IA pour la traduction : Est-ce que des modèles comme DeepSeek, ChatGPT et Gemini sont les meilleurs choix pour la localisation ?

La révolution de l’IA et ses conséquences pour le secteur de la traduction et de la localisation restent un sujet de conversation majeur dans les salles de conférence, ainsi que dans les webinaires et les commentaires publiés sur LinkedIn. Bien qu’ils ne soient pas expressément conçus pour la traduction, les GML sont de plus en plus largement utilisés pour la création de contenu multilingue. Toutefois, le débat autour de leur efficacité pour ces tâches se poursuit.

Mais que disent les experts?

• Obtient-on de meilleurs résultats avec les modèles d’IA qu’en faisant appel à des moteurs de traduction automatique neuronale (TAN) spécialisés?
• Sont-ils adaptés à des projets de localisation à grande échelle, ou conviennent-ils plutôt à des tâches créatives et spécialisées? 
• Quels défis ces modèles présentent-ils du point de vue de la déontologie, de la réglementation et de la sécurité des données? 
• Les modèles d’IA « à poids ouvert » comme DeepSeek constituent-ils une véritable possibilité face aux solutions à propriété exclusive?

Avec quelques experts, observons les évolutions de la traduction fondée sur l’IA et ce qu’elles signifient pour l’avenir du contenu multilingue.

Traduction fondée sur l’IA : Quel est le niveau de performance des GML?

Bien que les GML ne soient pas nécessairement conçus pour la traduction, de nombreux professionnels et organisations de l’industrie mettent leur performance à l’essai, en la comparant à celle des systèmes de traduction automatique neuronale (TAN) existants.

Certains modèles, comme les derniers modèles V3 et R1 de Deepseek, ont été salués pour leurs capacités de raisonnement, tandis que les utilisateurs louent les excellents résultats en termes de fluidité et de créativité des modèles tels que GPT4 et Claude.

• DeepSeek : Certains experts suggèrent que la qualité des traductions faisant appel à ce modèle pour la paire de langues chinois-anglais dépasse celle des résultats obtenus avec d’autres systèmes. Il s’est aussi révélé particulièrement efficace pour des tâches de raisonnement mathématique. Toutefois, certains essais préliminaires indiquent que son niveau de performance pourrait être moins satisfaisant que celui d’autres modèles en ce qui concerne les nuances contextuelles.
• ChatGPT et Claude : Ces modèles se distinguent pour la création de traductions de haute qualité, nuancées et créatives, souvent dans le cadre de projets de marketing ou de contenu créatif. Ils peuvent également être utiles pour certaines étapes précises des flux de travail de localisation. Des experts ont mis à l’essai Claude Sonnet dans le cadre d’une étude récente. Ils ont défini qu’il s’agissait du meilleur modèle de traduction dans plusieurs paires de langues pour les tâches générales de traduction.
• Gemini et LLaMa : Les modèles Gemini de Google intègrent des capacités multimodales, ce qui permet d’améliorer la compréhension contextuelle de différents types de contenu. Le modèle LLaMa de Meta, quant à lui, met l’accent sur l’efficacité et l’adaptabilité pour diverses tâches fondées sur l’IA.

Aperçu du secteur :

Renato Beninatto, un expert du secteur de Nimdzi qui a présenté ses réflexions sur les grandes tendances qui façonnent le secteur des services linguistiques et de création de contenu en 2025 dans notre livre numérique exclusif, a procédé à une mise à l’essai d’une erreur de traduction et a découvert une différence intéressante entre les modèles GPT-4o et DeepSeek V3 lors de la traduction d’une phrase espagnole particulièrement complexe.

Il a publié l’observation suivante sur LinkedIn : « Cette expérience révèle un écart important des capacités de raisonnement de ces modèles d’IA. Bien que DeepSeek ait fait preuve de capacités robustes d’analyse grammaticale, il a eu de la difficulté à comprendre le contexte dans son ensemble. ChatGPT a fait preuve de capacités de raisonnement supérieures en comprenant la relation entre la situation du contenu (quatre mots) et la traduction. »

La traduction fondée sur l’IA est-elle un modèle rentable? Une nouvelle ère

Les coûts sont un facteur important qui pour de nombreux dirigeants qui s’efforcent d’encourager l’adoption de modèles d’IA pour les tâches de création et de localisation de contenu. Alors que bon nombre d’acteurs importants du secteur de l’IA appliquent des tarifs comparables pour les jetons textuels, l’un des principaux facteurs de disruption des coûts des GML a été l’arrivée sur le marché de DeepSeek.

DeepSeek, qui aurait été entraîné pour une fraction du coût de ses concurrents, offre un coût par jeton bien inférieur à ceux de ses concurrents. Ce coût plus faible indique probablement qu’à l’avenir, le recours aux GML deviendra beaucoup plus viable financièrement pour les petites entreprises et les autres organisations.

Il est probable que l’on constate une tendance à la baisse des coûts des GML. Toutefois, pour de nombreuses entreprises qui ont déjà investi dans la création d’une base terminologique ou d’une mémoire de traduction avec la traduction automatique neuronale, ou pour les utilisations dans le contexte d’un volume de travail important, il pourrait rester plus rentable pour l’instant de continuer à utiliser la TAN, notamment du fait de la rapidité du traitement de volumes conséquents par la TAN.

Aperçu du secteur 

« Il n’existe pas d’approche universelle pour choisir entre les GML et la TAN pour la réalisation de traductions. La solution la plus rentable dépend du type de contenu, du volume et du public cible, ainsi que de nombreux autres facteurs. C’est pourquoi les fournisseurs de services linguistiques – forts de leur expertise dans la mise en œuvre de solutions de TAN et d’IA – sont particulièrement bien placés pour contribuer à la définition du juste équilibre. »

Pavel Soukenik, responsable des solutions mondiales, Acolad

Personnalisation et modèles « à poids ouvert » : Une révolution du secteur de la localisation?

La différence la plus importante entre DeepSeek et les principaux GML concurrents pourrait être son modèle à poids ouverts. Alors que d’aucuns pourraient le décrire comme un modèle à source ouverte, de nombreux experts affirment qu’un modèle d’IA qui rend ses paramètres d’entraînement publics tout en maintenant le caractère privé d’autres aspects du modèle devrait être appelé un modèle à poids ouvert.

Quoi qu’il en soit, contrairement à la plupart des GML concurrents, il est possible de personnaliser DeepSeek et de télécharger, de modifier et de déployer des modèles sur site permettant aux entreprises d’affiner le modèle d’IA plus précisément – par exemple, pour l’adapter à des paires de langues et des exigences terminologiques propres à un secteur en particulier.

Cette approche pourrait être particulièrement révolutionnaire pour la création de nouveaux modèles conçus spécialement pour le travail dans des langues pour lesquelles peu de ressources existent, qui pourraient être mal desservies par les modèles à propriété exclusive. De plus, certaines organisations ont pu entraîner le modèle en toute sécurité sur leurs propres mémoires de traduction, bases de données terminologiques et lignes directrices relatives à l’image de marque sans exposer de données sensibles à des tiers.

Les modèles à poids ouverts pourraient réellement démocratiser la technologie linguistique avancée tout en permettant aux organisations de conserver leurs avantages linguistiques concurrentiels propres. Beaucoup plus d’entreprises pourraient être en mesure d’avoir recours à des applications personnalisées des modèles, sans avoir à couvrir les coûts initiaux énormes liés à l’entraînement du modèle.

Traduction fondée sur l’IA et conformité : le dilemme de la sécurité des données

Alors que l’adoption de l’IA se généralise, les préoccupations relatives à la déontologie, à la sécurité et à la conformité des données demeurent.

Par exemple, en Australie, aux États-Unis, en Italie, à Taïwan et en Corée du Sud, les autorités ont déjà adopté des restrictions quant à l’utilisation de DeepSeek, invoquant des préoccupations liées aux données et à la protection de la vie privée. L'Italie avait adopté une attitude similaire au moment du lancement de ChatGPT.

La protection des données, les cadres réglementaires et d’autres préoccupations relatives à la conformité demeurent un obstacle majeur à l’adoption de l’IA pour les entreprises dans de nombreux secteurs, en particulier dans les secteurs réglementés.

Voici certaines des questions les plus importantes que les dirigeants d’entreprise doivent se poser :

• Les modèles d’IA peuvent-ils assurer la protection des données et la conformité aux réglementations locales lorsqu’ils sont utilisés à des fins de traduction?

• Est-il possible pour les entreprises d’opter pour des modèles d’IA hébergés localement pour préserver la sécurité des données?

• Quelle sera l’incidence des divergences entre les approches adoptées par la réglementation en matière d’IA en Europe, aux États-Unis et en Asie?

Bien qu’il n’existe pas de réponses simples à ces questions, les organisations doivent évaluer soigneusement l’adéquation des outils de traduction fondés sur l’IA à leurs obligations en matière de conformité, étudier la viabilité des modèles hébergés localement et se préparer aux conséquences des divergences entre les différentes approches réglementaires adoptés dans différentes régions du monde.

Quelles sont les prochaines étapes pour la traduction alimentée par l’IA?

Comme nous l’avons vu, le paysage continue d’évoluer, avec l’introduction de modèles à poids ouvert qui font concurrence aux systèmes propriétaires traditionnels et l’émergence des questions liées à la rentabilité et aux possibilités de personnalisation à titre de facteurs de différenciation clés sur le marché.

L’avenir pourrait s’orienter vers une démocratisation de l’accès aux technologies fondées sur l’IA, avec la possibilité pour les fournisseurs de services logistiques et les entreprises de petite taille de mettre en œuvre et de personnaliser leurs propres solutions d’IA. Il est probable que la tendance à la mise en œuvre locale et à la personnalisation des modèles s’accélère, en particulièrement pour les organisations qui travaillent avec des langues pour lesquelles peu de ressources existent et des terminologies spécialisées et propres à certains secteurs.

Toutefois, cette évolution doit composer avec des questions réglementaires complexes : en effet, les approches en matière de gouvernance de l’IA varient d’un pays à l’autre. Le secteur devra trouver un équilibre entre l’innovation et la conformité, à plus forte raison parce que des différences entre les réglementations en matière d’IA de différentes régions continuent d’émerger.

Principaux points à retenir pour les entreprises et les professionnels de la localisation :

✔ Les modèles d’IA s’améliorent. Toutefois, dans certains cas, par exemple dans le contexte de volumes de travail élevés, il est possible que les moteurs de TAN traditionnels soient encore le meilleur choix.

✔ Les modèles d’IA à poids ouvert pourraient stimuler l’innovation au sein du secteur, mais leur adoption dépend de la clarté réglementaire.

✔ La traduction alimentée par l’IA doit être utilisée de façon stratégique, par exemple, pour le contenu créatif et la postédition automatisée.

✔ Les préoccupations relatives à la sécurité et à la conformité des données demeurent des facteurs essentiels pour le choix d’outils d’IA.

Aperçu du secteur

« L’avenir de l’IA dans le secteur de la traduction et de la localisation ne repose pas seulement sur la technologie : il dépend de la façon dont nous concilions sécurité, conformité et innovation. L’IA transforme le secteur des services linguistiques, mais la véritable force vient de l’adaptation de ces technologies à des contextes précis. »

Pavel Soukenik, responsable des solutions mondiales, Acolad