Agentic AI Translate: An Agentic Translator Prototype for Translation as Communication Design

Resumen Técnico: Traducción con IA Agente

Enunciado del Problema
El artículo identifica un cambio fundamental en el panorama de la traducción impulsado por los Modelos de Lenguaje Grande (LLM). Si bien los sistemas estadísticos y neuronales han resuelto en gran medida el "qué" de la traducción (fidelidad léxica y gramatical), lograr una alta fluidez e idiomatismo es ahora una calidad básica "Obligatoria". La frontera del valor se ha desplazado al "cómo": registro, diseño de audiencia, voz, postura y encuadre cultural. Los paradigmas actuales de traducción automática suelen tratar estas dimensiones comunicativas como implícitas o las aplican mediante la post-edición. El artículo argumenta que el vocabulario de los Estudios de la Traducción (ET)—conceptos como skopos, registro y equivalencia—se ha convertido en un código de instrucción para la IA generativa, sin embargo, los sistemas existentes carecen de una arquitectura que operacionalice estos marcos teóricos como entradas explícitas y estructuradas, en lugar de conversiones de texto no estructurado.

Metodología
Los autores presentan Traducción con IA Agente, un prototipo de investigación que operacionaliza la tesis de que la traducción es "diseño de comunicación" y no conversión de texto. El sistema reemplaza el paradigma estándar de entrada/salida de texto con un ciclo agente estructurado de cuatro etapas, precedido por una fase de especificación interactiva.

1. Fase de Especificación Interactiva: Antes de la generación, el usuario participa en un diálogo asistido por el modelo para componer un encargo de traducción estructurado. Este encargo se basa en conceptos de los ET (skopos, audiencia, registro, género) y cubre diez secciones canónicas (por ejemplo, "Cosas a preservar", "Cosas a localizar"). El sistema impone un mecanismo de "bloqueo", asegurando que no se realice ninguna traducción sin una especificación explícita y respaldada por el usuario.
2. El Ciclo Agente de Cuatro Etapas:
   • Identificación: Una llamada al LLM extrae el análisis situacional (skopos, audiencia, registro, etc.) del texto fuente a un formato JSON estructurado.
   • Generación de Prompts: Un script determinista de Python ensambla el prompt final, integrando la especificación bloqueada del usuario, el JSON de identificación, materiales de referencia y memoria a nivel de documento.
   • Generación: Una única llamada al LLM (temperatura 0.3) produce el borrador de la traducción.
   • Verificación: Un LLM actuando como juez evalúa la salida frente a la misma especificación bloqueada utilizando el protocolo GEMBA-MQM. Identifica segmentos de error, asigna categorías MQM (Precisión, Fluidez, Terminología, etc.) y severidades, y calcula una puntuación determinista. Si la puntuación cae por debajo de un umbral, la lista de errores se retroalimenta como instrucciones accionables para un bucle de refinamiento (limitado a dos iteraciones).
3. Coherencia a Nivel de Documento: Para manejar entradas largas, el sistema emplea un sistema de memoria "DelTA-lite". Este mantiene un registro en ejecución de nombres propios, un resumen bilingüe de la progresión del documento y el contexto inmediato del fragmento anterior, inyectando estos elementos en los prompts de generación subsiguientes para garantizar la consistencia terminológica y tonal.
4. Materiales de Referencia: El sistema acepta cuatro categorías de entradas de referencia (Glosarios, Ejemplos Pareados, Textos Paralelos, Guías de Estilo), las cuales se inyectan en las etapas de propuesta de especificación, generación de prompts y verificación.

Contribuciones Clave
La contribución principal del artículo es arquitectónica y conceptual, no empírica.

• Encarnación Ejecutable de la Teoría: El sistema proporciona una base de código funcional que traduce el metalenguaje de los Estudios de la Traducción (específicamente los marcos de Reiss, Nord, House y Vermeer) a instrucciones legibles por máquina. Demuestra que los conceptos teóricos pueden servir como restricciones operativas directas para los LLM.
• La Arquitectura "Impulsada por Especificaciones": El prototipo impone un flujo de trabajo donde el traductor actúa como un "diseñador" (definiendo condiciones) y un "verificador" (juzgando la adecuación funcional), en lugar de un redactor manual. La separación del análisis situacional (Etapa 1) de la generación permite artefactos inspeccionables y legibles, haciendo transparente el proceso de traducción.
• Implementación de Código Abierto: El sistema se libera como un prototipo de Python de código abierto (aproximadamente 1.200 líneas) utilizando el SDK de Anthropic y Streamlit, sin requerir ajuste fino, bases de datos vectoriales ni recursos de GPU. Depende enteramente de la ingeniería de prompts y el control de flujo.

Resultados
El artículo declara explícitamente que no se ha realizado ninguna validación empírica.

• Los autores no presentan puntuaciones MQM comparativas, estudios de usuarios ni datos cuantitativos que demuestren que esta arquitectura produce traducciones mejores que la generación de prompts no estructurada o la traducción automática estándar.
• Los "resultados" se limitan a observaciones informales sobre entradas de prueba de varios párrafos, donde la memoria DelTA-lite mantuvo con éxito la consistencia para entidades nombradas (por ejemplo, Natsume Soseki frente a Kushami-sensei) a través de fragmentos.
• El artículo reconoce que la etapa de verificación actual, que utiliza la misma familia de modelos tanto para la generación como para la evaluación, es una limitación debido a un posible sesgo de auto-preferencia.

Significado y Afirmaciones
El artículo afirma su relevancia como una prueba de concepto conceptual. Argumenta que la "paradoja de la automatización" (donde generar texto es fácil, pero asegurar que cumpla un propósito específico es difícil) puede resolverse tratando el vocabulario de los Estudios de la Traducción como el conjunto de instrucciones para la IA.

• Cambio Filosófico: El sistema operacionaliza la visión de que el papel del traductor en la era de la IA Generativa es el diseño de condiciones (voz, registro, audiencia) y la verificación del propósito comunicativo, en lugar de la redacción frase por frase.
• Transparencia: Al descomponer el proceso en etapas distintas y registradas (Identificación, Generación de Prompts, Generación, Verificación), el sistema hace legible e inspeccionable la "caja negra" de la traducción con LLM, lo cual se presenta como una necesidad pedagógica y de investigación.
• Dirección Futura: Los autores posicionan este prototipo como la base para futuras investigaciones, específicamente la necesidad de estudios comparativos controlados para validar si la especificación explícita conduce a ganancias medibles en la "calidad atractiva" (estilo, tono, adecuación cultural) y el desarrollo de esquemas JSON estructurados para reemplazar las especificaciones de formato libre en markdown.