Che cosa significa tradurre in un mondo dove tutto viene tradotto automaticamente?

Oggi traduciamo continuamente, spesso senza accorgercene: un reel sottotitolato automaticamente, una mail scritta con DeepL, una conversazione mediata da ChatGPT, una serie coreana vista in streaming. La traduzione è diventata invisibile, istantanea, quotidiana. 

Eppure, molto prima dell’intelligenza artificiale e delle piattaforme globali, Umberto Eco aveva già intuito che tradurre non significa semplicemente sostituire parole da una lingua all’altra, ma interpretare, scegliere, perdere qualcosa e inevitabilmente trasformare il significato. Non a caso uno dei suoi libri più noti sul tema si intitola Dire quasi la stessa cosa: è proprio quel “quasi” a raccontare tutta la complessità della traduzione.

Oggi, in un mondo in cui internet promette comunicazioni immediate e strumenti capaci di tradurre qualsiasi testo in pochi secondi, il pensiero di Eco torna sorprendentemente attuale.

Per rileggere il concetto di traduzione oggi — tra linguaggi digitali, intelligenza artificiale e comunicazione globale — abbiamo raccolto le riflessioni della prof.ssa Barbara Ivančić, docente di Lingua tedesca e Traduzione presso il Dipartimento di Lingue, letterature e culture moderne dell’Università di Bologna.

Eco scriveva che tradurre significa ‘dire quasi la stessa cosa’. Che cosa implica oggi quel ‘quasi’ nell’epoca dell’intelligenza artificiale?”

Dalla prospettiva della traduzione automatica si potrebbe dire che il “quasi” passi in secondo piano, dal momento che in questa prospettiva la traduzione equivale a un’operazione di decodifica e sostituzione di simboli. Certo, lo scenario odierno è ben diverso da quello che aveva conosciuto Eco, ma l’idea alla base dell’automazione del processo traduttivo rimane sostanzialmente la stessa. 
Eco aveva fatto i suoi tentativi di traduzione automatica prima della cosiddetta svolta neurale, quando i sistemi erano basati su metodi statistici e, per quanto questo approccio implicasse un notevole salto di qualità rispetto a quello precedente, i risultati erano ancora molto scarsi, come sa chi ha sperimentato il primo Google Translate o, prima ancora, Babel Fish, il traduttore offerto dal motore di ricerca Altavista agli inizi del Duemila. Proprio a quest’ultimo aveva fatto ricorso Eco per gli esperimenti che descrive in Dire quasi la stessa cosa (2003), che sono, come qualcuno ricorderà, tutti piuttosto esilaranti sul piano degli output ottenuti nelle varie prove. Era evidente all’epoca che il sistema fosse sprovvisto tanto di informazioni enciclopediche riguardanti il mondo al di fuori dal testo quanto di informazioni contestuali necessarie per disambiguare i possibili significati di una parola a seconda del contesto d’uso, come osservava Eco in quel libro.
Oggi, nell’epoca della traduzione automatica di tipo neurale e dell’IA generativa, che sta alla base degli Large Language Model - LLM, i modelli linguistici di grandi dimensioni, quegli stessi esperimenti darebbero indubbiamente risultati ben più validi. Questo perché le macchine sono oggi progettate per imparare a fare da sole, o, detto in termini tecnici, per apprendere automaticamente, grazie soprattutto a un’enorme quantità di dati linguistici necessari per il loro addestramento. Ma al di là di questioni tecniche, la lingua rimane un concetto matematico, e gli output traduttivi sono ora più che mai frutto di trasformazioni numeriche e operazioni di calcolo probabilistico. Il “quasi” cui alludeva Eco ha invece a che fare con i concetti di interpretazione e negoziazione, cui l’autore ha dedicato molto spazio nel testo citato, come anche in altri suoi contributi. Concetti che hanno a che fare con il significato del segno linguistico, con l’ambiente socioculturale in cui un testo nasce e al quale la traduzione è destinata e, non da ultimo, con la dimensione emotiva e affettiva che entra in gioco quando si legge e interpreta un testo. Tutte cose da cui le macchine del linguaggio prescindono, ragione per cui non credo che quel “quasi”, così come lo intendeva Eco, possa essere usato in questo contesto.

I traduttori automatici traducono davvero significati o soltanto correlazioni linguistiche?

Rispondo citando il linguista Giuseppe Antonelli, che in un articolo pubblicato il 10.8.2025 su “La Lettura”, il supplemento culturale del “Corriere della Sera”, così scriveva a proposito degli LLM progettati per fornire output in vari ambiti dell’elaborazione del linguaggio naturale: quegli output sono, scrive Antonelli, “una successione di parole che, messe insieme, sembrano proprio il linguaggio umano. Ma non lo sono. Sono piuttosto il frutto di un processo del tutto alieno di trasformazioni numeriche che poco hanno a che vedere con il modo in cui produciamo il linguaggio”. La traduzione automatica, in quanto una delle prestazioni di queste macchine, accanto alla generazione e all’analisi dei testi e altre ancora, rientra pienamente in questo tipo di discorso. Vale anche per gli LLM addestratati esclusivamente su dati traduttologici. 
Tornando ancora una volta alla risposta precedente, a prescindere dai salti di qualità e quantità cui stiamo assistendo, il principio alla base della traduzione automatica rimane quello che ha mosso le prime ricerche nel settore, ricerche che – è sempre bene ricordarlo – sono state fortemente incentivate durante la Seconda guerra mondiale e negli anni della Guerra fredda, e che dunque avevano come obiettivo principale quello della decifrazione dei messaggi criptati del nemico.

Il matematico e filosofo Alan Turing, che oggi spesso ricordiamo per il “Turing test”, ebbe un ruolo fondamentale in questa fase, così come lo ebbe, fra gli altri, il matematico Warren Weaver, il cui nome si associa al cosiddetto “Weaver Memorandum” (1955), uno dei primi testi in cui si riflette sulle possibilità̀ di affidare al computer anche la traduzione interlinguistica. Il saggio di Weaver si apre significativamente con quello che egli chiama un “War Anecdote”, un aneddoto bellico in cui si racconta di un testo turco che era stato dato a un matematico, il quale, senza conoscere quella lingua, era riuscito a ricostruire il testo originale. Da qui la conclusione che “this process made use of frequencies of letters, letter combinations, intervals between letters and letter combinations, letter patterns, etc., which are to some significant degree independent of the language used” (cfr. Weaver 1955, p. 16). Mi sembra tuttora una valida risposta alla domanda da cui siamo partiti.

Che cosa si perde quando una traduzione diventa completamente automatizzata?

Dal mio punto di vista si perdono molte cose. La prima riguarda il nostro rapporto con l’intraducibilità: l’idea che tutto sia traducibile nel tempo di un click, su cui l’industria linguistica comprensibilmente insiste dalla sua prospettiva, ci allontana dalla consapevolezza che non tutto si può tradurre e che occorre saper stare anche nell’intraducibile. Non significa rinunciare alla traduzione, anzi, è proprio il contrario, è questo ciò che ci spinge a tradurre accogliendo e accettando anche uno scarto di intraducibilità che spesso emerge nel passaggio da una lingua all’altra, da un testo all’altro. È, appunto, il “quasi”, che è espressione di un approccio umano al tradurre, che ascolta e dà voce alle sfumature e all’interpretazione, mentre la tecnologia presuppone per definizione velocità, efficienza e quantità.

Da questo punto di vista c’è un legame molto complesso e ambivalente fra traduzione e tecnologia, che ci porta inevitabilmente a interrogarci sul nostro rapporto con la lingua e con la diversità linguistica, come ben emerge nel recente volume The Routledge Handbook of Translation Technology and Society (2025), curato da Stefan Baumgarten e Michal Tieber, che consiglio a chi volesse approfondire queste tematiche. 

Automatizzare significa per me anche rinunciare alla dimensione corporea dell’atto traduttivo, in cui entrano in gioco le nostre emozioni, le percezioni, il nostro vissuto come anche l’inconscio, i quali tutti confluiscono nel processo di lettura e interpretazione del testo e plasmano, in maniera più o meno consapevole, le nostre scelte traduttive. Motivo per cui non c’è, per fortuna, una traduzione uguale a un’altra. Non significa affatto che siano tutte ugualmente valide, ma che la traduzione, così come la letteratura tutta, reca l’impronta di un corpo. Sono cose che inevitabilmente cambieranno per effetto dell’automazione del processo traduttivo e della scrittura stessa, e per me sono cambiamenti che equivalgono a perdite.

Di perdite si deve parlare anche sul piano socioculturale, considerando le questioni etiche, politiche e ambientali che l’obiettivo dell’immediata traducibilità comporta. Di questo dovremmo parlare molto di più, anche e soprattutto in ambito accademico, chiedendoci cosa perdiamo come società nel momento in cui concediamo sempre più spazio e investimenti a un’industria, quella di cui sono figli gli LLM, che si basa sullo sfruttamento umano e ambientale nonché su un gigantesco furto di proprietà intellettuale, come da più parti viene, a ragione, definito il modo in cui un oligopolio di aziende private si è impossessato dei dati linguistici senza i quali oggi non staremmo qui a parlare di automazione del processo traduttivo in questi termini.

Che cosa perde una società che – salvo voci isolate che cercano di far emergere il rovescio della presunta medaglia – abbraccia incondizionatamente l’ideologia della razionalità strumentale, che nutre gli interessi privati degli attori dominanti dell’economia mondiale?
Sono questi i temi che bisognerebbe mettere al centro delle riflessioni sulla traduzione automatica, invece di concentrarsi quasi esclusivamente sulle cose che la macchina ancora non riesce a fare. Così come bisognerebbe parlare del rischio che sia la lingua stessa sia la nostra sensibilità linguistica si appiattiscano a forza di nutrirci solo di output prodotti sulla base di ciò con cui la macchina viene addestrata. Mi piace pensare che Eco avrebbe contribuito a modo suo a tenere un faro saldamente acceso anche su questioni di questa natura.

Eco sosteneva che ogni traduzione è una forma di interpretazione. Vale anche per l’AI?

No, nella misura in cui l’interpretazione mira ad arrivare al senso profondo di un testo e ad afferrarne l’effetto, e nei processi di traduzione va dunque di pari passo con la negoziazione dei significati che una traduzione deve esprimere, come sottolineava Eco. Tutte cose ben diverse dalla logica matematica attraverso cui operano i modelli di intelligenza artificiale, effettuando operazioni di calcolo sulle rappresentazioni numeriche dei dati, linguistici e non solo, come già si sottolineava nella prima risposta.

L’obiezione che qui si potrebbe fare è che nello specifico della traduzione automatica lo spazio per l’interpretazione e la negoziazione si apre tanto nella fase in cui si danno precise istruzioni alla macchina, cioè nel cosiddetto prompting, quanto, soprattutto, in fase di post-editing, ovvero di revisione e correzione dell’output prodotto meccanicamente. Si tratta tuttavia di un tema molto controverso, perché il post-editing solleva tutta una serie di problematiche che si riflettono sull’effettivo raggio d’azione umana, intesa nei termini di interpretazione e negoziazione.

Mi riferisco in particolar modo al cosiddetto effetto priming, termine con cui si indica il condizionamento che l’output della macchina esercita su chi fa il post-editing. Sono ormai numerosi gli studi che dimostrano come, soprattutto nel settore della traduzione letteraria, quest’effetto investa tanto le scelte linguistiche da parte di chi fa il post-editing quanto il piano dell’interpretazione testuale. In entrambi i casi si tende, insomma, a restare ancorati all’output preconfezionato e a fare molta fatica per trovare quel distacco che invece è necessario per ponderare le proprie scelte traduttive e per poterle considerare espressione di un lavoro di interpretazione e negoziazione.