October 23, 2026
Si vous devez choisir entre un LLM et un agent d'IA pour la traduction, l'étiquette en dit peu sur ce qui peut mal tourner. Un simple appel de LLM peut renvoyer une réponse erronée avec assurance et sans avertissement. Un agent peut poser la bonne question, mais chaque étape qu'il franchit ajoute du temps et un risque d'échec supplémentaire.
Trois choses différentes partagent souvent l'appellation « agent d'IA » : un simple appel de LLM, un flux de travail qui exécute plusieurs modèles à la fois et un agent qui planifie et agit en boucle. Nous exploitons les trois sur MachineTranslation.com. Les différences ci-dessous proviennent de leur utilisation en production.
Un LLM est un modèle. Vous lui envoyez du texte et recevez du texte en retour, en un seul appel. Un agent d'IA est un système articulé autour d'un LLM. L'équipe d'ingénierie d'Anthropic distingue les deux selon l'entité qui décide des étapes. Dans un flux de travail, le code définit les étapes à l'avance. Dans un agent, le LLM choisit ses propres étapes et ses propres outils.
Cela donne trois approches pour la traduction. Un simple appel de LLM est la plus élémentaire, et il renvoie une seule réponse sans indication quant à son exactitude. Un flux de travail, comme l'exécution simultanée de plusieurs modèles et la comparaison des résultats, suit un cheminement fixe. Un agent fonctionne en boucle. Il décide de ce qu'il doit faire, l'exécute et vérifie le résultat. Il peut aussi poser une question à l'utilisateur avant de poursuivre.
Un simple appel de LLM ne comporte qu'une étape. Un flux de travail de consensus envoie le même texte à plusieurs modèles à la fois, puis compare les résultats obtenus. Un agent enchaîne en boucle la planification, l'action et la vérification, et peut s'arrêter pour poser une question à l'utilisateur.
| Simple appel de LLM | Flux de travail de consensus | Agent d'IA | |
|---|---|---|---|
| Étapes | Un seul appel | Plusieurs appels à la fois, puis une comparaison | Une boucle de planification, d'action et de vérification |
| Comportement temporel | Latence d'un seul modèle | Déterminé par le modèle le plus lent du groupe | Augmente à chaque étape |
| Risque principal | Une mauvaise réponse formulée avec assurance, sans avertissement | Tous les modèles partagent la même hypothèse implicite | Les étapes supplémentaires ajoutent des délais et de nouveaux points de défaillance |
| Ce qui aide | Une deuxième vérification | Une question à l'utilisateur | Des limites d'étapes et une vérification humaine |
Un agent ajoute des décisions qu'un simple appel de modèle ne peut pas prendre. Il peut demander si une phrase doit être formelle ou informelle. Il peut aussi chercher un terme et vérifier son propre brouillon. Chacune de ces actions constitue une étape supplémentaire, et chaque étape ajoute du temps et un point de défaillance de plus.
La recommandation d'Anthropic est de commencer par la conception la plus simple qui fonctionne. Utilisez un flux de travail pour une tâche bien définie, et utilisez un agent lorsque la tâche nécessite des décisions flexibles. Nous suivons la même règle. L'AI Translation Agent est une couche distincte qui intervient uniquement lorsqu'une phrase laisse place à l'interprétation, comme le niveau de formalité du texte.
Le consensus multimodèle est un flux de travail doté d'un parcours fixe. Le même texte est envoyé à chaque modèle en même temps. Les résultats sont comparés, et la version sur laquelle la plupart des modèles s'entendent est retournée. Anthropic appelle parallélisation la pratique consistant à exécuter plusieurs tentatives à la fois pour accroître la confiance.
Le problème d'ingénierie réside dans le temps. Si 22 modèles s'exécutaient les uns après les autres, l'attente correspondrait à la somme de 22 appels. Ils s'exécutent en parallèle, de sorte que l'attente est déterminée par le modèle le plus lent du groupe, comme nous l'expliquons dans notre guide pour obtenir des traductions vérifiées dans Claude ou ChatGPT. Dans un exemple de lancement, cinq modèles ont traduit une phrase de quatre mots et ont renvoyé un résultat en 751 millisecondes. Les textes plus longs prennent plus de temps, et la même règle s'applique.
Nous avons testé différentes tailles de groupe et nous nous sommes arrêtés sur 22. Avec moins de modèles, le signal de concordance s'affaiblit. Avec plus de modèles, la latence commence à s'installer. L'utilisateur ne voit qu'un seul résultat. Le travail qui l'a rendu rapide a été accompli avant le clic.
Le consensus ne peut observer que les désaccords entre les modèles, il ne peut donc pas détecter un choix que tous les modèles font de la même manière. Dans nos tests d'expressions courantes, les sept modèles présentés ont tous traduit « good morning » en japonais par la formule formelle おはようございます, une décision implicite concernant la politesse sur laquelle personne n'a interrogé l'utilisateur.
Le « Je t'aime » français a suivi le même schéma. Les modèles se sont entendus sur une traduction, mais la phrase peut exprimer un amour romantique, platonique ou familial, et la traduction directe ne précise pas lequel. Une étape de comparaison n'a rien à comparer lorsque tous les modèles répondent de la même façon.
Cette lacune explique pourquoi l'AI Translation Agent fonctionne comme une couche à part entière. Il ne pose des questions sur le registre, le public cible et le ton que lorsque le texte laisse planer le doute. Le consensus repère les modèles en désaccord. L'agent détecte ce qu'ils tiennent tous pour acquis.
Les manuels d'IA classent les agents selon leur façon de décider quoi faire. La liste classique va des agents à réflexes simples, qui réagissent à l'entrée actuelle, aux agents apprenants qui s'améliorent grâce à la rétroaction, en passant par les agents axés sur des objectifs qui planifient en vue d'un résultat.
Du point de vue des systèmes, chaque échelon supérieur sur cette liste ajoute de l'état et des boucles à maintenir. La traduction tire le meilleur parti de l'approche axée sur des objectifs, car une traduction dépend souvent d'un contexte que la phrase actuelle ne contient pas. Notre AI Translation Agent se situe là. Il travaille à obtenir une traduction adaptée au contexte, et son outil principal est une question posée à l'utilisateur.
Oui, car les systèmes de traduction automatique neuronale sont entraînés uniquement pour traduire d'une langue à l'autre, ce qui en fait un type de modèle différent d'un LLM polyvalent. Certains modèles de la famille des LLM fonctionnent également différemment. La plupart des LLM génèrent un jeton à la fois. Mercury, d'Inception Labs, est un modèle de langage à diffusion qui génère des blocs de texte en parallèle, ce dont nous traitons dans notre article sur l'ajout de Gemma et Mercury à la plateforme.
Le choix entre une API de traduction neuronale ou un LLM dépend de la tâche à accomplir. Une API de traduction neuronale exploite un modèle conçu pour une seule tâche, tandis qu'un LLM peut suivre des instructions et utiliser davantage de contexte. Le bassin de moteurs de MachineTranslation.com comprend à la fois des moteurs de traduction automatique traditionnels et des LLM, de sorte qu'une seule requête peut faire appel à l'un ou l'autre type.
Le LLM le plus performant dépend de la paire de langues et de la direction, nous n'en choisissons donc aucun au niveau de la plateforme. Le bassin comprend ChatGPT, Claude, Gemini, DeepSeek, Qwen, Grok et Mistral AI. Chaque modèle s'exécute en parallèle, de sorte que l'ajout ou le remplacement d'un modèle n'augmente pas le temps d'attente. Les résultats de qualité pour des modèles précis proviennent de nos tests de comparaison de modèles.
Les agents et assistants d'IA peuvent faire appel à MachineTranslation.com comme outil. Le connecteur MCP permet aux abonnés payants de l'utiliser à partir de Claude, ChatGPT, Copilot ou de tout assistant prenant en charge des connecteurs personnalisés. La requête est traitée en parallèle par le même bassin de 22 modèles et renvoie la version sur laquelle la plupart d'entre eux s'accordent. Pour l'assistant, la traduction devient un simple appel d'outil. La comparaison des modèles reste de notre côté, et la conversation n'en voit que le résultat.
Vous pouvez observer l'exécution en parallèle et les questions de l'agent sur votre propre texte. Collez une phrase dans MachineTranslation.com et les modèles s'exécutent simultanément. L'agent ne pose des questions que lorsque la phrase laisse des éléments en suspens.
Un LLM reçoit du texte en entrée et renvoie du texte en sortie en un seul appel. Un agent d'IA est un système conçu autour d'un LLM qui choisit ses propres étapes et utilise des outils. Il vérifie son travail et peut poser des questions à l'utilisateur. En traduction, un agent décide de ce qu'il doit faire ensuite, alors qu'un appel unique ne fait que produire une réponse.
Les manuels répertorient les agents à réflexes simples, fondés sur des modèles, axés sur des objectifs, fondés sur l'utilité et apprenants, classés selon la manière dont ils décident de ce qu'ils doivent faire. La traduction profite surtout des agents axés sur des objectifs qui emploient des outils, comme la recherche dans un glossaire ou une question posée à l'utilisateur, car une traduction dépend souvent d'un contexte que la phrase actuelle ne contient pas.
Oui, parce que les systèmes de traduction automatique neuronale sont entraînés uniquement à traduire et ne sont pas des modèles conversationnels généraux. Les modèles de langage à diffusion comme Mercury demeurent des modèles de langage. Ils génèrent du texte par blocs, alors que la plupart des LLM génèrent un jeton à la fois. MachineTranslation.com exécute à la fois des moteurs de traduction automatique traditionnels et des LLM.
Oui, parce qu'un agent peut exécuter un outil de traduction et vérifier le résultat, en plus de pouvoir vous demander des précisions sur le contexte manquant, comme le ton ou le public cible, avant de retourner quoi que ce soit. Chacune de ces étapes ajoute du temps. Pour un texte bien défini, un appel unique à un modèle ou un flux de travail fixe est généralement plus simple, de sorte que les agents conviennent mieux aux cas nécessitant une décision.
Tout dépend de la tâche, car une API de traduction neuronale dessert un modèle conçu pour une seule tâche, tandis qu'un LLM peut suivre des instructions et utiliser davantage de contexte. MachineTranslation.com ne fait pas de choix exclusif. Son bassin de moteurs comprend à la fois des moteurs de traduction automatique traditionnels et des LLM, et une même requête peut faire appel à l'un ou l'autre type.
ChatGPT, Claude, Gemini, DeepSeek et Qwen sont des LLM, et chacun traite une traduction en un seul appel. Un flux de travail parallèle en combine plusieurs. Un agent d'IA y ajoute des prises de décision, comme l'AI Translation Agent de MachineTranslation.com, qui pose des questions sur le ton et le public cible lorsqu'une phrase laisse ces éléments indéterminés.