Rethinking Higher Education/fr/Chapter 4
La fin de la traduction : comment l'IA transforme la communication interculturelle dans l'éducation
Martin Woesler
Université normale du Hunan
Résumé
L'essor de la traduction automatique neuronale (TAN) et de l'IA générative a fondamentalement modifié le paysage de la communication interculturelle et de l'enseignement des langues. Cet article examine la transformation opérée par les outils de traduction alimentés par l'IA — y compris DeepL, ChatGPT et les plateformes chinoises telles que Baidu Translate et Youdao — sur la pratique de la traduction, le marché du travail de la traduction et la pédagogie des langues. S'appuyant sur des études comparatives récentes et des données du marché du travail, nous documentons une contraction spectaculaire de la demande de traduction professionnelle parallèlement à une expansion des flux de travail de post-édition de traduction automatique (PETA). Nous soutenons que ce changement nécessite un nouveau paradigme éducatif centré sur la « culture de la traduction automatique » plutôt que sur la compétence traditionnelle en traduction. À travers une comparaison systématique des réponses européennes et chinoises à cette transformation, nous identifions des approches réglementaires divergentes et des défis pédagogiques convergents. Nous concluons que la « fin de la traduction » n'est pas la fin de la compréhension interculturelle mais plutôt une réorientation de l'expertise humaine vers ce qui demeure irréductiblement humain : la nuance culturelle, le jugement éthique et la sensibilité littéraire.
Mots-clés : traduction automatique, IA dans l'éducation, DeepL, ChatGPT, post-édition, culture de la traduction, comparaison UE-Chine, enseignement des langues
1. Introduction
Le 30 mai 2024, dans le cadre de la série de conférences du Centre d'excellence Jean Monnet « La numérisation en Chine et en Europe » à l'Université normale du Hunan, l'auteur a prononcé une conférence intitulée « La fin de la traduction ». Le titre était délibérément provocateur. La traduction, l'une des activités intellectuelles les plus anciennes de l'humanité, semble faire face à un défi existentiel de la part de l'intelligence artificielle. Les systèmes de traduction automatique neuronale traitent désormais des milliards de mots chaque jour avec des niveaux de précision qui auraient semblé inconcevables il y a une décennie. Le Fonds monétaire international a rapporté en janvier 2026 que son personnel de traducteurs et d'interprètes avait diminué de 200 à environ 50, le reste étant de plus en plus réaffecté au contrôle qualité de la production automatique (CNN 2026). Une enquête de 2024 menée par le Chartered Institute of Linguists (CIOL) a révélé que plus de 70 pour cent des traducteurs indépendants signalaient une diminution de leurs volumes de travail (CIOL 2024).
Pourtant, le cadrage provocateur appelle une nuance. Ce qui prend fin, ce n'est pas la traduction en tant qu'activité intellectuelle et culturelle, mais plutôt la traduction en tant que service professionnel de routine effectué principalement par des humains. Ce qui émerge, c'est une nouvelle écologie de collaboration humain-machine dans laquelle le rôle humain passe de la production de traductions à l'évaluation, au perfectionnement et à la contextualisation de la production automatique. Pour l'éducation — en particulier pour les départements de langues et les programmes de traduction dans les universités européennes et chinoises — ce changement pose des questions urgentes. Que devons-nous enseigner aux étudiants qui entreront dans une profession radicalement différente de son prédécesseur du XXe siècle ? Comment cultiver les compétences distinctement humaines que les machines ne peuvent reproduire ? Et comment les différents systèmes éducatifs — l'européen et le chinois — répondent-ils à ces défis ?
Cet article aborde ces questions en examinant l'état actuel de la technologie de traduction par IA, ses conséquences sur le marché du travail, le concept émergent de « culture de la traduction automatique », le rôle de la post-édition dans l'éducation et les réponses divergentes des institutions européennes et chinoises. Il contribue au projet d'anthologie plus large en reliant la dimension technologique de l'IA dans l'éducation au cadre éthique développé dans le chapitre compagnon sur la théorie de l'appropriation (Woesler, dans ce volume) et aux résultats empiriques sur l'apprentissage des langues assisté par l'IA (Woesler, dans ce volume).
2. Contexte historique : traduction et technologie
Avant d'examiner la transformation actuelle portée par l'IA, il est utile de la situer dans l'histoire plus longue de la relation entre technologie et traduction. La traduction a toujours été médiatisée par la technologie au sens large — de l'invention de l'écriture elle-même, qui a rendu la traduction possible en tant que pratique textuelle, à l'imprimerie, qui a créé une demande massive d'œuvres traduites, en passant par la machine à écrire et le traitement de texte, qui ont transformé le flux de travail physique du traducteur.
L'approche computationnelle de la traduction remonte au mémorandum de Warren Weaver de 1949, qui proposait d'appliquer la théorie de l'information et les techniques cryptographiques au « problème de la traduction ». Les décennies suivantes de traduction automatique à base de règles (TABR) et de traduction automatique statistique (TAS) ont produit des systèmes utiles pour l'appréhension générale — obtenir une compréhension approximative d'un texte étranger — mais inadéquats pour produire des traductions publiables. La révolution neuronale du milieu des années 2010, commençant avec le mécanisme d'attention (Bahdanau et al. 2014) et culminant dans l'architecture Transformer (Vaswani et al. 2017), a fondamentalement changé la donne. Pour la première fois, la production automatique était souvent indiscernable d'une traduction humaine compétente pour les textes courants.
Le parallèle historique le plus souvent invoqué est l'impact de la photographie sur la peinture. La photographie n'a pas éliminé la peinture, mais elle a éliminé le monopole de la peinture sur la représentation visuelle, libérant les peintres pour explorer des dimensions de l'expérience visuelle — abstraction, expressionnisme, art conceptuel — que la photographie ne pouvait saisir. De même, la traduction par IA n'éliminera peut-être pas la traduction humaine, mais elle est en train d'éliminer le monopole de la traduction humaine sur la communication interlinguistique, libérant potentiellement les traducteurs humains pour se concentrer sur des dimensions de la création de sens interculturel que les machines ne peuvent reproduire.
3. Le paysage de la traduction par IA : outils et capacités
3.1 Traduction automatique neuronale vs. IA générative
La distinction entre les systèmes dédiés de traduction automatique neuronale (TAN) et les outils d'IA générative (IAG) est cruciale pour comprendre le paysage actuel. Comme le démontrent Ohashi (2024) dans leur comparaison systématique, les systèmes de TAN tels que Google Traduction et DeepL sont construits à dessein pour la traduction, entraînés sur des corpus parallèles et optimisés pour la fluidité et l'adéquation dans des paires de langues spécifiques. Les outils d'IAG tels que ChatGPT, Claude et Ernie Bot chinois traitent la traduction comme une capacité parmi d'autres, mobilisant une compréhension linguistique plus large mais ne disposant pas des données d'entraînement spécialisées des systèmes de TAN dédiés.
Cette distinction a des conséquences pratiques. Une comparaison multidimensionnelle de ChatGPT, Google Traduction et DeepL sur des textes touristiques chinois a révélé que ChatGPT surpassait les TAN dédiées selon les critères de fidélité, de fluidité, de sensibilité culturelle et de pouvoir de persuasion — en particulier lorsqu'il recevait des consignes culturellement adaptées (Chen et al. 2025). Cependant, ChatGPT introduisait occasionnellement des glissements sémantiques absents du texte source, un phénomène que les systèmes de TAN dédiés évitent de manière plus fiable. Sun, R. (2024), évaluant la traduction littéraire du chinois vers l'anglais à travers le prisme des sujets implicites, a constaté que ChatGPT traitait les structures de sujet implicite de la prose chinoise contemporaine (spécifiquement les essais de Yu Qiuyu) avec une sophistication supérieure à DeepL, suggérant que la compréhension contextuelle plus large de l'IAG compense son manque d'entraînement spécialisé en traduction dans les domaines littéraires.
3.2 Plateformes chinoises de traduction par IA
L'écosystème chinois de traduction par IA mérite une attention particulière, car il fonctionne largement indépendamment de l'écosystème occidental. Baidu Translate (百度翻译) prend en charge 203 langues, y compris des dialectes rares et le chinois classique, utilisant la technologie de TAN avec un traitement contextuel au niveau de la phrase. Youdao (有道翻译), développé par NetEase, a lancé son grand modèle de langage éducatif « Ziyue » (子曰) en 2023, suivi du modèle de raisonnement Ziyue-o1 en 2025, intégrant des capacités de traduction avec des fonctions approfondies de dictionnaire et d'outils d'étude dans environ 107 langues. Tencent Translate et les systèmes d'iFlytek combinent de manière similaire la traduction avec des applications éducatives et commerciales plus larges.
Une évaluation comparative de la qualité de Youdao AI Translate, Baidu Translate et Tencent Translate pour des textes d'histoire de la musique chinoise utilisant une échelle de Likert a constaté des variations significatives dans la précision spécifique au domaine, aucun n'atteignant une qualité constante de niveau expert pour les contenus culturels spécialisés (Zhang et al. 2025). Ce résultat souligne un thème récurrent : la traduction par IA excelle pour la communication à usage général mais peine avec les textes spécifiques à un domaine, culturellement ancrés et stylistiquement exigeants.
3.3 L'état de l'art : forces et faiblesses persistantes
Les systèmes actuels de traduction par IA traitent les textes informationnels courants — articles de presse, correspondance commerciale, documentation technique, interfaces utilisateur — à des niveaux approchant ou égalant ceux des traducteurs humains moyens. L'écart de qualité se réduit encore lorsque la post-édition est prise en compte. Cependant, des faiblesses systématiques persistent dans plusieurs domaines :
La traduction littéraire, où la voix, le rythme, l'ambiguïté et la résonance culturelle sont constitutifs plutôt qu'accessoires. La traduction automatique de la poésie, par exemple, demeure largement inadéquate, comme en témoignent les débats en cours dans l'industrie de l'édition sur la question de savoir si les modèles d'IA sont « suffisamment avancés pour traduire la littérature » (The Markup 2025).
L'humour, l'ironie et le sarcasme, qui dépendent d'un savoir culturel partagé, d'une inférence contextuelle et d'une violation intentionnelle des attentes linguistiques. Les machines peuvent identifier certains schémas d'ironie à travers les données d'entraînement, mais elles ne peuvent comprendre pourquoi quelque chose est drôle ni comment l'ironie fonctionne rhétoriquement.
Les expressions culturellement ancrées qui n'ont pas d'équivalents directs — non pas simplement les idiomes (que les systèmes de TAN traitent de plus en plus par appariement de motifs) mais les cadres conceptuels qui reflètent des visions du monde distinctes. Le terme philosophique chinois 仁 (rén), par exemple, résiste à la traduction en un seul mot français (« bienveillance », « humanité », « bonté ») parce que chaque option met en avant des aspects différents d'un concept qui en chinois les englobe tous simultanément.
La sensibilité éthique et politique, où les choix de traduction ont des conséquences au-delà de la précision linguistique. Le rendu de termes politiquement chargés — « pays en développement », « droits de l'homme », « démocratie » — implique des jugements que les systèmes d'IA font sur la base de schémas statistiques dans les données d'entraînement plutôt que par délibération éthique.
3.4 Note sur la méthodologie d'évaluation
L'évaluation de la qualité de la traduction par IA reste controversée. Les métriques traditionnelles telles que BLEU (Bilingual Evaluation Understudy) et les métriques neuronales plus récentes comme COMET et BERTScore capturent différents aspects de la qualité de la traduction et produisent parfois des résultats contradictoires. L'évaluation humaine, bien que considérée comme la référence, est coûteuse, chronophage et sujette aux biais des évaluateurs. La pratique croissante consistant à utiliser des systèmes d'IA pour évaluer les traductions d'autres systèmes d'IA soulève des questions de circularité.
Pour les contextes éducatifs, le critère d'évaluation le plus pertinent n'est pas la qualité abstraite mais l'adéquation à la finalité. Une traduction automatique utilisée pour aider un étudiant à comprendre un texte en langue étrangère a des exigences de qualité différentes de celle utilisée pour la publication, les procédures judiciaires ou la communication diplomatique. Cette perspective pragmatique — qui résonne avec la tradition de la théorie du Skopos en traductologie et avec le cadre d'appropriation proposé ailleurs dans ce volume — suggère que la question « La traduction automatique est-elle assez bonne ? » ne peut être répondue qu'en relation avec une finalité, un contexte et un ensemble de conséquences spécifiques.
4. Transformation du marché du travail
4.1 La contraction de la demande de traduction
L'impact de l'IA sur la profession de traducteur a été sévère et rapide. Les recherches du Centre for Economic Policy Research (CEPR), utilisant la variation de l'adoption de Google Traduction sur les marchés locaux du travail aux États-Unis, ont constaté que « les zones où l'adoption était plus élevée ont connu un déclin de l'emploi de traducteurs » et que « les améliorations de la traduction automatique ont réduit la demande de compétences en langues étrangères en général » (Frey et Llanos-Paredes 2025). Plus de trois quarts des traducteurs professionnels interrogés en 2024 s'attendaient à ce que l'IA générative affecte négativement leurs revenus futurs.
La réduction par le Fonds monétaire international de son personnel de traducteurs de 200 à environ 50 représente un exemple institutionnel concret (CNN 2026). Duolingo a licencié environ 10 pour cent de ses prestataires de traduction en janvier 2024, passant à une production de contenu pilotée par l'IA. Les agences de traduction « se tournent de plus en plus vers un modèle commercial centré sur la PETA, réduisant les tarifs et compromettant souvent la qualité du produit final » (The Markup 2025).
Ces chiffres doivent être interprétés avec prudence. L'industrie de la traduction englobe un large éventail d'activités — de la traduction juridique certifiée à la localisation de sites web, de la traduction littéraire à l'interprétation de conférence — et l'impact de l'IA varie considérablement selon ces sous-secteurs. Le Bureau of Labor Statistics prévoit une demande continue d'interprètes et de traducteurs aux États-Unis jusqu'en 2032, portée par la mondialisation et l'immigration, même si la nature du travail évolue. Ce qui se contracte, ce n'est pas la demande de communication interlinguistique, mais la demande pour le modèle traditionnel de traduction exclusivement humaine de textes courants.
4.2 L'essor de la post-édition
Le déclin de l'emploi traditionnel en traduction a été partiellement compensé par la croissance de la post-édition de traduction automatique (PETA) en tant qu'activité professionnelle. Les post-éditeurs examinent, corrigent et affinent les traductions générées par machine plutôt que de traduire à partir de zéro. Cela représente un changement fondamental du rôle du traducteur — d'auteur à éditeur, de créateur à contrôleur qualité.
Des recherches sur le potentiel de ChatGPT-4o pour augmenter la post-édition ont constaté qu'il « peut compléter l'expertise humaine en post-édition » mais « ne peut pas fournir des traductions entièrement précises sans intervention humaine », et qu'une intégration complète « réduirait significativement les coûts, le temps et les efforts » (Chen 2025). Jiang, Wei et Al-Shaibani (2025), étudiant la post-édition de TAN de textes sur le patrimoine culturel immatériel chinois vers l'anglais, ont documenté comment les flux de travail de PETA peuvent traiter des contenus culturels spécialisés tout en démontrant que l'expertise humaine reste essentielle pour les matériaux culturellement sensibles.
Cependant, le modèle de post-édition soulève ses propres préoccupations. Le phénomène de « fatigue de post-édition » — épuisement cognitif résultant de l'évaluation et de la correction constantes de la production automatique plutôt que de l'engagement dans la traduction créative — a été documenté parmi les traducteurs professionnels (The Markup 2025). Certains soutiennent que la post-édition entraîne l'esprit humain à penser comme une machine plutôt qu'à développer la sensibilité culturelle et littéraire qui distingue la traduction humaine experte.
4.3 Impact différencié
L'impact sur le marché du travail n'est pas uniforme selon les domaines de traduction. La traduction commerciale, technique et administrative courante a été la plus touchée, les systèmes d'IA traitant ces tâches à une qualité acceptable avec une intervention humaine minimale. La traduction littéraire, juridique et diplomatique — domaines où la précision, la nuance et la sensibilité culturelle sont primordiales — a été moins affectée, bien que les outils d'IA soient de plus en plus utilisés comme générateurs de premières ébauches même dans ces domaines.
La distribution géographique de l'impact varie également. En Europe, où la profession de traducteur est relativement bien organisée et réglementée, la transition a été accompagnée d'un débat professionnel et de quelques réponses institutionnelles. En Chine, où le marché de la traduction est plus vaste mais plus fragmenté, le changement a été plus rapide et moins médiatisé par les organisations professionnelles. Les entreprises de traduction chinoises ont adopté les outils d'IA de manière agressive, portées par la concurrence du marché et la disponibilité de plateformes d'IA nationales optimisées pour les paires de langues chinoises.
5. Culture de la traduction automatique : un nouveau paradigme éducatif
5.1 Définir la culture de la TA
Le concept de « culture de la traduction automatique » (machine translation literacy) a été développé par Bowker et Buitrago Ciro (2019) et élaboré par Bowker (2023) dans De-mystifying Translation: Introducing Translation to Non-translators. La culture de la TA englobe plusieurs compétences : comprendre comment fonctionnent les systèmes de TA (architecturalement, pas seulement fonctionnellement), comprendre comment les systèmes de TA sont utilisés en pratique, apprécier les implications sociales et économiques plus larges de la TA, évaluer le caractère « compatible TA » des textes sources, créer ou modifier des textes pour une meilleure production TA, et modifier la production TA en termes de qualité et d'appropriation.
Ce cadre déplace l'accent éducatif de la compétence en traduction (la capacité de traduire) vers la culture de la traduction (la capacité de travailler efficacement avec les technologies de traduction). Ce changement est analogue à la transformation éducative plus large, passant de la production d'information à l'évaluation de l'information, qui caractérise l'ère numérique.
5.2 Préparation des étudiants : lacunes actuelles
Une étude portant sur la culture de l'IA des étudiants novices en traduction a constaté que les étudiants « mentionnent fréquemment des termes comme « mégadonnées », « apprentissage profond » et « réseau neuronal » mais démontrent peu de connaissances sur ce que ces mots signifient ou comment ils se rapportent aux outils de traduction par IA » (Zhang et al. 2025). Cet écart entre familiarité superficielle et compréhension véritable caractérise l'état actuel de la formation en traduction dans de nombreux établissements.
Une enquête sur les perceptions des étudiants universitaires concernant l'utilisation de l'IA générative dans les pratiques de traduction a constaté que les outils d'IAG offrent des avantages en « améliorant l'efficacité, la qualité, l'apprentissage et la pratique de la traduction », favorisant une perspective positive — mais que cette perspective positive peut refléter une acceptation non critique plutôt qu'une évaluation éclairée (Zhang et al. 2025). Le défi pour les éducateurs est de cultiver un engagement critique avec les outils d'IA sans les diaboliser ni les célébrer de manière non critique.
Des recherches sur la traduction automatique dans l'enseignement de l'anglais langue étrangère ont constaté que Google Traduction est l'outil de TA le plus populaire parmi les étudiants, suivi de DeepL et ChatGPT, principalement utilisés pour la compréhension écrite, la vérification grammaticale et l'aide à la rédaction (ELT Journal 2024). Une constatation significative était que « les enseignants tendent à voir la TA comme « un ennemi » tandis que les étudiants la voient comme « un ami » » — un clivage générationnel qui complique les réponses pédagogiques.
5.3 Vers un nouveau rôle professionnel
L'émergence de la culture de la TA comme paradigme éducatif a conduit à des propositions de nouveaux rôles professionnels. Ehrensberger-Dow, Delorme Benites et Lehr (2023) ont proposé le rôle de « consultant en culture de la TA » — un professionnel qui fait le lien entre la technologie de TA et les besoins pédagogiques ou organisationnels (Ehrensberger-Dow 2023). Ce rôle implique non seulement une compétence technique mais aussi la capacité d'évaluer les besoins institutionnels, de concevoir des stratégies d'intégration de la TA et de former les utilisateurs finaux à un usage efficace de la TA.
Un protocole complet pour intégrer la collaboration humain-IA dans la formation en traduction a été proposé par Ren et al. (2025), définissant des approches d'évaluation, de diagnostic et de développement stratégique qui positionnent la collaboration humain-IA comme un cadre pédagogique central plutôt que comme un complément à la formation traditionnelle en traduction.
6. La post-édition dans les programmes d'études
6.1 La PETA comme compétence fondamentale
L'intégration de la PETA dans les programmes de traduction n'est plus optionnelle mais essentielle. Les étudiants entrant dans la profession de traducteur travailleront presque certainement avec des premières ébauches générées par machine plutôt que de traduire à partir de pages blanches. Les programmes doivent donc développer des compétences en :
Détection et classification des erreurs — identifier les types d'erreurs que les systèmes de TAN et d'IAG produisent caractéristiquement (omissions, ajouts, contresens, erreurs de registre, inappropriation culturelle).
Stratégies d'édition efficaces — distinguer entre la « post-édition légère » (corrections minimales pour la compréhension générale) et la « post-édition complète » (révision approfondie à qualité de publication), et savoir quand chacune est appropriée.
Évaluation du texte source — déterminer si un texte est adapté à la TA ou nécessite une traduction humaine, sur la base de facteurs tels que la spécificité du domaine, l'ancrage culturel, les exigences de registre et les conséquences de l'erreur.
Évaluation de la qualité — développer des cadres pour évaluer systématiquement la production de TA, passant du jugement impressionniste à des critères d'évaluation structurés.
6.2 Taxonomie des erreurs de traduction automatique
Une post-édition efficace nécessite une compréhension systématique des types d'erreurs que les systèmes de traduction par IA produisent caractéristiquement. Sur la base de la littérature de recherche et de la propre expérience de l'auteur avec la traduction automatique chinois-anglais et chinois-allemand, nous pouvons identifier les catégories d'erreurs récurrentes suivantes :
Erreurs d'omission : les systèmes de TAN sautent parfois des portions du texte source, en particulier les propositions subordonnées, les remarques entre parenthèses ou les explications culturellement spécifiques. Cela est particulièrement problématique dans la traduction du chinois vers l'anglais, où l'absence de marqueurs grammaticaux explicites (pas d'articles, pas de marque obligatoire du pluriel, pas de formes verbales fléchies) signifie que la machine doit inférer des relations structurelles qui peuvent conduire à une simplification.
Erreurs d'ajout : inversement, les systèmes d'IAG — en particulier ChatGPT — insèrent occasionnellement des informations absentes du texte source, puisant dans leurs données d'entraînement pour « compléter » ce qu'ils perçoivent comme des informations incomplètes. Ce problème d'« hallucination », bien documenté dans d'autres applications d'IAG, se manifeste en traduction comme l'insertion de phrases explicatives, de connaissances culturelles implicites ou de connexions logiques inférées.
Erreurs de registre : les systèmes de traduction automatique peinent avec le registre — le niveau de formalité, de technicité ou d'intimité approprié à un type de texte donné. Un communiqué diplomatique formel traduit au niveau de registre d'une conversation décontractée, ou une histoire pour enfants rendue en prose académique, peut être sémantiquement exact mais pragmatiquement inapproprié.
Erreurs de substitution culturelle : face à des références culturellement spécifiques, les systèmes d'IA substituent parfois des équivalents de la culture cible plutôt que de préserver la spécificité de la culture source. C'est une manifestation de la tendance à la domestication que Venuti (1995) critiquait dans la traduction humaine, désormais automatisée et donc plus envahissante.
Erreurs de cohérence : bien que les phrases individuelles puissent être traduites avec précision, la cohérence de textes plus longs — le flux logique de l'argumentation, le maintien des fils thématiques, la cohérence terminologique — peut être compromise par un traitement au niveau de la phrase qui perd de vue la structure au niveau du discours.
Comprendre ces types d'erreurs est essentiel pour une post-édition efficace et devrait constituer un élément central des programmes de PETA.
6.3 Défis de l'enseignement de la PETA
Enseigner efficacement la PETA pose plusieurs défis pédagogiques. Les étudiants doivent d'abord développer une compétence suffisante en traduction pour reconnaître les erreurs de la machine — on ne peut pas éditer efficacement une traduction que l'on n'aurait pas pu produire ou du moins évaluer de manière autonome. Cela crée un paradoxe : les compétences mêmes que la PETA semble rendre obsolètes (connaissance approfondie des langues, compréhension culturelle, sensibilité stylistique) sont précisément celles nécessaires pour bien effectuer la PETA.
En outre, la formation à la PETA risque de réduire l'enseignement de la traduction à un exercice technique de correction d'erreurs, négligeant les dimensions créatives, culturelles et éthiques qui distinguent la traduction d'autres formes de traitement textuel. Les éducateurs doivent trouver des moyens de développer à la fois les compétences techniques de PETA et les compétences humanistes plus larges qui donnent à ces compétences leur sens et leur direction.
Une approche pédagogique prometteuse implique des exercices de comparaison structurée dans lesquels les étudiants évaluent le même texte source traduit par plusieurs systèmes (TAN, IAG et traducteur humain) et analysent les forces et faiblesses caractéristiques de chacun. De tels exercices développent les compétences d'évaluation critique, sensibilisent aux types d'erreurs et cultivent la conscience métalinguistique qui distingue un post-éditeur informé d'un correcteur passif de la production automatique.
7. Réponses européennes et chinoises comparées
7.1 L'approche européenne
Les réponses européennes à la révolution de la traduction par IA ont été façonnées par plusieurs facteurs : la forte tradition de multilinguisme de l'UE (24 langues officielles), la professionnalisation relativement avancée de la traduction à travers des organisations telles que le réseau du Master européen en traduction (EMT), et le cadre réglementaire fourni par le AI Act de l'UE.
Le réseau EMT a commencé à réviser son cadre de compétences pour incorporer les compétences liées à l'IA, bien que le rythme du changement institutionnel soit en retard par rapport au développement technologique. Plusieurs universités européennes ont introduit des cours ou modules dédiés à la PETA au sein des programmes de traduction existants. Le AI Act de l'UE, qui classe certaines applications éducatives de l'IA comme à haut risque (voir le chapitre compagnon sur l'éthique de l'IA dans l'éducation, Woesler, dans ce volume), fournit un contexte réglementaire qui encourage une intégration soigneuse et éthiquement informée des outils d'IA plutôt qu'une adoption non critique.
Un développement européen notable est l'accent croissant mis sur la « culture de l'IA » comme exigence éducative générale. Le AI Act de l'UE impose une formation à la culture de l'IA pour les déployeurs de systèmes d'IA, cette obligation étant entrée en vigueur en février 2025. Bien que ce mandat vise les organisations plutôt que les étudiants directement, il crée des incitations institutionnelles pour que les universités développent des programmes de culture de l'IA incluant des compétences liées à la traduction.
Le réseau du Master européen en traduction (EMT), qui coordonne la formation en traduction dans plus de 80 universités européennes, a entamé une révision systématique de son cadre de compétences à la lumière des développements de l'IA. Le processus de révision de 2024 a identifié la culture de la traduction automatique, les compétences en post-édition et l'éthique de l'IA comme domaines prioritaires pour l'intégration dans les programmes. Cependant, le rythme de mise en œuvre varie considérablement selon les établissements membres — certains ont déjà restructuré leurs programmes autour de la collaboration humain-IA, tandis que d'autres continuent d'enseigner les compétences en traduction comme si le paysage technologique n'avait pas fondamentalement changé.
En Allemagne spécifiquement, la Conférence des départements universitaires de traduction (Konferenz der Universitätstranslationsinstitute) a débattu de la mesure dans laquelle les examens traditionnels de traduction — qui exigent typiquement des étudiants qu'ils traduisent des textes inconnus sous pression temporelle sans aides technologiques — restent appropriés comme instruments d'évaluation. Le consensus émergent privilégie une approche duale : maintenir des éléments d'évaluation traditionnelle des compétences en traduction tout en ajoutant de nouvelles formes d'évaluation qui testent la capacité de post-édition, l'évaluation de la production de TA et la réflexion critique sur les outils d'IA.
La France a adopté une approche quelque peu différente, avec la Société française des traducteurs (SFT) publiant des directives pour l'intégration des outils d'IA dans la pratique professionnelle qui ont influencé les programmes universitaires. Ces directives mettent l'accent sur le rôle évolutif du traducteur en tant qu'« expert en technologies langagières » capable de conseiller les clients sur l'utilisation appropriée de la traduction automatique et humaine pour différentes finalités.
7.2 L'approche chinoise
La réponse de la Chine s'est caractérisée par une adoption institutionnelle rapide, une direction politique au niveau de l'État et la disponibilité de plateformes d'IA nationales. Le ministère chinois de l'Éducation a imposé l'enseignement de l'IA dans toutes les écoles primaires et secondaires à partir de septembre 2025 — les écoles primaires se concentrent sur la culture de l'IA et la sensibilisation, les collèges sur la logique et la pensée critique, et les lycées sur l'innovation appliquée et la conception d'algorithmes. Au niveau universitaire, les établissements chinois ont été plus rapides que nombre de leurs homologues européens à intégrer les outils d'IA dans les programmes de langues et de traduction, portés en partie par la concurrence du marché et en partie par l'encouragement étatique à l'adoption de l'IA.
L'écosystème national d'IA — Baidu Translate, Youdao avec son modèle éducatif Ziyue, Tencent Translate, iFlytek — fournit aux étudiants et éducateurs chinois des outils d'IA spécifiquement optimisés pour les paires de langues chinoises et intégrés dans des plateformes éducatives plus larges. Cela contraste avec la dépendance européenne envers des outils commerciaux principalement occidentaux (DeepL, Google Traduction, ChatGPT), qui sont optimisés pour les combinaisons de langues européennes et peuvent ne pas servir aussi efficacement les paires de langues chinois-européen.
Cependant, l'approche de la Chine fait aussi face à des défis distinctifs. La restriction de l'accès aux outils d'IA mondiaux tels que ChatGPT, Claude et Google Gemini signifie que les étudiants et chercheurs chinois travaillent principalement avec des alternatives nationales, ce qui peut limiter leur exposition à l'éventail complet des capacités et approches de traduction par IA. L'accent mis sur l'adoption rapide peut aussi se faire aux dépens de l'évaluation critique et de la réflexion éthique que les institutions européennes, influencées par le cadre du AI Act, commencent à privilégier.
Une dimension supplémentaire de la réponse chinoise est l'intégration de la traduction par IA dans des stratégies nationales plus larges. Le Plan de développement de la nouvelle génération d'intelligence artificielle du Conseil d'État (2017) et le plan « Modernisation de l'éducation 2035 » cadrent tous deux les compétences en IA — y compris la traduction — comme des compétences nationales stratégiques. Cela signifie que l'adoption des outils de traduction par IA dans l'éducation chinoise n'est pas simplement une décision pédagogique mais une contribution au développement technologique national. Les universités chinoises font par conséquent face à des structures d'incitation différentes de leurs homologues européens : là où les institutions européennes peuvent être prudentes quant à l'adoption de l'IA en raison de préoccupations concernant l'intégrité académique et la dégradation des compétences humaines, les institutions chinoises font face à une pression institutionnelle pour démontrer l'intégration de l'IA comme preuve de modernisation et d'alignement avec la politique nationale.
L'intégration de la traduction par IA dans le système d'enseignement de l'anglais universitaire en Chine illustre cette dynamique. Les Exigences du programme d'anglais universitaire (révision 2024) incluent explicitement « la capacité d'utiliser des outils d'IA pour la communication interculturelle » comme compétence de fin d'études. Plusieurs grandes universités chinoises — dont l'Université de Pékin, l'Université Fudan et l'Université normale du Hunan — ont introduit des modules sur la traduction et la communication assistées par l'IA au sein de leurs programmes de langues étrangères, souvent dispensés par des enseignants qui sont eux-mêmes en train d'apprendre à naviguer dans le nouveau paysage technologique.
7.3 Défis convergents
Malgré ces différences, les institutions européennes et chinoises font face à des défis convergents :
Retard des programmes — les deux systèmes peinent à mettre à jour les programmes au rythme du changement technologique, les processus d'accréditation et l'inertie institutionnelle freinant l'adaptation.
Préparation du corps enseignant — dans les deux contextes, de nombreux enseignants en traduction manquent d'expérience personnelle avec les outils d'IA et sont incertains quant à la manière de les intégrer efficacement dans leur enseignement.
Conception de l'évaluation — les examens traditionnels de traduction qui testent la capacité à traduire des textes à partir de zéro deviennent problématiques lorsque les étudiants ont accès aux outils d'IA, nécessitant de nouvelles approches d'évaluation qui évaluent la culture de la TA, l'évaluation critique et la compétence en post-édition plutôt que la capacité brute de traduction.
Équilibre entre formation technique et humaniste — les deux systèmes doivent naviguer dans la tension entre former les étudiants aux exigences immédiates du marché dominé par la PETA et développer les compétences culturelles, éthiques et créatives plus larges qui distinguent les traducteurs humains des machines.
8. Au-delà de la traduction automatique : ce qui demeure irréductiblement humain
8.1 Traduction littéraire et culturelle
Le domaine où les traducteurs humains demeurent le plus clairement indispensables est la traduction littéraire et culturelle. La traduction littéraire implique non pas simplement de convertir le sens d'une langue à l'autre mais de recréer la voix, le rythme, l'ambiguïté, l'humour, l'ironie et l'effet esthétique dans un contexte linguistique et culturel différent. Une machine peut traduire les mots d'un poème ; elle ne peut pas traduire le poème.
Ce n'est pas simplement une affirmation de foi humaniste contre le progrès technologique. Cela reflète la différence fondamentale entre l'appariement de motifs (dans lequel l'IA excelle) et la création de sens (qui nécessite une expérience culturelle incarnée, une compréhension émotionnelle et un jugement esthétique). Lorsqu'Emily Wilson traduit l'Odyssée d'Homère ou que Pevear et Volokhonsky retraduisent Dostoïevski, ils apportent non seulement une expertise linguistique mais une vision interprétative personnelle — une qualité qui distingue la grande traduction du rendu compétent.
8.2 Jugement éthique en traduction
Le chapitre compagnon sur la théorie de l'appropriation (Woesler, dans ce volume) soutient que la traduction ne peut être évaluée uniquement sur des critères linguistiques mais doit être appréciée dans un cadre éthique qui considère les conditions de production, le contexte historique et les conséquences potentielles des choix de traduction. Cette dimension éthique — la capacité de reconnaître quand un choix de traduction peut causer du tort, quand la sensibilité culturelle exige un écart par rapport à la précision littérale, quand le contexte politique nécessite un cadrage soigneux — reste au-delà des capacités actuelles des systèmes d'IA.
Les systèmes de traduction par IA font des choix fondés sur des schémas statistiques dans les données d'entraînement. Ils ne peuvent exercer de jugement éthique au sens de peser des valeurs concurrentes et d'accepter la responsabilité des conséquences de ces choix. Le post-éditeur qui examine la production automatique et décide qu'un rendu particulier, bien que linguistiquement précis, est culturellement inapproprié ou politiquement sensible exerce une forme d'agentivité humaine qu'aucun système d'IA actuel ne peut reproduire.
8.3 La « thèse de la complémentarité » étendue
L'étude empirique dans ce volume (Woesler, dans ce volume) a constaté que l'IA et l'instruction humaine remplissent des « fonctions différentes et complémentaires » dans l'apprentissage des langues — ce que nous avons nommé la thèse de la complémentarité. Cette thèse s'étend naturellement à la traduction : l'IA et les traducteurs humains remplissent des fonctions différentes et complémentaires. L'IA excelle en vitesse, cohérence, couverture et traitement des textes informationnels courants. Les traducteurs humains excellent en interprétation culturelle, créativité littéraire, jugement éthique et traitement des textes où la précision et la nuance ont des enjeux élevés.
L'avenir de la traduction n'est ni le remplacement des humains par les machines ni la préservation de la pratique traditionnelle de traduction exclusivement humaine. C'est une écologie collaborative dans laquelle la division du travail entre l'humain et la machine est continuellement renégociée à mesure que les capacités de l'IA évoluent et que notre compréhension de ce qui constitue une « bonne traduction » s'approfondit.
8.4 Le cas de la littérature chinoise en traduction
Une illustration concrète des limites de la traduction par IA peut être tirée de la propre expérience de l'auteur dans la traduction de textes littéraires chinois — y compris des œuvres de Lu Xun et des romans classiques chinois — en allemand et en anglais. Considérons la phrase d'ouverture du 狂人日记 (Journal d'un fou, 1918) de Lu Xun : « 今天晚上，很好的月光。» Une traduction automatique produit quelque chose comme « Ce soir, un très beau clair de lune » — grammaticalement adéquat mais esthétiquement mort. Le défi pour le traducteur humain est de transmettre non seulement le contenu sémantique mais le ton délibérément plat et inquiétant qui établit l'état mental du narrateur : la juxtaposition d'une observation ordinaire (« un très beau clair de lune ») avec le contexte extraordinaire de la folie naissante.
De même, la traduction de la poésie chinoise classique — où un seul caractère peut porter de multiples sens simultanés, où les schémas tonaux créent des structures musicales et où les allusions culturelles opèrent à plusieurs niveaux — reste fondamentalement au-delà des capacités actuelles de l'IA. La poésie de la dynastie Tang, avec ses exigences formelles strictes (律诗 lüshi : vers régulés avec des schémas tonaux, un parallélisme et une imagerie condensée), résiste non seulement à la traduction automatique mais à toute traduction qui n'implique pas un engagement profond avec la tradition littéraire chinoise, les cadres philosophiques bouddhistes et taoïstes, et les contextes historiques spécifiques des poètes individuels.
Ces exemples ne sont pas de simples curiosités mais des illustrations d'un principe général : plus un texte dépend de l'ancrage culturel, de l'effet esthétique et de la signification à plusieurs niveaux, moins la traduction par IA est adéquate. Ce principe a des implications directes pour l'éducation, suggérant que l'étude de la traduction littéraire — loin d'être une spécialisation obsolète — pourrait devenir la composante la plus distinctement humaine et donc la plus précieuse de la formation en traduction.
9. Conclusion
La « fin de la traduction » est une expression trompeuse si on la comprend littéralement. Ce qui prend fin, c'est la traduction en tant que service professionnel de routine effectué principalement par des humains. Ce qui émerge, c'est une nouvelle écologie de collaboration humain-machine qui exige de nouvelles compétences, de nouveaux rôles professionnels, de nouveaux programmes d'études et de nouvelles formes de réflexion éthique.
Pour l'éducation, cette transformation exige rien de moins qu'une reconceptualisation de ce que signifie enseigner et apprendre la traduction. La culture de la traduction automatique — englobant la compréhension technique, l'évaluation critique, la post-édition efficace et le jugement éthique — doit devenir centrale dans les programmes de langues et de traduction. En même temps, les compétences humanistes que les machines ne peuvent reproduire — sensibilité culturelle, sensibilité littéraire, raisonnement éthique, interprétation créative — doivent être préservées et renforcées plutôt qu'abandonnées comme obsolètes.
La comparaison des réponses européennes et chinoises révèle une tension productive entre l'approche prudente de l'UE, informée par la régulation, et l'adoption rapide de l'IA par la Chine, soutenue par l'État. Aucune approche ne suffit à elle seule. L'accent mis par l'UE sur les cadres éthiques et l'évaluation critique fournit des garde-fous nécessaires pour une intégration responsable de l'IA. La rapidité et l'ampleur de l'adoption par la Chine génèrent une expérience pratique et une adaptation institutionnelle dont l'UE peut tirer des enseignements. Une synthèse des deux approches — combinant rigueur éthique et agilité pratique — offre la voie la plus prometteuse.
Plusieurs recommandations pratiques émergent de cette analyse. Premièrement, les programmes de traduction et de langues devraient introduire la culture de la traduction automatique comme compétence fondamentale dès le premier semestre, en s'assurant que les étudiants développent des compétences d'évaluation critique parallèlement aux compétences linguistiques traditionnelles. Deuxièmement, la PETA devrait être enseignée non pas simplement comme une compétence technique mais dans un cadre incluant la taxonomie des erreurs, la méthodologie d'évaluation de la qualité et la réflexion éthique sur les conséquences des choix de traduction. Troisièmement, la traduction littéraire et culturelle devrait être préservée et renforcée comme le domaine où l'expertise humaine reste le plus clairement irremplaçable — et le plus clairement précieuse dans un paysage saturé d'IA. Quatrièmement, la coopération académique UE-Chine en formation à la traduction devrait être intensifiée, tirant parti des forces complémentaires de l'accent européen sur la régulation et les cadres éthiques avec l'accent chinois sur l'intégration pratique de l'IA et l'échelle.
Pour le domaine plus large de la numérisation de l'éducation, l'étude de cas de la « fin de la traduction » offre à la fois un avertissement et un précédent encourageant. Avertissement, parce que la rapidité et l'ampleur de la disruption par l'IA peuvent dépasser l'adaptation institutionnelle, laissant les étudiants insuffisamment préparés à un paysage professionnel transformé. Encourageant, parce que la transformation n'élimine pas le besoin d'expertise humaine mais la redirige — de l'exécution routinière vers l'évaluation critique, l'interprétation créative et le jugement éthique. Ce sont précisément les compétences que l'enseignement supérieur est le mieux placé pour développer.
Comme cette anthologie le démontre à travers ses chapitres compagnons sur l'apprentissage des langues assisté par l'IA, les formes alternatives d'apprentissage, l'éthique de l'IA et l'université du futur, la transformation opérée par l'IA dans l'éducation n'est pas un phénomène unique mais une constellation de changements interconnectés qui doivent être abordés de manière holistique. La fin de la traduction telle que nous la connaissions est, simultanément, le début de quelque chose de nouveau — une forme de communication interculturelle dans laquelle l'intelligence humaine et artificielle collaborent pour jeter des ponts entre les langues, les cultures et les visions du monde.
Remerciements
Cette recherche a été soutenue par le Centre d'excellence Jean Monnet « EU-Studies Centre: Digitalization in Europe and China » (EUSC-DEC), financé par l'Union européenne dans le cadre de la convention de subvention n° 101126782. Les opinions exprimées n'engagent que l'auteur et ne reflètent pas nécessairement celles de l'Union européenne.
Références
Algaraady, J., & Mahyoob, M. (2025). Exploring ChatGPT's potential for augmenting post-editing in machine translation across multiple domains: challenges and opportunities. Frontiers in Artificial Intelligence, 8, 1526293.
Bowker, L. (2023). De-mystifying Translation: Introducing Translation to Non-translators. Routledge.
Bowker, L., & Buitrago Ciro, J. (2019). Machine Translation and Global Research: Towards Improved Machine Translation Literacy in the Scholarly Community. Emerald Publishing.
Chen, S., & Lin, Y. (2025). A multidimensional comparison of ChatGPT, Google Translate, and DeepL in Chinese tourism texts translation: fidelity, fluency, cultural sensitivity, and persuasiveness. Frontiers in Artificial Intelligence, 8, 1619489.
CIOL. (2024). Freelance translators and interpreters: Work volumes survey. Chartered Institute of Linguists.
CNN. (2026, January 23). Translation and language jobs face automation as AI transforms the industry.
Ehrensberger-Dow, M., Delorme Benites, A., & Lehr, C. (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 and foreign language skills. CEPR/VoxEU.
Kirchhoff, P. (2024). Machine translation in English language teaching. ELT Journal, 78(4), 393-400.
Jiang, L., Wei, B., & Al-Shaibani, G. K. S. (2025). Effective neural machine translation with human post-editing of Chinese intangible cultural heritage corpus into English. SAGE Open.
Ohashi, L. (2024). AI in language education: The impact of machine translation and ChatGPT. In P. Ilic, I. Casebourne, & R. Wegerif (Eds.), Artificial Intelligence in Education: The Intersection of Technology and Pedagogy (pp. 225-242). Springer.
Ren, X., & Wang, R. (2025). Integrating human-AI collaboration into translation education: A comprehensive protocol for assessment, diagnosis, and strategy development. PLoS One, 20(12), e0338089. DOI: 10.1371/journal.pone.0338089.
Slator. (2025). Slator 2025 Language Industry Market Report.
Sun, R. (2024). Evaluating the translation accuracy of ChatGPT and DeepL through the lens of implied subjects. Arab World English Journal for Translation & Literary Studies, 8(4).
The Markup. (2025, April 2). Are AI models advanced enough to translate literature? The debate is roiling publishing.
Woesler, M. (dans ce volume). Théorie de l'appropriation : un cadre éthique intégrateur pour la traductologie.
Vaswani, A., et al. (2017). Attention is all you need. In Advances in Neural Information Processing Systems, 30.
Weaver, W. (1949). Translation. Reprinted in W. N. Locke & A. D. Booth (Eds.), Machine Translation of Languages (1955). MIT Press.
Woesler, M. (dans ce volume). Cadres éthiques pour l'IA dans l'enseignement supérieur : entre régulation européenne et innovation chinoise.
Woesler, M. (dans ce volume). Apprendre une langue étrangère avec et sans IA : une étude empirique comparative.
Zhang, H. (2025, April). Quality Comparison of MT in Translating Chinese Music Historical Texts and Inspiration. In Learning Technologies and Systems: 23rd International Conference on Web-Based Learning, ICWL 2024 and 9th International Symposium on Emerging Technologies for Education, SETE 2024 Shanghai, China, November 26-28, 2024 Revised Selected Papers (Vol. 15589, p. 193). Springer Nature.
Zhang, J., & Doherty, S. (2025). Investigating novice translation students' AI literacy in translation education. The Interpreter and Translator Trainer. Taylor & Francis.
Zhang, W., Li, A. W., & Wu, C. (2025). University students' perceptions of using generative AI in translation practices. Instructional Science. Springer.