Traduit de l’original anglais. Les chiffres et les sources sont inchangés. Lire l’original en anglais
Western Uusimaa Wellbeing Services County
Le comté de Western Uusimaa teste la post-édition avec GPT-4 dans son équipe interne de traduction santé et social
Le comté finlandais Western Uusimaa Wellbeing Services County a laissé ses quatre traducteurs internes utiliser GPT-4 dans leur logiciel de traduction pendant quatre mois. La post-édition de la sortie de GPT-4 a été 14 % plus rapide que la traduction depuis zéro, mais les gains allaient de -2 % à 102 % selon les traducteurs.
Chiffres clés
Repris tels quels des sources. Copiez n’importe quel chiffre avec sa citation.
14 %
plus rapide (2,75 contre 2,40 caractères par seconde, P = 0,03)
Vitesse de post-édition de la sortie de GPT-4 par rapport à la traduction depuis zéro, 4 traducteurs, 908 segments chronométrés1
jusqu'à 37 % plus rapide
Gain de vitesse après égalisation des segments entre traducteurs (analyse complémentaire que les auteurs qualifient de non standard)1
-2 % à 102 %
Fourchette des variations de productivité individuelles chez les 4 traducteurs1
Ce que cela a demandé
Le coût, la taille de l’équipe et le calendrier ne sont pas communiqués dans les sources.
Le problème
Le secteur public finlandais de la santé et du social doit faire plus avec le même budget. Western Uusimaa est une région bilingue : les documents doivent exister en finnois et en suédois, et de plus en plus dans d'autres langues. Son équipe de traduction interne compte quatre personnes. Le comté voulait savoir si l'IA générative pouvait augmenter leur production sans nuire à la qualité.
Ce qu'ils ont construit
Les traducteurs du comté ont utilisé GPT-4, un grand modèle de langage d'OpenAI, via un module intégré à Trados, le logiciel de traduction qu'ils emploient déjà. Le module appelle GPT-4 par Microsoft Azure. Il propose une traduction automatique pour chaque segment de la taille d'une phrase, que le traducteur retouche ensuite. C'est ce qu'on appelle la post-édition. Avant cela, le service n'avait aucune pratique standardisée d'aides à la traduction automatique.
Comment ils s'y sont pris
Quatre traducteurs ont travaillé sur leurs missions habituelles de mars à juin 2024. Il leur était demandé de traduire la moitié des segments de chaque texte depuis zéro et l'autre moitié avec GPT-4, la méthode de départ étant tirée au hasard. Les documents contenant des données sensibles ou personnelles ont été écartés. L'étude a enregistré des horodatages dans Trados pour estimer la vitesse, noté la qualité des sorties avec quatre métriques automatiques et mené cinq entretiens, dont un avec la personne qui encadre l'équipe.
Le dispositif était minimal. Les traducteurs n'avaient accès qu'à une seule consigne système, qu'ils ne pouvaient pas voir. Aucune base terminologique ni consigne propre à une tâche n'a été utilisée.
Résultats
La post-édition de la sortie de GPT-4 a avancé à 2,75 caractères par seconde, contre 2,40 en traduisant depuis zéro, ce que les auteurs présentent comme 14 % plus rapide. Après avoir égalisé le nombre de segments apporté par chaque traducteur, les auteurs annoncent jusqu'à 37 % plus rapide. Les résultats individuels allaient de -2 % à 102 %.
La qualité est restée contrastée. Parmi les sorties finnois-suédois, 11 % ont été acceptées sans aucune modification, et 16 % des sorties finnois-anglais. Les traducteurs ont signalé des problèmes de terminologie spécialisée et le manque de contexte de l'outil sur l'ensemble d'un document. Trois sur quatre voulaient continuer à utiliser un outil similaire.
Ce qu'il faut retenir
Menez un essai court et instrumenté sur du travail réel avant d'acheter. Suivez la vitesse par personne, formez l'équipe à la post-édition et recueillez son avis sur les problèmes de terminologie avant de passer à l'échelle.
Tous les chiffres publiés
| Indicateur | Chiffre | Citation |
|---|---|---|
| Vitesse de post-édition de la sortie de GPT-4 par rapport à la traduction depuis zéro, 4 traducteurs, 908 segments chronométrés | 14 % plus rapide (2,75 contre 2,40 caractères par seconde, P = 0,03)1 | |
| Gain de vitesse après égalisation des segments entre traducteurs (analyse complémentaire que les auteurs qualifient de non standard) | jusqu'à 37 % plus rapide1 | |
| Fourchette des variations de productivité individuelles chez les 4 traducteurs | -2 % à 102 %1 | |
| Sorties de GPT-4 finnois-suédois acceptées sans modification | 11 % (141/1261)1 | |
| Sorties de GPT-4 finnois-anglais acceptées sans modification | 16 % (18/112)1 | |
| Traducteurs souhaitant continuer à utiliser un outil d'IA similaire, d'après 5 entretiens (4 traducteurs et la personne qui encadre l'équipe) | 3 sur 41 |
Enseignements pour votre projet
Mesurez par personne, et pas seulement en moyenne. Les gains allaient d'une petite perte à plus du double : la moyenne de l'équipe masque qui en profite.
Prévoyez une formation à la post-édition. Relire et corriger une traduction automatique est un autre métier que traduire, et les auteurs y rattachent les résultats.
Corrigez tôt les points faibles de l'outil. Les traducteurs ont cité la terminologie incohérente et l'absence de contexte du document comme principaux freins.
Attendez-vous à ce que les équipes jugent le gain plus faible que le chronomètre. Les traducteurs se sont montrés plus prudents que les données mesurées : prévoyez l'accompagnement du changement.
Gardez les textes sensibles hors de l'essai. Le comté a exclu les documents contenant des données sensibles ou personnelles.
Réserves
- La source est un article évalué par des pairs, signé de chercheurs de l'université LUT, du service de recherche et développement du comté et de HUS. Le comté a approuvé l'étude. Aucun autre média ne confirme les chiffres : le cas repose donc sur des données publiées par l'organisation elle-même.
- Seuls 4 traducteurs ont participé, et un traducteur a produit 61 % des segments chronométrés. Les auteurs précisent que les résultats ne peuvent pas être généralisés.
- Le temps de traduction a été estimé à partir des horodatages du logiciel, avec des filtres appliqués par les auteurs. Le chiffre de 37 % vient d'une analyse complémentaire que les auteurs jugent non standard ; le résumé dit jusqu'à 37 %, tandis que le texte des résultats dit 37 % en moyenne.
- Le site de la revue n'a pas pu être lu directement. Les chiffres ont été vérifiés dans le texte intégral sur Europe PMC (PMC12443352), qui indique la date de publication du 17 septembre 2025.
- La date de déploiement est le début de la période de collecte des données (mars 2024). L'article ne dit pas si l'outil est resté en usage ensuite.
- La qualité a été notée avec des métriques automatiques, par comparaison avec les versions finales des traducteurs, et non par des relecteurs humains indépendants.
Sources
- Evaluation of Generative Artificial Intelligence Implementation Impacts in Social and Health Care Language Translation: Mixed Methods Case Study
JMIR Formative Research · 2025-09-17 · Article de recherche · formative.jmir.org
Résumé dans nos propres mots à partir des sources ci-dessus. Une erreur ? Consultez les corrections.