Modelos de lenguaje en la traducción automática y sistemas de asistencia lingüística
En el campo de la inteligencia artificial (IA), los modelos de lenguaje han experimentado un desarrollo formidable, catapultando la traducción automática y l...
La traducción automática es probablemente la aplicación de la inteligencia artificial que más gente usa sin pensarlo. También es una de las pocas donde existe una evaluación pública, anual e independiente que cualquiera puede consultar — lo que la convierte en el mejor sitio para aprender a leer una afirmación de calidad, en esto y en casi todo lo demás.
La progresión, con las cifras de cada salto
El punto de partida son los modelos estadísticos: unigramas, bigramas y trigramas construidos sobre cadenas de Markov, que estiman la probabilidad de una palabra a partir de las una, dos o tres anteriores. Funcionan, y su límite es evidente: una ventana de tres palabras no ve la frase.
El primer salto neuronal llegó en 2014 con «Sequence to Sequence Learning with Neural Networks», de Ilya Sutskever, Oriol Vinyals y Quoc Le. Una red LSTM alcanzó 34,8 BLEU en el conjunto de prueba completo de inglés a francés de WMT'14, frente a los 33,3 del sistema estadístico por frases de referencia. Y cuando usaron la LSTM para reordenar las mil hipótesis que producía ese sistema, subieron a 36,5.
Ese mismo año, Dzmitry Bahdanau, Kyunghyun Cho y Yoshua Bengio publicaron «Neural Machine Translation by Jointly Learning to Align and Translate», que diagnosticó el cuello de botella del enfoque anterior —comprimir la frase entera en un vector de longitud fija— y propuso dejar que el modelo buscara las partes relevantes del original en cada paso. Ahí nace el mecanismo de atención. Conviene decir que su resumen no da una cifra BLEU: afirma un rendimiento «comparable» al mejor sistema por frases de la época.
La consolidación llegó en 2017 con «Attention Is All You Need», que prescindió por completo de la recurrencia: 28,4 BLEU en inglés-alemán de WMT 2014, más de dos puntos por encima del mejor resultado previo incluidos los conjuntos de modelos, y 41,8 BLEU en inglés-francés con un solo modelo, tras «3,5 días de entrenamiento en ocho GPU». Esa última cifra importa tanto como la primera: el Transformer no solo tradujo mejor, sino mucho más barato.
La cifra que hay que saber leer
En 2016, Google presentó su sistema neuronal de producción en un artículo técnico con una afirmación que se ha repetido miles de veces: reduce los errores de traducción «un 60 % de media».
Es cierta, y casi siempre se cuenta mal. El 60 % procede de una evaluación humana comparativa frente al sistema estadístico por frases del propio Google —no frente a un traductor humano— y medida sobre frases sencillas y aisladas, no sobre texto corrido. Con esos dos matices puestos, sigue siendo un avance enorme. Sin ellos, la frase sugiere algo que el artículo no dice.
Este es exactamente el tipo de deslizamiento que conviene aprender a detectar, porque se repite en cada anuncio de cada tecnología: una mejora real, medida contra una base concreta, presentada como si fuera absoluta.
Dónde está hoy: el sitio donde se comprueba
Aquí está lo que casi ningún artículo sobre traducción automática menciona, y es lo más útil de todo: existe una conferencia anual, WMT, que somete los sistemas a evaluación humana con anotadores profesionales y publica los resultados en abierto.
Los resultados de 2024 llevan un título que ya lo dice: «la era de los grandes modelos está aquí, pero la traducción automática no está resuelta». Evaluaron once pares de lenguas con 28 participantes, más ocho grandes modelos de lenguaje y cuatro proveedores comerciales. El hallazgo que importa: las referencias humanas siguen estando en el grupo ganador en 7 de los 11 pares. Es decir, en la mayoría de los casos ningún sistema superó de forma concluyente a la traducción hecha por personas.
Dos matices del mismo informe, ambos formativos. El primero: el par inglés-español fue el más fácil, y ahí los mejores sistemas produjeron traducciones casi impecables — de modo que la experiencia de un hispanohablante con estas herramientas no es representativa de cómo funcionan en general. El segundo: las métricas automáticas engañaron. Un sistema quedó primero en el ranking automático y no ganó la evaluación humana.
La edición de 2025 subió a 30 pares de lenguas y 60 sistemas, y su título es una advertencia metodológica dirigida al propio campo: es hora de dejar de evaluar sobre conjuntos de prueba fáciles.
Por qué dejaron de servir las pruebas fáciles
La edición de 2025 lleva en el título una advertencia dirigida al propio campo: es hora de dejar de evaluar sobre conjuntos de prueba fáciles. Merece la pena entender qué significa, porque es un problema general de la medición y no solo de la traducción.
Cuando los sistemas mejoran, un examen que antes separaba a los buenos de los malos deja de separar nada: todos aprueban y las diferencias caen dentro del margen de error. La prueba no se ha vuelto más fácil; los examinados se han vuelto mejores, y el resultado es el mismo — el instrumento deja de discriminar.
La respuesta de WMT en 2025 fue muestrear por dificultad y buscar textos más complejos, ampliando a 30 pares de lenguas y 60 sistemas evaluados, con juicio humano en la mitad de los pares y sobre cuatro o cinco dominios. Es decir: no midieron más, midieron más difícil.
Y ahí está la consecuencia que le sirve a usted como lector. Cuando un sistema anuncia una puntuación altísima en una prueba veterana, esa cifra dice tanto de la prueba como del sistema. La pregunta útil no es cuánto sacó, sino cuándo se diseñó ese examen y si todavía distingue a alguien. Un noventa y nueve por ciento en un examen que casi todos aprueban no es una hazaña: es un examen agotado.
Asistencia lingüística: la otra mitad
La misma tecnología sostiene los correctores gramaticales y estilísticos y las herramientas de escritura que sugieren continuaciones. La diferencia con la traducción es el criterio de éxito: en traducción hay un original contra el que contrastar, mientras que en asistencia lingüística lo que se propone es una preferencia. Por eso conviene desconfiar de las cifras de «precisión» en esta segunda familia: a menudo miden acuerdo con un criterio de estilo, no corrección.
La capacidad: tres preguntas ante cualquier «traduce mejor que»
1. ¿Medido sobre qué texto? Frases sueltas y sencillas no son texto corrido. Los errores de la traducción automática se concentran justo en lo que exige memoria larga: pronombres, referencias cruzadas, terminología que debe mantenerse coherente a lo largo de un documento.
2. ¿Comparado con qué? «Un 60 % menos de errores» exige saber menos que qué. Casi siempre la base de comparación es la versión anterior del propio producto, no un traductor profesional.
3. ¿Evaluación automática o humana? Una puntuación como BLEU compara con una traducción de referencia y es útil para iterar rápido, pero WMT documenta que puede ordenar mal los sistemas. Cuando la decisión importa, lo que vale es el juicio de anotadores profesionales.
El fondo
- Sutskever, Vinyals y Le (2014), el primer salto neuronal, con sus tres cifras BLEU.
- Bahdanau, Cho y Bengio (2014), el origen del mecanismo de atención.
- Vaswani y otros (2017), el Transformer.
- Wu y otros (2016), el sistema de Google, para leer en su contexto la cifra del 60 %.
- WMT 2024 y WMT 2025, las evaluaciones anuales en abierto. Son largas, pero sus secciones de resultados se leen sin formación técnica y son la única forma de comprobar por su cuenta qué sistema va por delante hoy.
Este artículo se ha elaborado con inteligencia artificial bajo supervisión editorial humana.
