación que DeepL, sugiriendo que la comprensión contextual más amplia de la IAGen compensa su falta de entrenamiento especializado en traducción en dominios literarios.
3.2 Plataformas chinas de traducción por IA
El ecosistema chino de traducción por IA merece atención especial, ya que opera en gran medida de manera independiente del ecosistema occidental. Baidu Translate (百度翻译) soporta 203 idiomas, incluidos dialectos raros y chino clásico, utilizando tecnología de TAN con procesamiento a nivel de oración consciente del contexto. Youdao (有道翻译), desarrollado por NetEase, lanzó su modelo de lenguaje educativo «Ziyue» (子曰) en 2023, seguido por el modelo de razonamiento Ziyue-o1 en 2025, integrando capacidades de traducción con funciones de diccionario profundo y herramientas de estudio en aproximadamente 107 idiomas. Tencent Translate y los sistemas de iFlytek combinan de manera similar la traducción con aplicaciones empresariales y educativas más amplias.
Una evaluación comparativa de calidad de Youdao AI Translate, Baidu Translate y Tencent Translate para textos de historia musical china utilizando evaluación con escala Likert encontró una variación significativa en la precisión específica del dominio, sin que ninguno alcanzara una calidad consistente a nivel de experto en contenido cultural especializado (Zhang et al. 2025). Este hallazgo subraya un tema recurrente: la traducción por IA sobresale en la comunicación de propósito general pero tiene dificultades con textos especializados, culturalmente integrados y estilísticamente exigentes.
3.3 Estado del arte: fortalezas y debilidades persistentes
Los sistemas actuales de traducción por IA manejan textos informativos rutinarios —artículos periodísticos, correspondencia empresarial, documentación técnica, interfaces de usuario— a niveles que se aproximan o igualan a los traductores humanos promedio. La brecha de calidad se reduce aún más cuando se tiene en cuenta la posedición. Sin embargo, persisten debilidades sistemáticas en varios dominios:
Traducción literaria, donde la voz, el ritmo, la ambigüedad y la resonancia cultural son constitutivos y no incidentales. La traducción automática de poesía, por ejemplo, sigue siendo en gran medida inadecuada, como documentan los debates en curso en la industria editorial sobre si los modelos de IA son «lo suficientemente avanzados para traducir literatura» (The Markup 2025).
Humor, ironía y sarcasmo, que dependen del conocimiento cultural compartido, la inferencia contextual y la violación intencional de las expectativas lingüísticas. Las máquinas pueden identificar algunos patrones de ironía a través de los datos de entrenamiento, pero no pueden entender por qué algo es gracioso o cómo funciona retóricamente la ironía.
Expresiones culturalmente integradas que carecen de equivalentes directos —no meramente expresiones idiomáticas (que los sistemas de TAN manejan cada vez mejor mediante la coincidencia de patrones) sino marcos conceptuales que reflejan visiones del mundo distintas—. El término filosófico chino 仁 (rén), por ejemplo, resiste la traducción a una sola palabra en español («benevolencia», «humanidad», «bondad», «humanismo») porque cada opción pone en primer plano diferentes aspectos de un concepto que en chino los abarca todos simultáneamente.
Sensibilidad ética y política, donde las elecciones de traducción tienen consecuencias más allá de la precisión lingüística. La traducción de términos políticamente cargados —«país en desarrollo», «derechos humanos», «democracia»— implica juicios que los sistemas de IA realizan sobre la base de patrones estadísticos en los datos de entrenamiento en lugar de deliberación ética.
4. Transformación del mercado laboral
4.1 La contracción de la demanda de traducción
El impacto de la IA en la profesión de la traducción ha sido severo y rápido. La investigación del Centre for Economic Policy Research (CEPR) utilizando la variación en la adopción de Google Translate en los mercados laborales locales de EE. UU. encontró que «las áreas con mayor adopción experimentaron una disminución en el empleo de traductores» y que «las mejoras en la traducción automática han reducido la demanda de competencias en lenguas extranjeras en general» (Frey & Llanos-Paredes 2025). Más de tres cuartas partes de los traductores profesionales encuestados en 2024 esperaban que la IA generativa afectara negativamente a sus ingresos futuros.
La reducción del FMI de su plantilla de traductores de 200 a aproximadamente 50 representa un ejemplo institucional concreto (CNN 2026). Duolingo despidió aproximadamente al 10 por ciento de sus contratistas de traducción en enero de 2024, pasando a la producción de contenido liderada por IA. Las agencias de traducción han estado «pasando cada vez más a un modelo de negocio centrado en la PETA, recortando tarifas y a menudo comprometiendo la calidad del producto final» (The Markup 2025).
Estas cifras deben interpretarse con cautela. La industria de la traducción abarca una amplia gama de actividades —desde la traducción jurada legal hasta la localización de sitios web, desde la traducción literaria hasta la interpretación de conferencias— y el impacto de la IA varía dramáticamente entre estos subsectores. La Oficina de Estadísticas Laborales proyecta una demanda continuada de intérpretes y traductores en Estados Unidos hasta 2032, impulsada por la globalización y la inmigración, incluso cuando la naturaleza del trabajo cambia. Lo que se está contrayendo no es la demanda de comunicación interlingüística, sino la demanda del modelo tradicional de traducción exclusivamente humana de textos rutinarios.
4.2 El auge de la posedición
La disminución del empleo tradicional en traducción ha sido parcialmente compensada por el crecimiento de la posedición de traducción automática (PETA) como actividad profesional. Los poseditores revisan, corrigen y perfeccionan las traducciones generadas por máquinas en lugar de traducir desde cero. Esto representa un cambio fundamental en el papel del traductor —de autor a editor, de creador a controlador de calidad—.
La investigación sobre el potencial de ChatGPT-4o para aumentar la posedición encontró que «puede complementar la experiencia humana en la posedición» pero «no puede proporcionar traducciones completamente precisas sin intervención humana», y que la integración total «reduciría significativamente los costes, el tiempo y el esfuerzo» (Chen 2025). Jiang, Wei y Al-Shaibani (2025), estudiando la posedición de TAN de textos del patrimonio cultural inmaterial chino al inglés, documentaron cómo los flujos de trabajo de PETA pueden manejar contenido cultural especializado al tiempo que demuestran que la experiencia humana sigue siendo esencial para el material culturalmente sensible.
Sin embargo, el modelo de posedición plantea sus propias preocupaciones. La práctica de la «fatiga de posedición» —agotamiento cognitivo por evaluar y corregir constantemente el resultado de las máquinas en lugar de dedicarse a la traducción creativa— ha sido documentada entre traductores profesionales (The Markup 2025). Algunos argumentan que la posedición entrena la mente humana para pensar como una máquina en lugar de desarrollar la sensibilidad cultural y literaria que distingue la traducción humana experta.
5. Alfabetización en traducción automática: un nuevo paradigma educativo
5.1 Definición de la alfabetización en TA
El concepto de «alfabetización en traducción automática» fue desarrollado por Bowker y Buitrago Ciro (2019) y elaborado adicionalmente por Bowker (2023) en De-mystifying Translation: Introducing Translation to Non-translators. La alfabetización en TA abarca varias competencias: comprender cómo funcionan los sistemas de TA (arquitectónicamente, no solo funcionalmente), comprender cómo se utilizan los sistemas de TA en la práctica, apreciar las implicaciones sociales y económicas más amplias de la TA, evaluar la compatibilidad de los textos fuente con la TA, crear o modificar textos para un mejor resultado de la TA, y modificar el resultado de la TA para mejorar la calidad y la adecuación.
Este marco desplaza el enfoque educativo de la competencia traductora (la capacidad de traducir) a la alfabetización traductora (la capacidad de trabajar eficazmente con las tecnologías de traducción). El cambio es análogo a la transformación educativa más amplia de la producción de información a la evaluación de información que caracteriza la era digital.
5.2 Preparación de los estudiantes: brechas actuales
Un estudio que investigó la alfabetización en IA de los estudiantes novatos de traducción encontró que los estudiantes «mencionan frecuentemente términos como "big data", "aprendizaje profundo" y "red neuronal" pero muestran poco conocimiento de lo que estas palabras significan o cómo se relacionan con las herramientas de traducción por IA» (Zhang et al. 2025). Esta brecha entre la familiaridad superficial y la comprensión genuina caracteriza el estado actual de la educación en traducción en muchas instituciones.
La investigación sobre la traducción automática en la enseñanza del inglés encontró que Google Translate es la herramienta de TA más popular entre los estudiantes, seguida de DeepL y ChatGPT, utilizada principalmente para la comprensión lectora, la verificación gramatical y la asistencia en escritura (ELT Journal 2024). Un hallazgo significativo fue que «los profesores tienden a ver la TA como "un enemigo" mientras que los estudiantes la ven como "un amigo"» —una brecha generacional que complica las respuestas pedagógicas—.
6. La posedición en el currículo
6.1 La PETA como competencia fundamental
La integración de la PETA en los currículos de traducción ya no es opcional sino esencial. Los estudiantes que se incorporen a la profesión de la traducción trabajarán casi con certeza con borradores generados por máquinas en lugar de traducir desde una página en blanco. Los currículos deben, por tanto, desarrollar competencias en:
Detección y clasificación de errores — identificar los tipos de errores que los sistemas de TAN e IAGen producen característicamente (omisiones, adiciones, traducciones erróneas, errores de registro, inadecuación cultural).
Estrategias de edición eficientes — distinguir entre la «posedición ligera» (correcciones mínimas para la comprensión aproximada) y la «posedición completa» (revisión exhaustiva hasta calidad de publicación), y saber cuándo es apropiada cada una.
Evaluación del texto fuente — evaluar si un texto es adecuado para la TA o requiere traducción humana, basándose en factores como la especificidad del dominio, la integración cultural, los requisitos de registro y las consecuencias del error.
Evaluación de calidad — desarrollar marcos para evaluar el resultado de la TA de manera sistemática, yendo más allá del juicio impresionista hacia criterios de evaluación estructurados.
6.2 Una taxonomía de errores de traducción automática
La posedición efectiva requiere una comprensión sistemática de los tipos de errores que los sistemas de traducción por IA producen característicamente. Basándose en la literatura de investigación y en la propia experiencia del autor con la traducción automática chino-inglés y chino-alemán, podemos identificar las siguientes categorías de error recurrentes:
Errores de omisión: los sistemas de TAN a veces saltan porciones del texto fuente, particularmente oraciones subordinadas, comentarios parentéticos o explicaciones culturalmente específicas. Esto es especialmente problemático en la traducción del chino al inglés, donde la ausencia de marcadores gramaticales explícitos (sin artículos, sin marcado obligatorio del plural, sin formas verbales flexionadas) significa que la máquina debe inferir relaciones estructurales que pueden conducir a simplificaciones.
Errores de adición: a la inversa, los sistemas de IAGen —particularmente ChatGPT— ocasionalmente insertan información no presente en el texto fuente, recurriendo a sus datos de entrenamiento para «completar» lo que perciben como información incompleta. Este problema de «alucinación», bien documentado en otras aplicaciones de IAGen, se manifiesta en la traducción como la inserción de frases explicativas, conocimiento cultural implícito o conexiones lógicas inferidas.
Errores de registro: los sistemas de traducción automática tienen dificultades con el registro —el nivel de formalidad, tecnicismo o intimidad apropiado para un tipo de texto dado—. Un comunicado diplomático formal traducido al nivel de registro de una conversación casual, o un cuento infantil traducido en prosa académica, puede ser semánticamente preciso pero pragmáticamente inadecuado.
Errores de sustitución cultural: cuando se enfrentan a referencias culturalmente específicas, los sistemas de IA a veces sustituyen equivalentes de la cultura de destino en lugar de preservar la especificidad de la cultura de origen. Esta es una manifestación de la tendencia domesticadora que Venuti (1995) criticó en la traducción humana, ahora automatizada y, por tanto, más omnipresente.
Errores de coherencia: aunque las oraciones individuales pueden traducirse con precisión, la coherencia de textos más largos —el flujo lógico del argumento, el mantenimiento de hilos temáticos, la consistencia terminológica— puede verse comprometida por el procesamiento a nivel de oración que pierde de vista la estructura a nivel del discurso.
7. Respuestas europeas y chinas comparadas
7.1 El enfoque europeo
Las respuestas europeas a la revolución de la traducción por IA han sido moldeadas por varios factores: la fuerte tradición de multilingüismo de la UE (24 lenguas oficiales), la profesionalización relativamente madura de la traducción a través de organizaciones como la red del Máster Europeo en Traducción (EMT), y el marco regulatorio proporcionado por el AI Act de la UE.
La red EMT ha comenzado a revisar su marco de competencias para incorporar habilidades relacionadas con la IA, aunque el ritmo del cambio institucional va por detrás del desarrollo tecnológico. Varias universidades europeas han introducido cursos o módulos de PETA dedicados dentro de los programas de traducción existentes. El AI Act de la UE, que clasifica ciertas aplicaciones educativas de IA como de alto riesgo, proporciona un contexto regulatorio que fomenta una integración cuidadosa y éticamente informada de las herramientas de IA en lugar de una adopción acrítica.
El Máster Europeo en Traducción (EMT), que coordina la formación en traducción en más de 80 universidades europeas, ha iniciado una revisión sistemática de su marco de competencias a la luz de los desarrollos de la IA. El proceso de revisión de 2024 identificó la alfabetización en traducción automática, las habilidades de posedición y la ética de la IA como áreas prioritarias para la integración curricular. Sin embargo, el ritmo de implementación varía dramáticamente entre las instituciones miembro —algunas ya han reestructurado sus programas en torno a la colaboración humano-IA, mientras que otras siguen enseñando habilidades de traducción como si el panorama tecnológico no hubiera cambiado fundamentalmente—.
En Alemania específicamente, la Conferencia de Departamentos Universitarios de Traducción (Konferenz der Universitätstranslationsinstitute) ha debatido hasta qué punto los exámenes de traducción tradicionales —que típicamente requieren que los estudiantes traduzcan textos no vistos bajo presión de tiempo sin ayudas tecnológicas— siguen siendo apropiados como instrumentos de evaluación. El consenso emergente favorece un enfoque dual: mantener elementos de la evaluación de la competencia traductora tradicional mientras se añaden nuevas formas de evaluación que prueben la capacidad de posedición, la evaluación del resultado de la TA y la reflexión crítica sobre las herramientas de IA.
Francia ha adoptado un enfoque algo diferente, con la Société française des traducteurs (SFT) publicando directrices para la integración de herramientas de IA en la práctica profesional que han influido en los currículos universitarios. Estas directrices enfatizan el papel evolutivo del traductor como un «experto en tecnología lingüística» que puede asesorar a los clientes sobre el uso apropiado de la traducción automática y humana para diferentes propósitos.
7.2 El enfoque chino
La respuesta de China se ha caracterizado por una rápida adopción institucional, la dirección política a nivel estatal y la disponibilidad de plataformas nacionales de IA. El Ministerio de Educación chino impuso la educación en IA en todas las escuelas primarias y secundarias a partir de septiembre de 2025 —las escuelas primarias se centran en la alfabetización y exposición a la IA, las de secundaria inferior en la lógica y el pensamiento crítico, y las de secundaria superior en la innovación aplicada y el diseño de algoritmos—. A nivel universitario, las instituciones chinas han sido más rápidas que muchas de sus homólogas europeas en integrar herramientas de IA en los currículos de lenguas y traducción, impulsadas en parte por la competencia del mercado y en parte por el fomento estatal de la adopción de la IA.
El ecosistema nacional de IA —Baidu Translate, Youdao con su modelo educativo Ziyue, Tencent Translate, iFlytek— proporciona a los estudiantes y educadores chinos herramientas de IA específicamente optimizadas para pares lingüísticos chinos e integradas con plataformas educativas más amplias. Esto contrasta con la dependencia europea de herramientas comerciales principalmente occidentales (DeepL, Google Translate, ChatGPT), que están optimizadas para combinaciones lingüísticas europeas y pueden no servir tan eficazmente a los pares lingüísticos chino-europeos.
Sin embargo, el enfoque de China también enfrenta desafíos distintivos. La restricción del acceso a herramientas globales de IA como ChatGPT, Claude y Google Gemini significa que los estudiantes e investigadores chinos trabajan principalmente con alternativas nacionales, lo que puede limitar su exposición a toda la gama de capacidades y enfoques de traducción por IA. El énfasis en la rápida adopción también puede producirse a expensas de la evaluación crítica y la reflexión ética que las instituciones europeas, influidas por el marco del AI Act, están comenzando a priorizar.
7.3 Desafíos convergentes
A pesar de estas diferencias, las instituciones europeas y chinas enfrentan desafíos convergentes:
Desfase curricular — ambos sistemas luchan por actualizar los currículos al ritmo del cambio tecnológico, con los procesos de acreditación y la inercia institucional ralentizando la adaptación.
Preparación del profesorado — en ambos contextos, muchos docentes de traducción carecen de experiencia personal con las herramientas de IA y no están seguros de cómo integrarlas eficazmente en su enseñanza.
Diseño de la evaluación — los exámenes de traducción tradicionales que evalúan la capacidad de traducir textos desde cero se vuelven problemáticos cuando los estudiantes tienen acceso a herramientas de IA, lo que exige nuevos enfoques de evaluación que evalúen la alfabetización en TA, la evaluación crítica y la competencia de posedición en lugar de la capacidad de traducción bruta.
Equilibrio entre educación técnica y humanística — ambos sistemas deben navegar la tensión entre formar a los estudiantes para las demandas inmediatas del mercado dominado por la PETA y desarrollar las competencias culturales, éticas y creativas más amplias que distinguen a los traductores humanos de las máquinas.
8. Más allá de la traducción automática: lo que permanece irreductiblemente humano
8.1 Traducción literaria y cultural
El ámbito donde los traductores humanos siguen siendo más claramente indispensables es la traducción literaria y cultural. La traducción literaria implica no meramente convertir el significado de una lengua a otra, sino recrear la voz, el ritmo, la ambigüedad, el humor, la ironía y el efecto estético en un contexto lingüístico y cultural diferente. Una máquina puede traducir las palabras de un poema; no puede traducir el poema.
Esto no es meramente una afirmación de fe humanística contra el progreso tecnológico. Refleja la diferencia fundamental entre la coincidencia de patrones (en lo que la IA sobresale) y la creación de significado (que requiere experiencia cultural encarnada, comprensión emocional y juicio estético). Cuando Emily Wilson traduce la Odisea de Homero o Pevear y Volokhonsky retraducen a Dostoievski, aportan no solo experiencia lingüística sino visión interpretativa personal —una cualidad que distingue la gran traducción de la traducción competente—.
8.2 El juicio ético en la traducción
El capítulo complementario sobre la Teoría de la Adecuación (Woesler, en este volumen) sostiene que la traducción no puede evaluarse exclusivamente con criterios lingüísticos, sino que debe evaluarse dentro de un marco ético que considere las condiciones de producción, el contexto histórico y las posibles consecuencias de las elecciones de traducción. Esta dimensión ética —la capacidad de reconocer cuándo una elección de traducción puede causar daño, cuándo la sensibilidad cultural exige desviarse de la precisión literal, cuándo el contexto político requiere un encuadre cuidadoso— permanece más allá de las capacidades actuales de los sistemas de IA.
Los sistemas de traducción por IA realizan elecciones basadas en patrones estadísticos de los datos de entrenamiento. No pueden ejercer el juicio ético en el sentido de sopesar valores en competencia y aceptar la responsabilidad de las consecuencias de esas elecciones. El poseditor que revisa el resultado de la máquina y decide que una traducción particular, aunque lingüísticamente precisa, es culturalmente inadecuada o políticamente sensible, ejerce una forma de agencia humana que ningún sistema de IA actual puede replicar.
8.3 El caso de la literatura china en traducción
Una ilustración concreta de los límites de la traducción por IA puede extraerse de la propia experiencia del autor traduciendo textos literarios chinos —incluyendo obras de Lu Xun y novelas chinas clásicas— al alemán y al inglés. Consideremos la primera línea del 狂人日记 (Diario de un loco, 1918) de Lu Xun: «今天晚上，很好的月光.» Una traducción automática produce algo como «Esta noche, muy buena luz de luna» —gramaticalmente adecuado pero estéticamente muerto—. El desafío para el traductor humano es transmitir no solo el contenido semántico sino el tono deliberadamente plano e inquietante que establece el estado mental del narrador: la yuxtaposición de una observación ordinaria («muy buena luz de luna») con el contexto extraordinario de la locura emergente.
De manera similar, la traducción de la poesía china clásica —donde un solo carácter puede tener múltiples significados simultáneos, donde los patrones tonales crean estructuras musicales, y donde las alusiones culturales operan en varios niveles— permanece fundamentalmente más allá de las capacidades actuales de la IA. La poesía de la dinastía Tang, con sus estrictos requisitos formales (律诗 lüshi: verso regulado con patrones tonales, paralelismo e imaginería comprimida), resiste no solo la traducción automática sino cualquier traducción que no implique un compromiso profundo con la tradición literaria china, los marcos filosóficos budistas y taoístas, y los contextos históricos específicos de los poetas individuales.
Estos ejemplos no son meras curiosidades sino ilustraciones de un principio general: cuanto más depende un texto de la integración cultural, el efecto estético y el significado en múltiples capas, menos adecuada resulta la traducción por IA. Este principio tiene implicaciones directas para la educación, sugiriendo que el estudio de la traducción literaria —lejos de ser una especialización obsoleta— puede convertirse en el componente más distintivamente humano y, por lo tanto, más valioso de la educación en traducción.
9. Conclusión
El «fin de la traducción» es una frase engañosa si se entiende literalmente. Lo que está terminando es la traducción como servicio profesional rutinario realizado predominantemente por humanos. Lo que está emergiendo es una nueva ecología de colaboración humano-máquina que exige nuevas competencias, nuevos roles profesionales, nuevos currículos y nuevas formas de reflexión ética.
Para la educación, esta transformación exige nada menos que una reconceptualización de lo que significa enseñar y aprender traducción. La alfabetización en traducción automática —que abarca la comprensión técnica, la evaluación crítica, la posedición eficaz y el juicio ético— debe convertirse en el centro de los currículos de lenguas y traducción. Al mismo tiempo, las competencias humanísticas que las máquinas no pueden replicar —la sensibilidad cultural, la sensibilidad literaria, el razonamiento ético, la interpretación creativa— deben preservarse y fortalecerse en lugar de abandonarse como obsoletas.
La comparación de las respuestas europeas y chinas revela una tensión productiva entre el enfoque cauteloso, informado por la regulación, de la UE y la rápida adopción respaldada por el Estado de las herramientas de IA de China. Ninguno de los dos enfoques es suficiente por sí solo. El énfasis de la UE en los marcos éticos y la evaluación crítica proporciona salvaguardas necesarias para una integración responsable de la IA. La velocidad y escala de adopción de China generan experiencia práctica y adaptación institucional de las que la UE puede aprender. Una síntesis de ambos enfoques —combinando rigor ético con agilidad práctica— ofrece el camino más prometedor.
Agradecimientos
Esta investigación fue financiada por el Centro de Excelencia Jean Monnet «EU-Studies Centre: Digitalization in Europe and China» (EUSC-DEC), con el apoyo de la Unión Europea en virtud del Acuerdo de Subvención n.º 101126782. Las opiniones expresadas son exclusivamente las del autor y no reflejan necesariamente las de la Unión Europea.
Referencias
Bowker, L. (2023). De-mystifying Translation. Routledge.
Bowker, L., & Buitrago Ciro, J. (2019). Machine Translation and Global Research. Emerald Publishing.
Chen, S., & Lin, Y. (2025). A multidimensional comparison of ChatGPT, Google Translate, and DeepL. Frontiers in Artificial Intelligence, 8, 1619489.
CIOL. (2024). Freelance translators and interpreters: Work volumes survey.
CNN. (2026, January 23). Translation and language jobs face automation.
Ehrensberger-Dow, M. et al. (2023). A new role for translators and trainers: MT literacy consultants. The Interpreter and Translator Trainer, 17(3), 393–411.
Frey, C. B., & Llanos-Paredes, D. (2025). Lost in translation: AI's impact on translators. CEPR/VoxEU.
Jiang, L. et al. (2025). Effective NMT with human post-editing of Chinese intangible cultural heritage corpus. SAGE Open.
Kirchhoff, P. (2024). Machine translation in English language teaching. ELT Journal, 78(4), 393–400.
Ohashi, L. (2024). AI in language education. In Artificial Intelligence in Education (pp. 225–242). Springer.
Ren, X., & Wang, R. (2025). Integrating human-AI collaboration into translation education. PLoS One, 20(12), e0338089.
Sun, R. (2024). Evaluating the translation accuracy of ChatGPT and DeepL. Arab World English Journal, 8(4).
The Markup. (2025, April 2). Are AI models advanced enough to translate literature?
Vaswani, A. et al. (2017). Attention is all you need. NeurIPS, 30.
Zhang, H. (2025). Quality Comparison of MT in Translating Chinese Music Historical Texts. Springer.
Zhang, J., & Doherty, S. (2025). Investigating novice translation students' AI literacy. The Interpreter and Translator Trainer.
Zhang, W. et al. (2025). University students' perceptions of using generative AI in translation. Instructional Science.