Rethinking Higher Education/it/Chapter 4
La fine della traduzione: come l'IA trasforma la comunicazione interculturale nell'istruzione
Martin Woesler
Università Normale dello Hunan
Riassunto
L'ascesa della traduzione automatica neurale (NMT) e dell'IA generativa ha alterato fondamentalmente il panorama della comunicazione interculturale e dell'istruzione linguistica. Il presente articolo esamina la trasformazione prodotta dagli strumenti di traduzione basati sull'IA — tra cui DeepL, ChatGPT e piattaforme cinesi come Baidu Translate e Youdao — sulla pratica traduttiva, sul mercato del lavoro della traduzione e sulla pedagogia linguistica. Basandoci su studi comparativi recenti e su dati del mercato del lavoro, documentiamo una drammatica contrazione della domanda di traduzione professionale, accompagnata da un'espansione dei flussi di lavoro di post-editing della traduzione automatica (MTPE). Sosteniamo che questo cambiamento rende necessario un nuovo paradigma educativo incentrato sull'«alfabetizzazione in materia di traduzione automatica» piuttosto che sulla competenza traduttiva tradizionale. Attraverso un confronto sistematico delle risposte europee e cinesi a questa trasformazione, identifichiamo approcci regolatori divergenti e sfide pedagogiche convergenti. Concludiamo che la «fine della traduzione» non è la fine della comprensione interculturale, bensì un riorientamento della competenza umana verso ciò che resta irriducibilmente umano: la sfumatura culturale, il giudizio etico e la sensibilità letteraria.
Parole chiave: traduzione automatica, IA nell'istruzione, DeepL, ChatGPT, post-editing, alfabetizzazione traduttiva, confronto UE-Cina, istruzione linguistica
1. Introduzione
Il 30 maggio 2024, nell'ambito della serie di lezioni del Centro d'eccellenza Jean Monnet «Digitalizzazione in Cina e in Europa» presso l'Università Normale dello Hunan, l'autore ha tenuto una lezione intitolata «La fine della traduzione». Il titolo era volutamente provocatorio. La traduzione, una delle più antiche attività intellettuali dell'umanità, sembra affrontare una sfida esistenziale da parte dell'intelligenza artificiale. I sistemi di traduzione automatica neurale elaborano oggi miliardi di parole al giorno con livelli di accuratezza che sarebbero sembrati inconcepibili un decennio fa. Il Fondo Monetario Internazionale ha riferito nel gennaio 2026 che il suo personale di traduttori e interpreti era diminuito da 200 a circa 50, con il resto sempre più riassegnato al controllo di qualità dell'output generato dalle macchine (CNN 2026). Un sondaggio del 2024 del Chartered Institute of Linguists (CIOL) ha rilevato che oltre il 70 per cento dei traduttori freelance ha segnalato una diminuzione dei volumi di lavoro (CIOL 2024).
Tuttavia, l'inquadramento provocatorio richiede una precisazione. Ciò che sta finendo non è la traduzione come attività intellettuale e culturale, bensì la traduzione come servizio professionale di routine svolto prevalentemente da esseri umani. Ciò che sta emergendo è una nuova ecologia di collaborazione uomo-macchina, nella quale il ruolo umano si sposta dalla produzione di traduzioni alla valutazione, al perfezionamento e alla contestualizzazione dell'output delle macchine. Per l'istruzione — in particolare per i dipartimenti di lingue e i programmi di traduzione nelle università sia europee sia cinesi — questo cambiamento pone domande urgenti. Che cosa dovremmo insegnare agli studenti che entreranno in una professione radicalmente diversa dalla sua versione novecentesca? Come coltiviamo le competenze distintamente umane che le macchine non possono replicare? E come rispondono i diversi sistemi educativi — europeo e cinese — a queste sfide?
Il presente articolo affronta tali questioni esaminando lo stato attuale della tecnologia di traduzione basata sull'IA, le sue conseguenze sul mercato del lavoro, il concetto emergente di «alfabetizzazione in materia di traduzione automatica», il ruolo del post-editing nell'istruzione e le risposte divergenti di istituzioni europee e cinesi. Esso contribuisce al più ampio progetto antologico collegando la dimensione tecnologica dell'IA nell'istruzione con il quadro etico sviluppato nel capitolo complementare sulla Teoria dell'adeguatezza (Woesler, in questo volume) e con i risultati empirici sull'apprendimento linguistico assistito dall'IA (Woesler, in questo volume).
2. Contesto storico: traduzione e tecnologia
Prima di esaminare l'attuale trasformazione guidata dall'IA, è utile collocarla nella storia più ampia del rapporto tra tecnologia e traduzione. La traduzione è sempre stata mediata dalla tecnologia in senso lato — dall'invenzione della scrittura stessa, che ha reso possibile la traduzione come pratica testuale, alla stampa, che ha creato una domanda di massa per le opere tradotte, alla macchina da scrivere e al word processor, che hanno trasformato il flusso di lavoro fisico del traduttore.
L'approccio computazionale alla traduzione risale al memorandum di Warren Weaver del 1949, che proponeva di applicare la teoria dell'informazione e le tecniche crittografiche al «problema della traduzione». I decenni successivi di traduzione automatica basata su regole (RBMT) e traduzione automatica statistica (SMT) hanno prodotto sistemi utili per il gisting — ottenere una comprensione approssimativa di un testo straniero — ma inadeguati per produrre traduzioni pubblicabili. La rivoluzione neurale della metà degli anni 2010, iniziata con il meccanismo di attenzione (Bahdanau et al. 2014) e culminata nell'architettura Transformer (Vaswani et al. 2017), ha cambiato tutto questo in modo fondamentale. Per la prima volta, l'output delle macchine era spesso indistinguibile da una traduzione umana competente per testi di routine.
Il parallelo storico più frequentemente invocato è l'impatto della fotografia sulla pittura. La fotografia non ha eliminato la pittura, ma ha eliminato il monopolio della pittura sulla rappresentazione visiva, liberando i pittori per esplorare dimensioni dell'esperienza visiva — astrazione, espressionismo, arte concettuale — che la fotografia non poteva catturare. Analogamente, la traduzione basata sull'IA potrebbe non eliminare la traduzione umana, ma sta eliminando il monopolio della traduzione umana sulla comunicazione interlinguistica, potenzialmente liberando i traduttori umani per concentrarsi su dimensioni della costruzione di significato interculturale che le macchine non possono replicare.
3. Il panorama della traduzione basata sull'IA: strumenti e capacità
3.1 Traduzione automatica neurale contro IA generativa
La distinzione tra sistemi dedicati di traduzione automatica neurale (NMT) e strumenti di IA generativa (GenAI) è cruciale per comprendere il panorama attuale. Come dimostrano Ohashi (2024) nel loro confronto sistematico, i sistemi NMT come Google Translate e DeepL sono costruiti specificamente per la traduzione, addestrati su corpora paralleli e ottimizzati per la fluenza e l'adeguatezza in specifiche coppie linguistiche. Gli strumenti GenAI come ChatGPT, Claude e il cinese Ernie Bot gestiscono la traduzione come una capacità tra le tante, sfruttando una comprensione linguistica più ampia ma priva dei dati di addestramento specializzati dei sistemi NMT dedicati.
Questa distinzione ha conseguenze pratiche. Un confronto multidimensionale di ChatGPT, Google Translate e DeepL sui testi turistici cinesi ha rilevato che ChatGPT ha superato i sistemi NMT dedicati nelle metriche di fedeltà, fluenza, sensibilità culturale e persuasività — in particolare quando gli venivano forniti prompt adattati culturalmente (Chen et al. 2025). Tuttavia, ChatGPT ha occasionalmente introdotto spostamenti semantici assenti dal testo di partenza, un fenomeno che i sistemi NMT dedicati evitano con maggiore affidabilità. Sun, R. (2024), valutando la traduzione letteraria dal cinese all'inglese attraverso il prisma dei soggetti impliciti, ha riscontrato che ChatGPT gestiva le strutture a soggetto implicito della prosa cinese contemporanea (in particolare i saggi di Yu Qiuyu) con maggiore sofisticazione rispetto a DeepL, suggerendo che la comprensione contestuale più ampia della GenAI compensa la mancanza di addestramento specifico alla traduzione nei domini letterari.
3.2 Piattaforme cinesi di traduzione basata sull'IA
L'ecosistema cinese della traduzione basata sull'IA merita un'attenzione specifica, poiché opera in gran parte indipendentemente dall'ecosistema occidentale. Baidu Translate (百度翻译) supporta 203 lingue, inclusi dialetti rari e cinese classico, utilizzando la tecnologia NMT con elaborazione contestuale a livello di frase. Youdao (有道翻译), sviluppato da NetEase, ha rilasciato il suo modello linguistico educativo di grandi dimensioni «Ziyue» (子曰) nel 2023, seguito dal modello di ragionamento Ziyue-o1 nel 2025, integrando capacità di traduzione con funzioni approfondite di dizionario e strumenti di studio in circa 107 lingue. Tencent Translate e i sistemi di iFlytek combinano analogamente la traduzione con applicazioni educative e aziendali più ampie.
Una valutazione qualitativa comparativa di Youdao AI Translate, Baidu Translate e Tencent Translate per testi di storia della musica cinese, utilizzando una valutazione su scala Likert, ha riscontrato una variazione significativa nell'accuratezza specifica del dominio, con nessuno dei tre che ha raggiunto una qualità costante di livello esperto in contenuti culturali specializzati (Zhang et al. 2025). Questo risultato sottolinea un tema ricorrente: la traduzione basata sull'IA eccelle nella comunicazione generale, ma è in difficoltà con testi specialistici per dominio, culturalmente radicati e stilisticamente esigenti.
3.3 Lo stato dell'arte: punti di forza e debolezze persistenti
Gli attuali sistemi di traduzione basati sull'IA gestiscono testi informativi di routine — articoli di cronaca, corrispondenza commerciale, documentazione tecnica, interfacce utente — a livelli che si avvicinano o eguagliano i traduttori umani medi. Il divario qualitativo si riduce ulteriormente quando si tiene conto del post-editing. Tuttavia, persistono debolezze sistematiche in diversi ambiti:
La traduzione letteraria, dove voce, ritmo, ambiguità e risonanza culturale sono costitutivi e non incidentali. La traduzione automatica della poesia, ad esempio, resta in gran parte inadeguata, come documentato dal dibattito in corso nell'industria editoriale sulla questione se i modelli di IA siano «sufficientemente avanzati per tradurre la letteratura» (The Markup 2025).
L'umorismo, l'ironia e il sarcasmo, che dipendono da una conoscenza culturale condivisa, dall'inferenza contestuale e dalla violazione intenzionale delle aspettative linguistiche. Le macchine possono identificare alcuni schemi di ironia attraverso i dati di addestramento, ma non possono comprendere perché qualcosa è divertente o come l'ironia funzioni retoricamente.
Le espressioni culturalmente radicate che mancano di equivalenti diretti — non soltanto modi di dire (che i sistemi NMT gestiscono in misura crescente attraverso il pattern matching), ma quadri concettuali che riflettono visioni del mondo distinte. Il termine filosofico cinese 仁 (rén), ad esempio, resiste alla traduzione in un unico vocabolo italiano («benevolenza», «umanità», «bontà») perché ciascuna opzione pone in primo piano aspetti diversi di un concetto che in cinese li comprende tutti simultaneamente.
La sensibilità etica e politica, dove le scelte traduttive hanno conseguenze che vanno oltre l'accuratezza linguistica. La resa di termini politicamente carichi — «Paese in via di sviluppo», «diritti umani», «democrazia» — implica giudizi che i sistemi di IA formulano sulla base di schemi statistici nei dati di addestramento piuttosto che sulla deliberazione etica.
3.4 Una nota sulla metodologia di valutazione
La valutazione della qualità della traduzione basata sull'IA resta controversa. Le metriche tradizionali come il BLEU (Bilingual Evaluation Understudy) e metriche neurali più recenti come COMET e BERTScore catturano aspetti diversi della qualità traduttiva e talvolta producono risultati contraddittori. La valutazione umana, pur essendo considerata il gold standard, è costosa, dispendiosa in termini di tempo e soggetta al pregiudizio del valutatore. La pratica crescente di utilizzare sistemi di IA per valutare le traduzioni di altri sistemi di IA solleva questioni di circolarità.
Per i contesti educativi, il criterio di valutazione più pertinente non è la qualità astratta, bensì l'idoneità allo scopo. Una traduzione automatica utilizzata per aiutare uno studente a comprendere un testo in lingua straniera ha requisiti di qualità diversi da una destinata alla pubblicazione, a procedimenti legali o alla comunicazione diplomatica. Questa prospettiva pragmatica — che risuona con la tradizione della Teoria dello Skopos negli studi sulla traduzione e con il quadro dell'adeguatezza proposto altrove in questo volume — suggerisce che alla domanda «La traduzione automatica è sufficientemente buona?» si possa rispondere solo in relazione a una finalità, un contesto e un insieme di conseguenze specifici.
4. La trasformazione del mercato del lavoro
4.1 La contrazione della domanda di traduzione
L'impatto dell'IA sulla professione traduttiva è stato grave e rapido. La ricerca del Centre for Economic Policy Research (CEPR), che ha utilizzato la variazione nell'adozione di Google Translate nei mercati del lavoro locali statunitensi, ha rilevato che «le aree con un'adozione più elevata hanno registrato un calo dell'occupazione dei traduttori» e che «i miglioramenti nella traduzione automatica hanno ridotto la domanda di competenze in lingue straniere in generale» (Frey e Llanos-Paredes 2025). Oltre tre quarti dei traduttori professionisti intervistati nel 2024 si aspettavano che l'IA generativa avrebbe avuto un effetto negativo sul loro reddito futuro.
La riduzione del personale traduttivo del Fondo Monetario Internazionale da 200 a circa 50 rappresenta un esempio istituzionale concreto (CNN 2026). Duolingo ha licenziato circa il 10 per cento dei suoi collaboratori per la traduzione nel gennaio 2024, passando alla produzione di contenuti guidata dall'IA. Le agenzie di traduzione hanno «adottato sempre più un modello commerciale incentrato sul MTPE, riducendo le tariffe e spesso compromettendo la qualità del prodotto finale» (The Markup 2025).
Questi dati devono essere interpretati con cautela. L'industria della traduzione comprende una vasta gamma di attività — dalla traduzione legale certificata alla localizzazione di siti web, dalla traduzione letteraria all'interpretariato di conferenza — e l'impatto dell'IA varia drasticamente tra questi sotto-settori. Il Bureau of Labor Statistics prevede una domanda continua di interpreti e traduttori negli Stati Uniti fino al 2032, trainata dalla globalizzazione e dall'immigrazione, anche se la natura del lavoro cambia. Ciò che si sta contraendo non è la domanda di comunicazione interlinguistica, bensì la domanda del modello tradizionale di traduzione esclusivamente umana di testi di routine.
4.2 L'ascesa del post-editing
Il declino dell'occupazione tradizionale nella traduzione è stato parzialmente compensato dalla crescita del post-editing della traduzione automatica (MTPE) come attività professionale. I post-editor riesaminano, correggono e perfezionano le traduzioni generate dalle macchine anziché tradurre da zero. Ciò rappresenta un cambiamento fondamentale nel ruolo del traduttore — da autore a revisore, da creatore a controllore della qualità.
La ricerca sul potenziale di ChatGPT-4o per potenziare il post-editing ha rilevato che esso «può integrare la competenza umana nel post-editing» ma «non può fornire traduzioni completamente accurate senza intervento umano», e che una piena integrazione «ridurrebbe significativamente costi, tempi e sforzi» (Chen 2025). Jiang, Wei e Al-Shaibani (2025), studiando il post-editing NMT di testi cinesi sul patrimonio culturale immateriale tradotti in inglese, hanno documentato come i flussi di lavoro MTPE possano gestire contenuti culturali specializzati, dimostrando al contempo che la competenza umana resta essenziale per il materiale culturalmente sensibile.
Tuttavia, il modello del post-editing solleva le proprie preoccupazioni. La pratica dell'«affaticamento da post-editing» — esaurimento cognitivo dovuto alla costante valutazione e correzione dell'output delle macchine piuttosto che all'impegno nella traduzione creativa — è stata documentata tra i traduttori professionisti (The Markup 2025). Alcuni sostengono che il post-editing addestra la mente umana a pensare come una macchina anziché sviluppare la sensibilità culturale e letteraria che distingue la traduzione umana esperta.
4.3 Impatto differenziato
L'impatto sul mercato del lavoro non è uniforme tra i diversi ambiti della traduzione. La traduzione commerciale, tecnica e amministrativa di routine è stata la più colpita, con i sistemi di IA che gestiscono questi compiti a una qualità accettabile con un intervento umano minimo. La traduzione letteraria, legale e diplomatica — ambiti in cui precisione, sfumatura e sensibilità culturale sono prioritarie — è stata meno colpita, sebbene gli strumenti di IA siano sempre più utilizzati come generatori di prime bozze anche in questi campi.
Anche la distribuzione geografica dell'impatto varia. In Europa, dove la professione traduttiva è relativamente ben organizzata e regolamentata, la transizione è stata accompagnata da un dibattito professionale e da alcune risposte istituzionali. In Cina, dove il mercato della traduzione è più ampio ma più frammentato, il cambiamento è stato più rapido e meno mediato da organizzazioni professionali. Le aziende di traduzione cinesi hanno adottato gli strumenti di IA in modo aggressivo, guidate dalla concorrenza di mercato e dalla disponibilità di piattaforme di IA domestiche ottimizzate per le coppie linguistiche cinesi.
5. Alfabetizzazione in materia di traduzione automatica: un nuovo paradigma educativo
5.1 Definire l'alfabetizzazione in materia di traduzione automatica
Il concetto di «alfabetizzazione in materia di traduzione automatica» (MT literacy) è stato sviluppato da Bowker e Buitrago Ciro (2019) e ulteriormente elaborato da Bowker (2023) in De-mystifying Translation: Introducing Translation to Non-translators. L'alfabetizzazione in materia di traduzione automatica comprende diverse competenze: comprendere come funzionano i sistemi di traduzione automatica (architettonicamente, non solo funzionalmente), comprendere come sono utilizzati nella pratica, apprezzare le più ampie implicazioni sociali ed economiche della traduzione automatica, valutare l'idoneità dei testi di partenza alla traduzione automatica, creare o modificare testi per un migliore output della traduzione automatica e modificare l'output della traduzione automatica per garantirne qualità e adeguatezza.
Questo quadro sposta l'attenzione educativa dalla competenza traduttiva (la capacità di tradurre) all'alfabetizzazione traduttiva (la capacità di lavorare efficacemente con le tecnologie di traduzione). Il cambiamento è analogo alla più ampia trasformazione educativa dalla produzione di informazioni alla valutazione delle informazioni che caratterizza l'era digitale.
5.2 La preparazione degli studenti: lacune attuali
Uno studio che ha indagato l'alfabetizzazione in materia di IA degli studenti di traduzione alle prime armi ha rilevato che gli studenti «menzionano frequentemente termini come "big data", "apprendimento profondo" e "rete neurale" ma dimostrano una scarsa conoscenza di ciò che queste parole significano o di come si relazionano agli strumenti di traduzione basati sull'IA» (Zhang et al. 2025). Questo divario tra familiarità superficiale e comprensione autentica caratterizza lo stato attuale della formazione in traduzione in molte istituzioni.
Un'indagine sulle percezioni degli studenti universitari riguardo all'uso dell'IA generativa nelle pratiche traduttive ha rilevato che gli strumenti GenAI offrono vantaggi nel «migliorare l'efficienza, la qualità, l'apprendimento e la pratica della traduzione», favorendo una visione positiva — ma che questa visione positiva potrebbe riflettere un'accettazione acritica piuttosto che una valutazione informata (Zhang et al. 2025). La sfida per gli educatori è coltivare un coinvolgimento critico con gli strumenti di IA senza né demonizzarli né celebrarli in modo acritico.
La ricerca sulla traduzione automatica nell'insegnamento della lingua inglese ha rilevato che Google Translate è lo strumento di traduzione automatica più popolare tra gli studenti, seguito da DeepL e ChatGPT, utilizzati principalmente per la comprensione della lettura, il controllo grammaticale e l'assistenza alla scrittura (ELT Journal 2024). Un risultato significativo è che «i docenti tendono a considerare la traduzione automatica come "un nemico" mentre gli studenti la vedono come "un'amica"» — un divario generazionale che complica le risposte pedagogiche.
5.3 Verso un nuovo ruolo professionale
L'emergere dell'alfabetizzazione in materia di traduzione automatica come paradigma educativo ha portato a proposte per nuovi ruoli professionali. Ehrensberger-Dow, Delorme Benites e Lehr (2023) hanno proposto il ruolo di «consulente di alfabetizzazione in materia di traduzione automatica» — un professionista che funge da ponte tra la tecnologia della traduzione automatica e le esigenze pedagogiche o organizzative. Questo ruolo implica non solo competenza tecnica, ma anche la capacità di valutare le esigenze istituzionali, progettare strategie di integrazione della traduzione automatica e formare gli utenti finali nell'uso efficace della traduzione automatica.
Un protocollo completo per l'integrazione della collaborazione uomo-IA nella formazione alla traduzione è stato proposto da Ren et al. (2025), delineando approcci di valutazione, diagnosi e sviluppo strategico che collocano la collaborazione uomo-IA come quadro pedagogico fondamentale piuttosto che come aggiunta alla formazione traduttiva tradizionale.
6. Il post-editing nel curricolo
6.1 Il MTPE come competenza fondamentale
L'integrazione del MTPE nei curricoli di traduzione non è più facoltativa, bensì essenziale. Gli studenti che entrano nella professione traduttiva lavoreranno quasi certamente con prime bozze generate dalle macchine piuttosto che traducendo da pagine bianche. I curricoli devono pertanto sviluppare competenze in:
Rilevamento e classificazione degli errori — identificare i tipi di errori che i sistemi NMT e GenAI producono caratteristicamente (omissioni, aggiunte, errori di traduzione, errori di registro, inadeguatezza culturale).
Strategie di revisione efficienti — distinguere tra «post-editing leggero» (correzioni minime per la comprensione del senso generale) e «post-editing completo» (revisione approfondita a qualità di pubblicazione), e sapere quando ciascuno è appropriato.
Valutazione del testo di partenza — valutare se un testo è adatto alla traduzione automatica o richiede una traduzione umana, sulla base di fattori quali la specificità del dominio, il radicamento culturale, i requisiti di registro e le conseguenze dell'errore.
Valutazione della qualità — sviluppare quadri per valutare sistematicamente l'output della traduzione automatica, superando il giudizio impressionistico verso criteri di valutazione strutturati.
6.2 Una tassonomia degli errori della traduzione automatica
Un post-editing efficace richiede una comprensione sistematica dei tipi di errori che i sistemi di traduzione basati sull'IA producono caratteristicamente. Sulla base della letteratura di ricerca e dell'esperienza personale dell'autore con la traduzione automatica cinese-inglese e cinese-tedesca, possiamo identificare le seguenti categorie di errori ricorrenti:
Errori di omissione: i sistemi NMT talvolta saltano porzioni del testo di partenza, in particolare proposizioni subordinate, osservazioni parentetiche o spiegazioni culturalmente specifiche. Ciò è particolarmente problematico nella traduzione dal cinese all'italiano, dove l'assenza di marcatori grammaticali espliciti (nessun articolo, nessun plurale obbligatorio, nessuna forma verbale flessa) implica che la macchina deve dedurre relazioni strutturali che possono portare a semplificazioni.
Errori di aggiunta: al contrario, i sistemi GenAI — in particolare ChatGPT — inseriscono occasionalmente informazioni non presenti nel testo di partenza, attingendo ai loro dati di addestramento per «completare» ciò che percepiscono come informazione incompleta. Questo problema di «allucinazione», ben documentato in altre applicazioni GenAI, si manifesta nella traduzione come l'inserimento di frasi esplicative, conoscenza culturale implicita o connessioni logiche dedotte.
Errori di registro: i sistemi di traduzione automatica hanno difficoltà con il registro — il livello di formalità, tecnicità o intimità appropriato a un dato tipo di testo. Un comunicato diplomatico formale tradotto al livello di registro di una conversazione informale, o un racconto per bambini reso in prosa accademica, può essere semanticamente accurato ma pragmaticamente inadeguato.
Errori di sostituzione culturale: di fronte a riferimenti culturalmente specifici, i sistemi di IA talvolta sostituiscono equivalenti della cultura di arrivo anziché preservare la specificità della cultura di partenza. Si tratta di una manifestazione della tendenza all'addomesticamento che Venuti (1995) ha criticato nella traduzione umana, ora automatizzata e pertanto più pervasiva.
Errori di coerenza: sebbene le singole frasi possano essere tradotte con accuratezza, la coerenza di testi più lunghi — il flusso logico dell'argomentazione, il mantenimento dei fili tematici, la coerenza della terminologia — può essere compromessa dall'elaborazione a livello di frase che perde di vista la struttura a livello del discorso.
La comprensione di questi tipi di errori è essenziale per un post-editing efficace e dovrebbe costituire una componente fondamentale dei curricoli di MTPE.
6.3 Sfide nella formazione al MTPE
Insegnare il MTPE in modo efficace pone diverse sfide pedagogiche. Gli studenti devono innanzitutto sviluppare una competenza traduttiva sufficiente per riconoscere gli errori delle macchine — non si può revisionare efficacemente una traduzione che non si sarebbe potuto produrre o almeno valutare autonomamente. Ciò crea un paradosso: le stesse competenze che il MTPE sembra rendere obsolete (conoscenza linguistica approfondita, comprensione culturale, sensibilità stilistica) sono precisamente quelle necessarie per svolgere bene il MTPE.
Inoltre, la formazione al MTPE rischia di ridurre l'istruzione traduttiva a un esercizio tecnico di correzione degli errori, trascurando le dimensioni creative, culturali ed etiche che distinguono la traduzione da altre forme di elaborazione testuale. Gli educatori devono trovare modi per sviluppare sia le competenze tecniche di MTPE sia le più ampie competenze umanistiche che danno a tali competenze significato e direzione.
Un approccio pedagogico promettente coinvolge esercizi di confronto strutturato in cui gli studenti valutano lo stesso testo di partenza tradotto da più sistemi (NMT, GenAI e traduttore umano) e analizzano i punti di forza e di debolezza caratteristici di ciascuno. Tali esercizi sviluppano competenze di valutazione critica, costruiscono la consapevolezza dei tipi di errori e coltivano la consapevolezza metalinguistica che distingue un post-editor informato da un correttore passivo dell'output delle macchine.
7. Le risposte europee e cinesi a confronto
7.1 L'approccio europeo
Le risposte europee alla rivoluzione della traduzione basata sull'IA sono state plasmate da diversi fattori: la forte tradizione di multilinguismo dell'UE (24 lingue ufficiali), la relativamente matura professionalizzazione della traduzione attraverso organizzazioni come la rete del Master europeo in traduzione (EMT) e il quadro normativo fornito dall'AI Act dell'UE.
La rete EMT ha iniziato a rivedere il suo quadro delle competenze per incorporare le competenze relative all'IA, sebbene il ritmo del cambiamento istituzionale sia in ritardo rispetto allo sviluppo tecnologico. Diverse università europee hanno introdotto corsi o moduli dedicati al MTPE all'interno dei programmi di traduzione esistenti. L'AI Act dell'UE, che classifica alcune applicazioni educative dell'IA come ad alto rischio (si veda il capitolo complementare sull'etica dell'IA nell'istruzione, Woesler, in questo volume), fornisce un contesto normativo che incoraggia un'integrazione attenta ed eticamente informata degli strumenti di IA piuttosto che un'adozione acritica.
Uno sviluppo europeo degno di nota è la crescente enfasi sull'«alfabetizzazione in materia di IA» come requisito educativo generale. L'AI Act dell'UE impone la formazione sull'alfabetizzazione in materia di IA per gli utilizzatori di sistemi di IA, e tale obbligo è entrato in vigore nel febbraio 2025. Sebbene questo mandato sia rivolto alle organizzazioni piuttosto che direttamente agli studenti, esso crea incentivi istituzionali affinché le università sviluppino curricoli di alfabetizzazione in materia di IA che includano competenze relative alla traduzione.
La rete del Master europeo in traduzione (EMT), che coordina la formazione alla traduzione in più di 80 università europee, ha avviato una revisione sistematica del suo quadro delle competenze alla luce degli sviluppi dell'IA. Il processo di revisione del 2024 ha identificato l'alfabetizzazione in materia di traduzione automatica, le competenze di post-editing e l'etica dell'IA come aree prioritarie per l'integrazione nel curricolo. Tuttavia, il ritmo di attuazione varia drasticamente tra le istituzioni aderenti — alcune hanno già ristrutturato i propri programmi attorno alla collaborazione uomo-IA, mentre altre continuano a insegnare le competenze traduttive come se il panorama tecnologico non fosse cambiato fondamentalmente.
In Germania in particolare, la Conferenza degli istituti universitari di traduzione (Konferenz der Universitätstranslationsinstitute) ha discusso fino a che punto gli esami di traduzione tradizionali — che tipicamente richiedono agli studenti di tradurre testi inediti sotto pressione temporale senza ausili tecnologici — restino appropriati come strumenti di valutazione. Il consenso emergente è a favore di un approccio duale: mantenere elementi della valutazione tradizionale della competenza traduttiva aggiungendo al contempo nuove forme di valutazione che testino la capacità di post-editing, la valutazione dell'output della traduzione automatica e la riflessione critica sugli strumenti di IA.
La Francia ha adottato un approccio leggermente diverso, con la Société française des traducteurs (SFT) che ha pubblicato linee guida per l'integrazione degli strumenti di IA nella pratica professionale, linee guida che hanno influenzato i curricoli universitari. Queste linee guida sottolineano il ruolo in evoluzione del traduttore come «esperto di tecnologie linguistiche» in grado di consigliare i clienti sull'uso appropriato della traduzione automatica e umana per scopi diversi.
7.2 L'approccio cinese
La risposta della Cina è stata caratterizzata da una rapida adozione istituzionale, da una direzione politica a livello statale e dalla disponibilità di piattaforme di IA domestiche. Il Ministero dell'Istruzione cinese ha reso obbligatorio l'insegnamento dell'IA in tutte le scuole primarie e secondarie a partire da settembre 2025 — le scuole primarie si concentrano sull'alfabetizzazione e sulla familiarizzazione con l'IA, le scuole medie sulla logica e il pensiero critico, e le scuole superiori sull'innovazione applicata e sulla progettazione di algoritmi. A livello universitario, le istituzioni cinesi sono state più rapide di molte controparti europee nell'integrare gli strumenti di IA nei curricoli linguistici e di traduzione, guidate in parte dalla concorrenza di mercato e in parte dall'incoraggiamento statale all'adozione dell'IA.
L'ecosistema domestico dell'IA — Baidu Translate, Youdao con il suo modello educativo Ziyue, Tencent Translate, iFlytek — fornisce a studenti e docenti cinesi strumenti di IA specificamente ottimizzati per le coppie linguistiche cinesi e integrati con piattaforme educative più ampie. Ciò contrasta con la dipendenza europea da strumenti commerciali prevalentemente occidentali (DeepL, Google Translate, ChatGPT), che sono ottimizzati per le combinazioni linguistiche europee e potrebbero non servire altrettanto efficacemente le coppie linguistiche cinese-europee.
Tuttavia, l'approccio cinese affronta anche sfide distintive. La restrizione dell'accesso a strumenti di IA globali come ChatGPT, Claude e Google Gemini significa che studenti e ricercatori cinesi lavorano prevalentemente con alternative domestiche, il che può limitare la loro esposizione alla gamma completa di capacità e approcci di traduzione basati sull'IA. L'enfasi sull'adozione rapida può anche andare a scapito della valutazione critica e della riflessione etica che le istituzioni europee, influenzate dal quadro dell'AI Act, stanno iniziando a privilegiare.
Una ulteriore dimensione della risposta cinese è l'integrazione della traduzione basata sull'IA con strategie nazionali più ampie. Il «Piano di sviluppo dell'intelligenza artificiale di nuova generazione» del Consiglio di Stato (2017) e la «Modernizzazione dell'istruzione 2035» inquadrano entrambi le capacità dell'IA — inclusa la traduzione — come competenze strategiche nazionali. Ciò significa che l'adozione di strumenti di traduzione basati sull'IA nell'istruzione cinese non è semplicemente una decisione pedagogica, bensì un contributo allo sviluppo tecnologico nazionale. Le università cinesi affrontano di conseguenza strutture di incentivo diverse rispetto alle loro controparti europee: laddove le istituzioni europee possono essere caute nell'adozione dell'IA per preoccupazioni sull'integrità accademica e sul degrado delle competenze umane, le istituzioni cinesi subiscono pressioni istituzionali per dimostrare l'integrazione dell'IA come prova di modernizzazione e allineamento con la politica nazionale.
L'integrazione della traduzione basata sull'IA nel sistema cinese di insegnamento dell'inglese universitario illustra questa dinamica. I Requisiti del curricolo di inglese universitario (revisione 2024) includono esplicitamente «la capacità di utilizzare strumenti di IA per la comunicazione interculturale» come competenza dei laureati. Diverse importanti università cinesi — tra cui l'Università di Pechino, l'Università Fudan e l'Università Normale dello Hunan — hanno introdotto moduli sulla traduzione e la comunicazione assistite dall'IA all'interno dei loro programmi di lingue straniere, spesso tenuti da docenti che stanno essi stessi imparando a orientarsi nel nuovo panorama tecnologico.
7.3 Sfide convergenti
Nonostante queste differenze, le istituzioni europee e cinesi affrontano sfide convergenti:
Ritardo curricolare — entrambi i sistemi faticano ad aggiornare i curricoli al ritmo del cambiamento tecnologico, con i processi di accreditamento e l'inerzia istituzionale che rallentano l'adattamento.
Preparazione del corpo docente — in entrambi i contesti, molti docenti di traduzione mancano di esperienza personale con gli strumenti di IA e sono incerti su come integrarli efficacemente nel proprio insegnamento.
Progettazione della valutazione — gli esami di traduzione tradizionali che testano la capacità di tradurre testi da zero diventano problematici quando gli studenti hanno accesso a strumenti di IA, rendendo necessari nuovi approcci di valutazione che valutino l'alfabetizzazione in materia di traduzione automatica, la valutazione critica e la competenza di post-editing piuttosto che la capacità traduttiva grezza.
Equilibrio tra formazione tecnica e umanistica — entrambi i sistemi devono navigare la tensione tra la formazione degli studenti per le esigenze immediate del mercato dominato dal MTPE e lo sviluppo delle più ampie competenze culturali, etiche e creative che distinguono i traduttori umani dalle macchine.
8. Oltre la traduzione automatica: ciò che resta irriducibilmente umano
8.1 Traduzione letteraria e culturale
L'ambito in cui i traduttori umani restano più chiaramente indispensabili è la traduzione letteraria e culturale. La traduzione letteraria implica non semplicemente la conversione del significato da una lingua all'altra, bensì la ricreazione della voce, del ritmo, dell'ambiguità, dell'umorismo, dell'ironia e dell'effetto estetico in un contesto linguistico e culturale diverso. Una macchina può tradurre le parole di una poesia; non può tradurre la poesia.
Non si tratta semplicemente di un'asserzione di fede umanistica contro il progresso tecnologico. Essa riflette la differenza fondamentale tra il pattern matching (in cui l'IA eccelle) e la costruzione di significato (che richiede esperienza culturale incarnata, comprensione emotiva e giudizio estetico). Quando Emily Wilson traduce l'Odissea di Omero o Pevear e Volokhonsky ritraducono Dostoevskij, portano non solo competenza linguistica, ma una visione interpretativa personale — una qualità che distingue la grande traduzione dalla resa competente.
8.2 Giudizio etico nella traduzione
Il capitolo complementare sulla Teoria dell'adeguatezza (Woesler, in questo volume) sostiene che la traduzione non può essere valutata su criteri puramente linguistici, bensì deve essere valutata all'interno di un quadro etico che consideri le condizioni di produzione, il contesto storico e le potenziali conseguenze delle scelte traduttive. Questa dimensione etica — la capacità di riconoscere quando una scelta traduttiva può causare danno, quando la sensibilità culturale richiede una deviazione dall'accuratezza letterale, quando il contesto politico richiede un inquadramento attento — resta al di là delle attuali capacità dei sistemi di IA.
I sistemi di traduzione basati sull'IA compiono scelte basate su schemi statistici nei dati di addestramento. Non possono esercitare un giudizio etico nel senso di soppesare valori contrastanti e accettare la responsabilità delle conseguenze di tali scelte. Il post-editor che riesamina l'output della macchina e decide che una particolare resa, sebbene linguisticamente accurata, è culturalmente inappropriata o politicamente sensibile, esercita una forma di agentività umana che nessun sistema di IA attuale può replicare.
8.3 La «Tesi della complementarità» estesa
Lo studio empirico contenuto in questo volume (Woesler, in questo volume) ha rilevato che l'IA e l'istruzione umana servono «funzioni diverse e complementari» nell'apprendimento linguistico — ciò che abbiamo definito la Tesi della complementarità. Questa tesi si estende naturalmente alla traduzione: l'IA e i traduttori umani servono funzioni diverse e complementari. L'IA eccelle nella velocità, nella coerenza, nella copertura e nella gestione di testi informativi di routine. I traduttori umani eccellono nell'interpretazione culturale, nella creatività letteraria, nel giudizio etico e nella gestione di testi in cui la precisione e la sfumatura comportano poste in gioco elevate.
Il futuro della traduzione non è né la sostituzione degli esseri umani da parte delle macchine, né la preservazione della pratica traduttiva tradizionale esclusivamente umana. È un'ecologia collaborativa in cui la divisione del lavoro tra essere umano e macchina viene continuamente rinegoziata man mano che le capacità dell'IA evolvono e la nostra comprensione di ciò che costituisce una «buona traduzione» si approfondisce.
8.4 Il caso della letteratura cinese in traduzione
Un'illustrazione concreta dei limiti della traduzione basata sull'IA può essere tratta dall'esperienza personale dell'autore nella traduzione di testi letterari cinesi — tra cui opere di Lu Xun e romanzi classici cinesi — in tedesco e inglese. Si consideri la frase iniziale del 狂人日记 (Diario di un pazzo, 1918) di Lu Xun: «今天晚上，很好的月光.» Una traduzione automatica produce qualcosa come «Stasera, ottimo chiaro di luna» — grammaticalmente adeguato ma esteticamente privo di vita. La sfida per il traduttore umano è trasmettere non solo il contenuto semantico, ma il tono deliberatamente piatto e inquietante che stabilisce lo stato mentale del narratore: la giustapposizione di un'osservazione ordinaria («ottimo chiaro di luna») con il contesto straordinario della follia emergente.
Analogamente, la traduzione della poesia cinese classica — dove un singolo carattere può portare molteplici significati simultanei, dove gli schemi tonali creano strutture musicali e dove le allusioni culturali operano su diversi livelli — resta fondamentalmente al di là delle attuali capacità dell'IA. La poesia della dinastia Tang, con i suoi rigorosi requisiti formali (律诗 lüshi: versi regolati con schemi tonali, parallelismo e immaginario compresso), resiste non solo alla traduzione automatica, ma a qualsiasi traduzione che non implichi un profondo coinvolgimento con la tradizione letteraria cinese, i quadri filosofici buddisti e taoisti e i contesti storici specifici dei singoli poeti.
Questi esempi non sono mere curiosità, bensì illustrazioni di un principio generale: più un testo dipende dal radicamento culturale, dall'effetto estetico e dal significato stratificato, meno adeguata risulta la traduzione basata sull'IA. Questo principio ha implicazioni dirette per l'istruzione, suggerendo che lo studio della traduzione letteraria — lungi dall'essere una specializzazione obsoleta — potrebbe diventare la componente più distintamente umana e pertanto più preziosa della formazione traduttiva.
9. Conclusione
La «fine della traduzione» è un'espressione fuorviante se intesa letteralmente. Ciò che sta finendo è la traduzione come servizio professionale di routine svolto prevalentemente da esseri umani. Ciò che sta emergendo è una nuova ecologia di collaborazione uomo-macchina che richiede nuove competenze, nuovi ruoli professionali, nuovi curricoli e nuove forme di riflessione etica.
Per l'istruzione, questa trasformazione richiede niente di meno che una riconcettualizzazione di ciò che significa insegnare e apprendere la traduzione. L'alfabetizzazione in materia di traduzione automatica — che comprende comprensione tecnica, valutazione critica, post-editing efficace e giudizio etico — deve diventare centrale nei curricoli linguistici e di traduzione. Al tempo stesso, le competenze umanistiche che le macchine non possono replicare — sensibilità culturale, sensibilità letteraria, ragionamento etico, interpretazione creativa — devono essere preservate e rafforzate anziché abbandonate come obsolete.
Il confronto delle risposte europee e cinesi rivela una tensione produttiva tra l'approccio cauto dell'UE, informato dalla regolamentazione, e l'adozione rapida della Cina, sostenuta dallo Stato. Nessuno dei due approcci è sufficiente da solo. L'enfasi dell'UE sui quadri etici e sulla valutazione critica fornisce le protezioni necessarie per un'integrazione responsabile dell'IA. La velocità e la scala dell'adozione cinese generano esperienza pratica e adattamento istituzionale da cui l'UE può apprendere. Una sintesi di entrambi gli approcci — che combini rigore etico e agilità pratica — offre la via più promettente.
Diverse raccomandazioni pratiche emergono da questa analisi. In primo luogo, i programmi di traduzione e di lingue dovrebbero introdurre l'alfabetizzazione in materia di traduzione automatica come competenza fondamentale fin dal primo semestre, garantendo che gli studenti sviluppino competenze di valutazione critica accanto alle competenze linguistiche tradizionali. In secondo luogo, il MTPE dovrebbe essere insegnato non semplicemente come competenza tecnica, ma all'interno di un quadro che includa la tassonomia degli errori, la metodologia di valutazione della qualità e la riflessione etica sulle conseguenze delle scelte traduttive. In terzo luogo, la traduzione letteraria e culturale dovrebbe essere preservata e rafforzata come il dominio in cui la competenza umana resta più chiaramente insostituibile — e più chiaramente preziosa in un panorama saturo di IA. In quarto luogo, la cooperazione accademica UE-Cina nella formazione alla traduzione dovrebbe essere intensificata, facendo leva sui punti di forza complementari dell'enfasi europea sulla regolamentazione e sui quadri etici e dell'enfasi cinese sull'integrazione pratica dell'IA e sulla scala.
Per il più ampio campo della digitalizzazione educativa, il caso di studio della «fine della traduzione» offre una storia ammonitrice e un precedente incoraggiante. Ammonimento, perché la velocità e la scala della disruption dell'IA possono superare l'adattamento istituzionale, lasciando gli studenti inadeguatamente preparati per un panorama professionale trasformato. Incoraggiamento, perché la trasformazione non elimina la necessità di competenza umana, ma la reindirizza — dall'esecuzione di routine alla valutazione critica, all'interpretazione creativa e al giudizio etico. Queste sono precisamente le competenze che l'istruzione superiore è meglio posizionata per sviluppare.
Come dimostra questa antologia attraverso i capitoli complementari sull'apprendimento linguistico assistito dall'IA, sulle forme alternative di apprendimento, sull'etica dell'IA e sull'università del futuro, la trasformazione prodotta dall'IA nell'istruzione non è un fenomeno unico, bensì una costellazione di cambiamenti interconnessi che devono essere affrontati in modo olistico. La fine della traduzione come la conoscevamo è, simultaneamente, l'inizio di qualcosa di nuovo — una forma di comunicazione interculturale in cui intelligenza umana e artificiale collaborano per colmare le distanze tra lingue, culture e visioni del mondo.
Ringraziamenti
Questa ricerca è stata sostenuta dal Centro d'eccellenza Jean Monnet «EU-Studies Centre: Digitalization in Europe and China» (EUSC-DEC), finanziato dall'Unione europea nell'ambito dell'Accordo di sovvenzione n. 101126782. Le opinioni e i punti di vista espressi sono esclusivamente dell'autore e non riflettono necessariamente quelli dell'Unione europea.
Riferimenti bibliografici
Algaraady, J., & Mahyoob, M. (2025). Exploring ChatGPT's potential for augmenting post-editing in machine translation across multiple domains. 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. Emerald Publishing.
Chen, S., & Lin, Y. (2025). A multidimensional comparison of ChatGPT, Google Translate, and DeepL in Chinese tourism texts translation. 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.
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.
Kirchhoff, P. (2024). Machine translation in English language teaching. ELT Journal, 78(4), 393–400.
Ohashi, L. (2024). AI in language education: The impact of machine translation and ChatGPT. In P. Ilic et al. (Eds.), 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 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?
Vaswani, A., et al. (2017). Attention is all you need. In Advances in Neural Information Processing Systems, 30.
Zhang, H. (2025). Quality Comparison of MT in Translating Chinese Music Historical Texts. Springer Nature.
Zhang, J., & Doherty, S. (2025). Investigating novice translation students' AI literacy. 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.