Lo que Google Translate nos dice sobre el vibe coding

• Últimamente han aumentado tanto las afirmaciones de que la IA reemplazará la profesión de programador como las refutaciones a esa idea
• A través del caso de la evolución de Google Translate, se examinan el impacto real y los límites de las herramientas de automatización
• La demanda laboral de traductores e intérpretes en realidad sigue aumentando
• La traducción automática no puede manejar el contexto cultural, la ambigüedad ni los matices finos
• Se enfatiza que la programación también requiere trabajo creativo y de abstracción similar al de la traducción

---

Lo que Google Translate nos dice sobre el vibe coding

El debate reciente sobre la IA y los empleos en programación

• Recientemente, al mismo tiempo han surgido tanto predicciones de que los modelos de lenguaje grandes (LLM) reemplazarán a los programadores como argumentos de que eso no puede ocurrir
• De un lado, algunos sostienen que, como pudieron crear herramientas simples con LLM, todos los programadores pronto se quedarán sin trabajo
• Del otro lado, también hay voces que niegan por completo la utilidad de estas herramientas
• Se subraya que frente a esta polarización de opiniones hace falta una mirada más matizada

El avance de la traducción automática y su impacto real

• Google Translate logró un gran progreso después de introducir la traducción automática neuronal (NMT) en 2016
• Muchas personas predijeron que la tecnología de traducción con IA haría desaparecer el trabajo de traductores e intérpretes humanos
• En la práctica, una parte considerable de quienes hacen esa afirmación nunca ha tenido experiencia en el trabajo de traducción o interpretación
• Se reconoce la utilidad de la traducción automática, pero afirmaciones como “ya no hace falta interpretación” malentienden la naturaleza del trabajo real de traducción

La diferencia entre traductores humanos y traducción automática

• El trabajo real de los traductores e intérpretes no consiste simplemente en cambiar palabras y gramática, sino que pone el foco en entender el contexto, resolver ambigüedades y la sensibilidad cultural
• Como ejemplo, incluso en un idioma parecido al inglés como el noruego, debido a diferencias culturales como las formas de cortesía, la traducción automática no logra captar significados sutiles
  • En noruego, “Jeg vil ha potetene(quiero las papas)” puede sonar grosero si se traduce literalmente al inglés, pero en una conversación real hace falta una traducción más natural según el contexto
  • Google Translate no puede manejar estos matices sutiles
• De hecho, si se usa solo traducción automática en conversaciones cotidianas o situaciones formales, pueden surgir malentendidos
• En idiomas como el japonés, donde la gramática y el contexto difieren mucho, la traducción automática puede transmitir mal el significado o generar oraciones gramaticalmente incorrectas

Cómo se usa realmente la traducción automática

• Esto no significa que Google Translate sea una mala herramienta
• Como ejemplo de un uso útil, se explica que ayuda cuando alguien que ya conoce el contexto lingüístico y cultural quiere pulir una expresión
• Un ejemplo de trabajo sería un caso como “ya sé lo que quiero decir, pero quiero ver una forma más natural de expresarlo”
• Los traductores humanos también integran la IA en su flujo de trabajo
• El rol del experto humano es evaluar el resultado propuesto por la IA y ajustarlo según el contexto y el propósito

Similitudes entre la programación y el trabajo de traducción

• Los programadores, en esencia, también son parecidos a ‘traductores’: convierten requisitos humanos ambiguos y complejos en un lenguaje absoluto que la computadora puede entender
• La programación es un trabajo creativo de transformar la ambigüedad y el contexto cultural humanos en el lenguaje claro de la computadora
• Los lenguajes de programación habían tenido una barrera de entrada más alta que la traducción automática porque implican mucha abstracción, pero recientemente esa barrera está bajando gracias al avance de las herramientas de IA
• Aun así, la IA no está en un nivel en el que pueda comprender por completo el contexto y la complejidad para reemplazar a los humanos

Perspectivas futuras

• Algún día la IA podría llegar a manejar incluso el contexto y la ambigüedad, pero por ahora sus límites son claros y todavía hace falta más tiempo
• La velocidad de avance de las herramientas de IA es rápida, pero los problemas éticos y el uso responsable de estas herramientas siguen siendo temas importantes

[GN⁺]

Comentarios en Hacker News

• Comparte una opinión con la que coincide: el trabajo de traductores e intérpretes incluye entender el contexto, resolver ambigüedades y manejar sensibilidades culturales, áreas en las que Google Translate no puede competir. Pero si se le dan prompts adecuados a un LLM, puede replicar bastante bien esas funciones. Como alguien con experiencia en traducción japonés-inglés, enfatiza que los LLM son mucho más capaces para traducir. Incluso construyó con Claude Code un sistema que combina varios LLM para traducir: primero pregunta al usuario por opciones como el propósito de la traducción, si quiere adaptación cultural o anotaciones, luego envía prompts acordes a tres modelos (OpenAI, Anthropic y Google), crea un borrador unificado a partir de todas las traducciones y después lo refina en varias rondas. En pruebas cortas, obtuvo resultados claramente superiores a los de modelos individuales, mucho mejores que Google Translate, y al nivel de traductores profesionales de primer nivel. Aun así, la interpretación (sobre todo presencial) es un caso distinto, y en la traducción general, donde la personalidad e identidad del traductor humano no son tan importantes, siente que cada vez será más difícil para los humanos competir

  • Está investigando intensamente la traducción con LLM en su app de aprendizaje nuenki.app. Seleccionó varios modelos punteros para que cada uno traduzca, y al final un modelo que actúa como “juez” compara y combina las versiones para elegir la mejor traducción en una herramienta open source. Se puede probar aquí y el material de investigación está publicado aquí
  • Al escuchar sobre un sistema que envía repetidamente el texto a varios modelos para pasar por un proceso de corrección, revisión y depuración, deja un comentario de RIP al consumo eléctrico global
  • Cuenta que viviendo en Japón comprobó de primera mano lo importante que es, al traducir, poder dar contexto adicional, hacer preguntas de seguimiento y razonar sobre el texto. Todos los días surgen dudas sobre expresiones japonesas en ciertos contextos o sobre cómo comunicar algo según el medio. Cree que este tipo de conversación puede automatizarse más mediante custom instructions
  • Señala como problema de la traducción con LLM que, si el sistema juzga que el tema a traducir viola sus políticas de uso, se niega a traducir aunque el contexto sea totalmente apropiado. Por ejemplo, menciona que incluso contenido religioso puede activar restricciones
  • Pregunta cómo manejar la traducción de textos demasiado largos para una ventana de contexto normal. Si se divide el texto en varios fragmentos, hay que incluir un resumen de lo anterior en cada uno, y duda qué nivel de detalle sería el adecuado

• Pone como ejemplo que la traducción automática es una herramienta útil, pero no reemplaza por completo a los profesionales, y sugiere que con las herramientas de asistencia para programar con AI pasará algo similar. También ahí haría falta otro gran salto tecnológico antes de que se vuelva realista preocuparse por la desaparición total de los expertos actuales. Durante años se predijo que la AI en radiología sustituiría por completo a las personas, pero en la práctica la demanda de diagnósticos por imagen aumentó, y la eficiencia aportada por la AI nunca redujo realmente la necesidad de personal. De hecho, la escasez de radiólogos se ha agravado

  • Cuando empezó a estudiar japonés hace 15 años, Google Translate ni siquiera podía traducir correctamente oraciones básicas, pero hoy produce resultados casi nativos incluso con frases complejas que él mismo redacta. Tras validarlas con hablantes nativos, recibió comentarios como “imperfecto, pero muy bueno y con significado claro”. Su impresión honesta es que, salvo documentos extremadamente sensibles como contratos legales, el futuro de los traductores profesionales se ve oscuro
  • Menciona un artículo del NYT sobre AI en radiología. Dice que la mayoría de los sistemas todavía usan pequeños CNN (redes neuronales convolucionales) aparecidos antes de mediados de los 2010, y aunque el público piensa “AI” = ChatGPT, la arquitectura real detrás sigue siendo muy antigua. No está claro cuánto mejoraría la radiología al aplicar AI más moderna, como transformers, pero casi con certeza habría mejoras de rendimiento

• El hecho de que el trabajo de traducción sea distinto de lo que uno imagina le recuerda el caso de “localización” en películas de Pixar. Por ejemplo, en la versión japonesa cambiaron la escena de la mesa donde un niño angloparlante detesta el brócoli por ejotes, que son algo que a los niños japoneses no les gusta

  • Expresa dudas sobre si ese caso de localización de los ejotes fue real. Opina que es bueno exponerse a otras culturas y aprender sus diferencias a través de películas extranjeras, así que le parece una lástima borrar esas diferencias mediante localización
  • Menciona el meme de Pokémon “Brock’s jelly filled donuts” (originalmente era “onigiri”, pero en la versión estadounidense lo tradujeron como donas) con este enlace relacionado

• Dice que coincide con gran parte del artículo, pero señala un punto discutible. Por ejemplo, aplicar al desarrollo de software la lógica de que “incluso en un mundo sin Google Translate, poca gente habría aprendido japonés o contratado a un traductor” llevaría a pensar que muchos usuarios de “apps de baja calidad hechas con AI” quizá nunca habrían tenido interés en desarrollar software de todos modos. Eso podría significar que no necesariamente se reducirán tanto los empleos para desarrolladores. Pero el desarrollo de software tiene características fundamentalmente distintas —como la escala de las oportunidades de negocio y los costos—, por lo que la AI sí podría terminar afectando la demanda laboral de los desarrolladores actuales

  • Por otro lado, cree que la adopción de la AI también podría aumentar nuevos empleos. Si los usuarios pueden crear software por sí mismos, seguirán surgiendo trabajos para expertos que pulan ese código y esos sistemas, los amplíen y refuercen su seguridad; lo compara con un “desfile de elefantes” que no se acaba
  • También menciona que Google Translate es muy útil para principiantes, pero no reemplaza a un traductor profesional. Incluso con su nivel básico de japonés, muchas veces descubrió que el significado real solo aparecía al entender el contexto local, y siente que en 15 años no ha habido tanto progreso más allá del aumento de velocidad. La función de traducción OCR en tiempo real de imágenes no fue desarrollada internamente, sino adquirida junto con una app (¿Magic Lens?). Cree que la programación automatizada basada en LLM también podría seguir siendo “bastante buena, pero siempre un poco insuficiente” durante unos 10 años
  • La razón más sensata por la que los coders actuales se sienten amenazados por la AI es que un gran aumento de productividad sí puede traducirse en menos empleos. El objetivo no es escribir código, sino entregar un producto funcional, así que aunque la calidad baje un poco, si hace falta menos gente, esa es la diferencia esencial
  • Sostiene que el arte con AI y la generación de código con AI son esencialmente distintos. El propósito del arte es el arte mismo, y las costumbres culturales junto con la existencia del artista son centrales; en cambio, en desarrollo de software el código no es el fin, sino el medio para obtener el resultado deseado, como una app, por lo que la necesidad de humanos podría reducirse de verdad. Lo compara con la diferencia entre cómo cambió el rol de los pintores tras la llegada de la fotografía y cómo los ascensoristas fueron sustituidos por botones
  • Muestra una visión escéptica frente al marketing de “AI”, como los anuncios de generadores de sitios web con AI

• Aunque no tiene evidencia estadística, dice que sus amistades traductoras sienten de verdad que el trabajo casi ha desaparecido, y que el cambio se aceleró bruscamente desde la adopción de los LLM. Los foros de traductores, grupos de Facebook y este hilo de Reddit están llenos de reacciones pesimistas. Los resultados de los expertos siguen siendo mucho mejores, pero salvo algunos trabajos sensibles, la mayor parte del mercado prácticamente desapareció. Comparte su preocupación de que le resultaría difícil recomendar la carrera de traducción a sus hijos

  • Incluso equipos de traducción profesional ahora pueden hacer que una sola persona cubra el trabajo de varias gracias a los LLM, con una mejora de calidad incomparable frente a la traducción automática tradicional. Basta con un revisor para afinar el resultado generado por el LLM según el tono y el dialecto, y ya lo hace bastante bien

• Señala que en el trabajo de traducción, sea humano o automático, es difícil verificar por cuenta propia si el resultado es correcto. Al final, uno tiene que confiar ciegamente en la traducción o decidir si confía más en una persona o en una máquina, y en general se tiende a confiar más en los humanos. Pero recuerda ocasiones en las que un traductor hizo un trabajo descuidado y alguien más tuvo que señalarlo. Dice que con el vibe coding (generación de código) pasa algo parecido: al usuario le cuesta juzgar si el resultado es correcto o no, así que al final sigue siendo necesaria una pericia verificable

  • La razón por la que se confía menos en las máquinas sería, paradójicamente, la falta de conciencia sobre su precisión. Por ejemplo, en cálculos claros como una multiplicación, en realidad uno confiaría más en una calculadora que en un matemático; sería una psicología parecida
  • Como forma de verificar un resultado de traducción automática, sugiere intentar una “traducción circular” (A->B->A). No es perfecta, pero opina que da un nivel de confianza bastante alto
  • Señala que también se puede obtener cierta medida de precisión al poner realmente en práctica el resultado: ejecutar el código si es código, o aplicar la traducción en su contexto si es traducción

• Tras citar la opinión de que no es imposible que la AI del futuro maneje contexto y ambigüedad como un humano, comenta que, por mucho que avance la AI, sigue siendo difícil reemplazar la pericia curtida de un desarrollador veterano con mucha experiencia resolviendo incidentes de producción a las 2 de la mañana. Da la bienvenida a que los vibe coders generen un buen ambiente, pero enfatiza que al final no pueden encargarse solos de refactorizar una base de código legacy grande

• Explica que el trabajo real de un traductor incluye cosas como “traducir modismos”, “explicar referencias culturales (arte, historia, comida, etc.)”, “interpretar y trasladar según el contexto los valores culturales de cada país (libertad, pasión, resiliencia, etc.)”, “ajustar el tono de la traducción al movimiento de labios del actor en doblaje” y “crear prosa bella (Artful prose)”. Considera que es difícil que un LLM desafíe directamente esas áreas donde se requiere tanta delicadeza humana

• Da feedback sobre las limitaciones y la bajada de calidad de Google Translate, especialmente sobre el grave error de la función de traducción de Chrome, que a veces confunde chino tradicional con japonés. Dice que antes funcionaba bien, pero recientemente ha retrocedido sin cambios aparentes, lo que le frustra. Lo peor, dice, es que ni siquiera ofrece una forma para que el usuario corrija esos errores directamente

  • Otra opinión dice que no es un problema de Google Translate en sí, sino del modelo local que usa Chrome para detectar el idioma antes de traducir. Comparte información sobre ese modelo local, CLD3
  • Sostiene que dentro de Unicode deberían distinguirse y administrarse por completo los códigos de caracteres de cada idioma. Cree que con la estructura actual los LLM se confunden al aprender chino y japonés juntos. La estructura gramatical está invertida entre ambos, y también difieren las relaciones modificador-modificado, lo que genera confusión
  • En conclusión, pronostica que, en cuanto aparezca un LLM suficientemente rápido, barato y de calidad aceptable, reemplazará al motor actual de Google Translate. Cree que probablemente no le han dedicado ni una hora de trabajo al motor de traducción en el último año

• También comparte una anécdota causada por un fallo de traducción automática: un divertido incidente de traducción en OSNews