La traduzione continua a rappresentare uno dei principali colli di bottiglia nei processi operativi delle imprese globali, nonostante la crescita degli investimenti in intelligenza artificiale. È quanto emerge dal Language AI Report 2026 – Borderless Business: Transforming Translation in the Age of AI, pubblicato da DeepL, azienda europea tra i player più riconosciuti nello sviluppo di tecnologie di AI applicate al linguaggio e nota per le proprie piattaforme di traduzione automatica.
Il report si basa su un sondaggio condotto su 5.005 dirigenti aziendali negli Stati Uniti, nel Regno Unito, in Francia, Germania e Giappone e analizza come le organizzazioni stiano gestendo i workflow multilingue in una fase in cui la produzione di contenuti cresce rapidamente e la presenza sui mercati internazionali richiede comunicazioni sempre più tempestive.
Va tenuto presente il contesto in cui nasce lo studio. DeepL è uno dei principali sviluppatori di tecnologie di traduzione basate su AI e ha quindi un interesse diretto nel promuovere l’adozione di soluzioni di Language AI nelle imprese. Questo non invalida i dati raccolti, ma rende utile leggere il report anche come parte di una più ampia narrazione industriale sull’evoluzione dei processi linguistici nelle organizzazioni globali.
Il dato più significativo che emerge dall’indagine riguarda proprio la persistenza dei processi manuali. Il 35% delle aziende continua a gestire la traduzione attraverso workflow completamente manuali, mentre il 33% utilizza strumenti di automazione tradizionali, come sistemi di gestione della traduzione che richiedono comunque revisioni umane. Solo il 17% delle organizzazioni ha adottato strumenti basati su AI di nuova generazione, come modelli linguistici avanzati o sistemi agentici.
Parallelamente cresce però la pressione verso una trasformazione dei processi. Il 64% delle imprese prevede di aumentare la spesa in tecnologie di Language AI nel corso del 2026, mentre il 33% indica l’espansione internazionale come principale driver degli investimenti.
Ne emerge un paradosso che caratterizza molte iniziative di AI aziendale. Le organizzazioni introducono nuove tecnologie nei propri sistemi informativi, ma continuano a gestire i processi operativi con modelli progettati prima della diffusione dell’intelligenza artificiale. Il risultato è che il potenziale di automazione rimane in gran parte inutilizzato.
Come osserva Jaroslaw “Jarek” Kutylowski, CEO e fondatore di DeepL, “L’AI è ovunque, ma l’efficienza no. La maggior parte delle aziende ha implementato l’AI in qualche sua forma, ma poche raggiungono una reale produttività su larga scala perché i flussi di lavoro core restano progettati attorno alle persone, non ai sistemi. Per questo è fondamentale intervenire sul workflow, non solo sul modello”.
L’evoluzione dell’accuratezza della traduzione automatica
Il dibattito sull’automazione della traduzione si inserisce in un contesto tecnologico che negli ultimi anni ha registrato progressi molto significativi.
Le prestazioni dei sistemi di traduzione automatica vengono monitorate attraverso benchmark accademici internazionali come il Workshop on Machine Translation (WMT), una delle principali iniziative di valutazione comparativa dei modelli linguistici.
Una delle metriche più diffuse è BLEU (Bilingual Evaluation Understudy), introdotta da ricercatori IBM nel 2002 per misurare quanto una traduzione automatica assomigli a una traduzione umana di riferimento.
Fino alla metà degli anni 2010 la traduzione automatica si basava prevalentemente su modelli statistici. In quel periodo, per coppie linguistiche europee come inglese-italiano, i punteggi BLEU nei benchmark pubblici si collocavano generalmente tra 25 e 35 punti, con risultati spesso sufficienti per comprendere il significato di un testo ma limitati dal punto di vista della fluidità linguistica.
Il salto qualitativo è arrivato con l’introduzione della Neural Machine Translation, basata su reti neurali profonde. I risultati della conferenza WMT 2018 hanno mostrato miglioramenti sostanziali rispetto ai modelli statistici precedenti.
Grazie a queste tecnologie, i sistemi neurali addestrati su grandi corpora paralleli europei come Europarl e Paracrawl hanno raggiunto negli ultimi anni prestazioni nell’ordine di 45-55 BLEU per traduzioni inglese-italiano e 47-57 BLEU per traduzioni italiano-inglese.
Uno dei momenti più discussi nello sviluppo della traduzione automatica è stato il lavoro pubblicato nel 2018 da Microsoft Research, che ha dichiarato di aver raggiunto la cosiddetta human parity nella traduzione cinese-inglese nel dominio delle news.
Negli anni successivi la qualità dei sistemi è ulteriormente migliorata grazie alle architetture Transformer e all’aumento delle dimensioni dei modelli linguistici. Lo Stanford AI Index Report 2024 documenta progressi significativi nelle valutazioni umane dei sistemi di traduzione tra il 2018 e il 2023.
L’arrivo degli LLM ha introdotto un ulteriore cambiamento. Studi comparativi indicano che modelli linguistici di grandi dimensioni possono superare i sistemi neurali tradizionali in alcune direzioni linguistiche, soprattutto nella gestione del contesto e delle espressioni idiomatiche.
Per molte lingue europee, quindi, la traduzione automatica ha ormai raggiunto livelli di qualità sufficienti per numerose applicazioni operative, in particolare nei contenuti informativi e tecnici.
Quando la traduzione diventa un problema di scalabilità
Secondo il report DeepL, tuttavia, il vero limite per le imprese non riguarda più tanto la qualità linguistica dei modelli quanto la capacità dei processi di traduzione di scalare insieme alla crescita dei contenuti digitali.
La traduzione è ormai presente in quasi tutte le funzioni aziendali. Il report indica sales e marketing come l’area più influenzata dai processi di traduzione per il 26% dei dirigenti, seguita dal customer support con il 23% e dalle funzioni legali e finanziarie con il 22%.
Quando i workflow restano manuali o semi-manuali, la traduzione rischia di trasformarsi in un collo di bottiglia operativo. Il report descrive questo fenomeno con l’espressione “scalability cliff”, il punto in cui la crescita dei contenuti supera la capacità dei processi di traduzione di gestirli.
La crescita dei contenuti digitali rende il problema ancora più evidente. Secondo le analisi citate nello studio, tra il 2023 e il 2025 il volume globale dei dati è aumentato di circa il 50%, anche a causa della diffusione di strumenti di generative AI.
Questo significa che le aziende devono gestire una quantità crescente di documenti, materiali di marketing, contenuti web, supporto clienti e comunicazioni interne in più lingue e su più canali.
L’impatto sui processi aziendali
La crescente complessità delle operazioni multilingue spiega perché le aziende inizino a considerare la traduzione come una componente infrastrutturale dei sistemi informativi.
Parallelamente cresce l’importanza della traduzione in tempo reale. Il 54% dei dirigenti intervistati ritiene che la traduzione vocale istantanea diventerà una capacità essenziale entro il 2026, soprattutto per supportare meeting internazionali, collaborazione tra team distribuiti e assistenza clienti multilingue.
Questo spostamento riflette un cambiamento più ampio. La traduzione non riguarda più soltanto la pubblicazione di contenuti statici, ma entra sempre più spesso nei processi operativi quotidiani delle organizzazioni.
Dal modello linguistico al workflow
Il punto centrale del report è che l’adozione dell’intelligenza artificiale nella traduzione non può limitarsi all’introduzione di nuovi modelli linguistici.
Per ottenere benefici reali è necessario ripensare i workflow che gestiscono la produzione e la distribuzione dei contenuti multilingue. Questo significa integrare la traduzione nei sistemi aziendali, automatizzare i passaggi ripetitivi e ridurre il numero di passaggi manuali tra team e fornitori.
Secondo DeepL, è proprio su questo terreno che si giocherà la prossima fase di evoluzione della Language AI nelle imprese.
La trasformazione della traduzione rappresenta quindi un esempio concreto di una dinamica più ampia che riguarda molti progetti di intelligenza artificiale. Senza una revisione dei processi, anche tecnologie molto avanzate rischiano di restare strumenti isolati, incapaci di generare un reale vantaggio competitivo.
