Depuis trente ans, le secteur de la traduction repose sur un principe stable : une mémoire de traduction retrouve ce qui se ressemble, un humain traduit le reste. Trados, memoQ et leurs semblables ont bâti toute une génération d'outils sur ce principe, et cela a bien fonctionné, assez longtemps pour que la plupart du secteur cesse de se demander si c'était toujours le bon.
Ce n'est plus le cas.
Les outils qui parlent la langue de l'IA sont déjà là
La première génération d'outils de TAO a été conçue pour comparer des chaînes de caractères. Celle qui émerge aujourd'hui est conçue pour comparer du sens, et cela change radicalement ce qu'une mémoire de traduction peut réellement faire.
L'Adaptive Generative Translation de memoQ retrouve les traductions passées pertinentes et les transmet à un grand modèle de langage en guise de contexte, de sorte qu'une suggestion reflète la façon dont vous vous êtes déjà exprimé, pas une reformulation générique. Smartling propose une capacité comparable, construite sur le même principe : puiser dans la mémoire de traduction, les glossaires et les consignes de style, et laisser le modèle générer à partir de ce contexte plutôt qu'à partir d'une simple phrase source isolée.
C'est ce qu'on appelle la génération augmentée par récupération, le RAG, et c'est une manière véritablement différente d'exploiter une mémoire de traduction. Une mémoire interrogée ainsi retrouve une phrase reformulée, réordonnée, ou exprimée avec d'autres termes, tant que le sens sous-jacent correspond. Une correspondance floue fondée sur la seule comparaison de caractères ne peut tout simplement pas faire cela.
Le secteur n'est pas en train de choisir s'il adopte ce changement. Il l'a déjà fait. La seule question qui reste ouverte est comment.
Le nouveau ticket d'entrée n'a rien à voir avec l'ancien
Voici ce que ce virage exige réellement, une fois le discours marketing mis de côté : chacun de ces systèmes a besoin, au minimum, d'un modèle capable de transformer du texte en vecteurs, et d'une base de données conçue pour rechercher ces vecteurs par similarité, à grande échelle, en quelques millisecondes. Aucun des deux ne faisait partie de ce dont une agence de traduction avait besoin pour faire tourner un outil de TAO il y a cinq ans..
C'est un investissement d'une autre nature qu'une licence par poste. Il exige une infrastructure, et cette infrastructure exige une compétence que la plupart des prestataires de services linguistiques n'ont jamais eu à développer : la capacité à faire tourner et maintenir des systèmes d'apprentissage automatique, pas seulement des systèmes linguistiques.
Les grands acteurs peuvent absorber ce coût, ou acquérir l'expertise directement : le rachat récent par memoQ d'un spécialiste de la traduction automatique pour alimenter sa propre offre générative en est un exemple : un éditeur qui achète la capacité plutôt que de la construire lentement. La plupart des prestataires de services linguistiques ne peuvent faire ni l'un ni l'autre. Ce sont, très majoritairement, des petites et moyennes entreprises, et ce n'est pas un segment marginal de ce secteur. C'est l'essentiel de ce secteur.
Le dilemme que cela crée
Voici le piège. Un prestataire qui ne fait rien verra sa productivité prendre du retard face à des concurrents utilisant une récupération assistée par IA, aussi bien en coût qu'en délai. Rien de bien nouveau là- dedans, c'est une histoire familière : la technologie avance, les retardataires perdent du terrain.
Mais adopter cette nouvelle génération d'outils ne résout pas simplement le problème. Elle le déplace. Utiliser aujourd'hui une plateforme de TAO dotée du RAG suppose, dans les faits, de déposer sa mémoire de traduction - le registre accumulé de chaque terme validé par vos linguistes, pour chacun des clients servis - sur l'infrastructure de l'éditeur de l'outil. Pas en option : structurellement, sans quoi la moitié « récupération » du RAG n'a plus rien à récupérer.
Regardez de près ce que cela signifie en pratique. La documentation des éditeurs de la génération actuelle d'outils de TAO assistés par IA confirme régulièrement que le composant génératif tourne sur un fournisseur cloud tiers nommément désigné - le choix d'infrastructure est énoncé sans détour, parfois même présenté comme un argument de sécurité. Les formules d'hébergement décrites comme proches du sur site s'avèrent souvent, à y regarder de plus près, être un serveur dédié hébergé et géré par l'éditeur lui-même, pas par le prestataire de traduction. Et la tarification de cette formule n'est, dans plus d'un cas, tout simplement pas publiée, une discussion à avoir directement avec l'éditeur plutôt qu'un chiffre sur lequel un prestataire peut planifier.
Rien de tout cela ne rend la technologie mauvaise. Cela rend la dépendance bien réelle. L'actif le plus précieux d'un prestataire de traduction, la mémoire de chaque phrase que ses linguistes ont un jour bien traduite, devient, dans les faits, quelque chose qu'il consulte plutôt que quelque chose qu'il possède. Changer de plateforme plus tard ne consiste plus à exporter un fichier. Cela consiste à renégocier l'accès à sa propre histoire.
Le dilemme n'est donc pas « adopter l'IA ou pas ». Il est : l'adopter aux conditions de quelqu'un d'autre, ou trouver le moyen de l'adopter aux siennes.
Une troisième voie possible : mutualiser l'infrastructure entre prestataires
C'est là que le calcul change. Le coût qui rend la traduction augmentée par récupération auto-hébergée hors de portée pour un petit prestataire pris isolément n'évolue pas de façon linéaire avec le nombre de prestataires qui le partagent. Un serveur GPU, une base de données vectorielle, l'expertise opérationnelle pour faire tourner les deux, ce sont en grande partie des coûts fixes. Répartis entre dix ou vingt agences indépendantes plutôt que supportés par une seule, le calcul change complètement.
Ce n'est pas une idée nouvelle dans des secteurs voisins. Des entreprises indépendantes ont déjà mutualisé des infrastructures, lorsque l'alternative était la dépendance à une poignée de gros fournisseurs contrôlant les moyens de production. Appliqué ici, cela pourrait prendre plusieurs formes : un groupement d'intérêt économique (GIE) entre plusieurs prestataires financeraient et gouverneraient conjointement, chacun conservant la pleine propriété et la portabilité de sa propre mémoire au sein d'une couche d'indexation et d'inférence partagée ; ou un partenaire d'infrastructure, commercialement indépendant de tout éditeur d'outil de TAO, proposant la même architecture en tant que service géré, mais construit dès l'origine autour de la portabilité des données comme attente par défaut, pas comme une option ajoutée après coup pour les plus gros clients qui la réclament.
Les deux versions reposent sur le même principe : le moteur de récupération peut être partagé. La mémoire elle-même n'a jamais à l'être.
Ce que ce moment appelle réellement
Le secteur n'a pas le luxe de faire comme si cette transition n'était pas en cours, et il n'a pas à accepter que les deux seules issues possibles soient l'obsolescence ou la dépendance. La technologie qui rend la mémoire de traduction moderne réellement plus utile, la recherche par le sens plutôt que par l'orthographe, n'exige pas d'abandonner l'actif que cette mémoire représente. Elle exige une infrastructure. Une infrastructure peut être construite une fois et partagée, comme cela se fait déjà dans des secteurs qui ont affronté exactement ce même embranchement avant la traduction.
Les agences qui se posent cette question maintenant, pendant que le marché prend encore forme, auront plus de marge pour choisir leur réponse que celles qui attendront que le choix ait déjà été fait à leur place.