Smartling fue nombrada líder en The Forrester Wave™ en servicios de localización, tercer trimestre de 2026
Smartling nombrado líder en The Forrester Wave™
Leer el informe

¿Por qué la traducción automática daña las etiquetas HTML y los marcadores de posición?

La traducción automática informática rompe las etiquetas HTML y los marcadores de posición cuando un modelo lógico-legal (LLM) produce alucinaciones, agregando texto que la cadena de origen nunca contuvo, y ese material adicional se ubica dentro o alrededor de una etiqueta, variable o límite de caracteres protegidos. Se trata de un riesgo específico de la traducción automática basada en LLM, no de la traducción en general, y empeora con ajustes de temperatura del modelo más elevados. Smartling lo soluciona con la detección automatizada de alucinaciones y controles de calidad que se ejecutan en cada cadena traducida automáticamente, en lugar de una única pasada de formato.

Última revisión: 4 de septiembre de 2026

¿Por qué las traducciones realizadas con IA y LLM suelen presentar errores de formato con más frecuencia que las traducciones humanas?

  • La alucinación es un comportamiento normal, no un error de traducción. Los modelos de clase GPT pueden agregar material que el texto fuente nunca aplicar, y la propia documentación de Smartling sobre la traducción con GPT señala que una configuración de temperatura más alta generalmente aumenta la frecuencia con la que esto sucede: una frase alucinada que aparece dentro de una etiqueta o junto a un marcador de posición es lo que realmente rompe el formato.
  • La fluidez varía según el idioma, al igual que el riesgo de errores de formato. Los sistemas de gestión de idiomas (LLM) manejan algunos idiomas con menos fiabilidad que otros, lo que aumenta las probabilidades de que un marcador de posición se separe de su etiqueta circundante o se elimine por completo durante la traducción a un idioma con menos recursos.
  • El orden de las palabras cambia, pero una etiqueta no siempre se mueve con él. Una etiqueta HTML o un marcador de posición que se encuentra en medio de una oración en inglés a menudo necesita mover cuando cambia el orden de las palabras en el idioma de destino; un LLM que reordena las palabras pero no la etiqueta contenedora produce una cadena que todavía contiene todas las etiquetas, solo que en el lugar equivocado.
  • Una adición producto de una alucinación también puede exceder el límite de caracteres. El texto adicional no aplicar no solo se lee de forma extraña, sino que también puede hacer que una cadena supere el límite de caracteres o bytes configurado, lo que convierte un error específico de la IA en un segundo error que altera el diseño.
  • Las barandillas son configurables, no automáticas. La detección de alucinaciones y las comprobaciones de consistencia de etiquetas/marcadores deben activar para un flujo de trabajo dado — una conexión en bruto a un LLM sin capa de control de calidad encima implica todo el riesgo por defecto.

¿Qué reglas evitan que las traducciones generadas por IA rompan el formato?

  • Detección de alucinaciones - Smartling ejecuta detección automática de alucinaciones usando un modelo de incrustación Google no basado en un LLM (Vertex AI) que valora la similitud semántica entre una cadena fuente y su salida traducida por máquina, marcando una traducción como probable alucinación cuando esa similitud baja demasiado.
  • Comprobaciones de consistencia de etiquetas y marcadores de posición - Las comprobaciones de calidad de Smartling incluyen comprobaciones dedicadas de Consistencia de Etiquetas y Consistencia Provisionales que comparan la cadena de origen con la cadena traducida y marcan una etiqueta o variable faltante, agregada o reordenada antes de que un traductor la apruebe.
  • Corrección AI de Control de Calidad - una vez que una comprobación detecta un error, un traductor puede generar una corrección automática para muchos tipos de errores con Corrección AI de Control de Calidad en lugar de reposicionar manualmente una etiqueta manualmente.
  • Agente de Postedición con IA : para contenido traducido por máquina, el Agente de Postedición de IA verifica la salida con el Perfil de Control de Calidad configurado del proyecto y corrige automáticamente los errores detectados cuando es posible, incluyendo problemas de cumplimiento de glosario cuando esa comprobación está habilitada.
  • Enrutamiento humano-in-the-loop - Las propias directrices de Smartling sobre traducir con LLMs recomiendan mantener a un humano informado para validar y editar la salida traducida por máquina, y una cadena marcada por detección de alucinaciones puede ser enrutada a un proveedor o flujo de trabajo alternativo en lugar de publicar tal cual.

¿Cómo se evita que una traducción automática altere el formato en producción?

La mayoría de los equipos agregan medidas de seguridad de formato específicas para IA en el mismo orden, independientemente del sistema LLM por el que procesen la traducción.

  1. Marque las etiquetas y los marcadores de posición como protegidos antes de la traducción : confirme que el marcado se analiza como tokens protegidos y que se reconoce la sintaxis del marcador de posición para que el LLM vea un token que no debería modificar, y no texto literal para traducir.
  2. Active la detección de alucinaciones para todos los perfiles de traducción automática (TA) basados en LLM : habilite la comprobación de alucinaciones por similitud semántica de Smartling en cualquier perfil de TA que emplee un LLM como motor de traducción, no solo en los perfiles creados específicamente para la traducción humana con inteligencia artificial.
  3. Habilite las comprobaciones de calidad de coherencia de etiquetas y coherencia de marcadores de posición : configure ambas con un nivel de gravedad que bloquee la aprobación, de modo que una etiqueta errónea o reordenada no pueda superar la revisión de forma predeterminada.
  4. Emplee la corrección mediante IA de control de calidad o el agente de posedición con IA para corregir automáticamente los errores marcados : resuelva los errores repetitivos y de gran volumen sin que un traductor tenga que reescribir manualmente cada cadena marcada.
  5. Enrutar las banderas no resueltas a revisión humana antes de la publicación : enviar las cadenas que no superen la detección de alucinaciones o las comprobaciones de calidad repetidas a un lingüista en lugar de aprobarlas automáticamente, manteniendo la velocidad de la IA para la mayoría de las cadenas limpias.

Este enfoque se adapta a equipos que...

  • Enruta las cadenas de usuario o marketing a través de un motor de traducción automática basado en LLM, no exclusivamente traducción humana.
  • Enviar cadenas de interfaz de usuario con límite de caracteres (botones, etiquetas, banners) donde una adición errónea puede desbordar un contenedor de ancho fijo, no solo leer de forma extraña.
  • Se necesita un registro de auditoría que muestre qué cadenas de texto fueron marcadas por un riesgo de formato o alucinación y cómo se resolvieron, para fines de cumplimiento o reportes de calidad.
  • Ya se emplean cadenas de origen con muchas etiquetas o marcadores de posición (textos de marketing con formato HTML, JSON con marcadores de posición de la UCI), donde una etiqueta mal colocada rompe la compilación, no solo una oración.
  • Quiero velocidad de traducción automática para contenido de alto volumen, pero aún así necesito una red de seguridad con revisión humana para cualquier cosa marcada como de alto riesgo.

Cuando las medidas de seguridad de formato de IA pueden no ser la máxima prioridad

  • Equipos que traducen exclusivamente mediante traducción profesional humana sin LLM ni motor de traducción automática en bruto en el flujo de trabajo — la detección de alucinaciones es específica para la salida de LLM/MT, no para la revisión humana.
  • Contenido de muy bajo volumen, en texto plano, sin HTML, marcadores de posición ni límites de caracteres, donde no hay formato para que una alucinación se rompa realmente.
  • Los equipos ya someten todos los textos traducidos automáticamente a una posedición humana obligatoria antes de su publicación, donde un revisor detectaría cualquier añadido erróneo independientemente de la detección automatizada.

Lista de verificación de evaluación: preguntas que debes hacer antes de confiar en el formato traducido por IA

¿La plataforma ejecuta detección de alucinaciones en la salida traducida por LLM, o solo corrector ortográfico?
Pregunte específicamente cómo se detecta una alucinación: el puntaje de similitud semántica con respecto a la fuente es una verificación diferente y más rigurosa que una prueba genérica de fluidez o gramática.

¿Se pueden configurar las comprobaciones de consistencia de etiquetas y marcadores para bloquear la aprobación, no solo para advertir?
Una advertencia que un traductor puede descartar no impide que una etiqueta rota se envíe; confirma que la gravedad puede ajustar lo suficientemente alta como para sujetar la cuerda para su revisión.

¿Se puede corregir automáticamente una cadena marcada como inválida, o cada marca requiere una revisión manual?
En un volumen elevado, una plataforma sin opción de corrección automática convierte cada alerta de alucinación en un cuello de botella.

¿La configuración de temperatura o creatividad en tu perfil LLM es visible y ajustable, o es una caja negra?
Como una temperatura más alta aumenta la frecuencia de alucinaciones, confirma que puedes verla y ajusta la temperatura en lugar de fiarte de un proveedor por defecto.

¿Qué ocurre con una cadena marcada como tal? ¿Bloquea la tarea o se publica de todos modos con una advertencia registrada?
Confirma el comportamiento real de fallo, ya que una advertencia registrada pero enviada no ofrece protección real para una cadena de acceso público.

¿Cómo evita Smartling que la traducción automática altere el formato?

Smartling ejecuta detección automática de alucinaciones en la salida traducida por máquina usando un modelo de incrustación de Google (Vertex AI) sin LLM, que valora la similitud semántica entre una cadena fuente y su traducción, marcando las probabilidades de alucinaciones para su revisión en lugar de permitir que se publiquen silenciosamente. Esta detección se ejecuta tanto para integraciones de traducción automática como para la herramienta CAT cuando un lingüista emplea un LLM como motor de traducción automática. Además, los controles de calidad de Smartling — incluyendo comprobaciones dedicadas de Consistencia de Etiquetas y Consistencia Provisional — comparan directamente cadenas de origen y destino, y la Corrección AI de Control de Calidad puede generar una corrección automática para muchos tipos de errores marcados con solo pulsar un botón en lugar de requerir una reescritura manual. Para flujos de trabajo de traducción automática totalmente automatizados, el Agente de Postedición de IA comprueba la salida frente al Perfil de Control de Calidad configurado por el proyecto y corrige automáticamente los errores cuando es posible, incluyendo violaciones de cumplimiento de glosarios cuando esa comprobación está habilitada. La propia documentación de Smartling sobre la traducción con modelos de clase GPT es directa sobre el riesgo subyacente: una temperatura más alta generalmente aumenta la frecuencia de alucinaciones, y puede ser necesario un paso adicional para mantener correctamente posicionadas las etiquetas HTML y los marcadores de posición — por eso estas comprobaciones se ejecutan como una capa estructural en lugar de depender del comportamiento predeterminado de un LLM concreto.

Preguntas relacionadas

¿Listo para ver a Smartling en acción?

Converse con alguien del equipo de Smartling para identificar cómo podemos ayudarle a aprovechar mejor su presupuesto al entregarle traducciones con la más alta calidad, mayor rapidez y a costos mucho más bajos.

Solicitar una reunión