Possono due semplici parole costare 10 milioni di dollari?

Nel 2012 HSBC ha dimostrato di sì. La traduzione errata del payoff “Assume Nothing” ha generato un effetto domino in vari mercati internazionali, sfociato in una costosissima campagna di rebranding d’emergenza. Un danno d’immagine pesante per una banca che aveva costruito la propria identità sulla capacità di comunicare efficacemente a livello globale. Il caso è citato da Al-Tarawneh e Al-Badawi in uno studio del 2025 sull’impatto della qualità della traduzione sull’immagine del brand.

È un caso che dimostra una verità fondamentale: una svista linguistica, anche apparentemente piccola, può compromettere la fiducia dei clienti, la percezione del brand e, nei casi peggiori, generare costi economici e reputazionali significativi.

Oggi, questa vulnerabilità si scontra con la velocità dell’IA generativa

La capacità degli LLM di produrre e tradurre moli enormi di contenuti in decine di lingue e domini contemporaneamente ha reso i flussi di lavoro molto più veloci e scalabili. Tuttavia, una traduzione può risultare fluida e convincente anche quando contiene omissioni, incoerenze terminologiche o allucinazioni, cioè informazioni non presenti nel testo sorgente. Inoltre, la qualità non è uniforme: le prestazioni dei modelli variano in funzione della coppia linguistica, del dominio e della tipologia di contenuto.

Come abbiamo già raccontato nel nostro articolo dedicato all’utilizzo dell’IA nella localizzazione, il tema non è più se integrare questi strumenti nei flussi di traduzione, ma come farlo senza compromettere la qualità. E con volumi di contenuti in continua crescita, la vera domanda diventa: come valutare la qualità delle traduzioni in modo sistematico e controllato?

La valutazione della qualità non è una novità, ma i metodi tradizionali non bastano più

Molte metriche automatiche tradizionali sintetizzano la qualità in un punteggio complessivo. È un’informazione utile, ma non spiega quali errori siano presenti, dove si trovino o quale impatto abbiano sul testo. Errori di gravità e natura diverse possono infatti produrre lo stesso punteggio, rendendo difficile capire dove intervenire.

La valutazione umana, pur rimanendo il punto di riferimento per misurare la qualità, presenta due limiti. Da un lato può essere soggetta a variabilità: il risultato può cambiare in base all’esperienza del linguista, al contesto e allo schema utilizzato per classificare gli errori. Due professionisti possono quindi attribuire categorie o livelli di gravità diversi allo stesso problema. Dall’altro, una valutazione interamente manuale è difficile da scalare di fronte ai ritmi di produzione imposti dall’IA generativa.

Di fronte a questi limiti, è evidente la necessità di un approccio che renda la valutazione della qualità più sistematica, riproducibile e scalabile, e che mantenga il controllo umano dove serve.

Verso un framework di Automated Linguistic Quality Assessment

È da questa esigenza che è partito il nostro lavoro sull’Automated LQA. Dal 2024 abbiamo lavorato per capire come utilizzare gli LLM nella valutazione della qualità senza rinunciare al controllo linguistico umano.

Un sistema di Automated LQA permette di combinare la velocità dell’automazione con criteri linguistici strutturati. L’obiettivo è classificare e descrivere gli errori in modo sistematico, così da ottenere risultati confrontabili nel tempo e utili per capire dove intervenire.

Un ruolo centrale è svolto da MQM (Multidimensional Quality Metrics), un framework di riferimento che permette di classificare gli errori per categoria, ad esempio terminologia, stile e accuratezza, e attribuire a ciascun problema un livello di severità. In questo modo la valutazione non restituisce solo un giudizio complessivo, ma rende evidente quali aspetti della traduzione abbiano inciso sul risultato finale.
Ne abbiamo parlato in modo più approfondito in questo articolo.

Valutazioni su misura e livelli di automazione

Abbiamo inoltre considerato la necessità di rendere la valutazione flessibile e adattabile ai requisiti specifici di ciascun brand, come le linee guida di tono di voce, il registro o le regole terminologiche proprietarie. Questo permette di applicare criteri coerenti con esigenze molto differenti.

Infine, abbiamo esplorato diversi livelli di automazione e di intervento umano, dai controlli automatizzati per i flussi ad alto volume fino a processi ibridi che integrano l’intervento del linguista. Il controllo qualità non deve essere una scelta rigida tra “tutto manuale” e “tutto automatico”: l’equilibrio tra scalabilità e controllo può variare in base al contenuto, al volume e al livello di rischio.

Misurare la qualità per migliorare il processo

Una valutazione strutturata consente non solo di individuare gli errori, ma anche di riconoscere quelli ricorrenti, comprenderne le cause e monitorare la qualità nel tempo. Questa maggiore consapevolezza diventa un supporto concreto per migliorare i processi di traduzione e prendere decisioni sulla base dei dati.

In un contesto in cui i contenuti multilingue aumentano per volume e complessità, valutare la qualità non significa quindi limitarsi a verificare il risultato finale: significa costruire un processo affidabile, in cui automazione e competenza dei linguisti collaborano per ridurre i rischi, mantenere il controllo sulla qualità e favorire un miglioramento continuo.

Fonti

Al-Tarawneh, A. e Al-Badawi, M. (2025), “The Impact of Translation Quality on Brand Image and Consumer Perception”, in A. M. A. Musleh Al-Sartawi, M. Al-Okaily, A. A. Al-Qudah and F. Shihadeh (eds), From Machine Learning to Artificial Intelligence, Springer Nature Switzerland, pp. 1203–1212.