October 23, 2026
Si vous hésitez entre un LLM et un agent d'IA pour la traduction, l'étiquette vous renseigne peu sur ce qui peut mal tourner. Un simple appel à un LLM peut renvoyer une réponse erronée avec assurance et sans aucun avertissement. Un agent peut poser la bonne question, mais chaque étape qu'il franchit ajoute du temps et un point de défaillance supplémentaire.
Trois choses différentes partagent souvent le nom d'« agent d'IA » : un simple appel à un LLM, un flux de travail qui exécute plusieurs modèles à la fois, et un agent qui planifie et agit en boucle. Nous utilisons les trois sur MachineTranslation.com. Les différences ci-dessous proviennent de leur exécution en production.
Un LLM est un modèle. Vous envoyez du texte et vous recevez du texte en retour, en un seul appel. Un agent d'IA est un système construit autour d'un LLM. L'équipe d'ingénierie d'Anthropic distingue les deux selon 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 outils.
Cela donne trois formes pour la traduction. Un simple appel à un LLM est le plus simple, et il renvoie une seule réponse sans aucune indication permettant de savoir si cette réponse est correcte. Un flux de travail, comme l'exécution simultanée de nombreux modèles et la comparaison des résultats, suit un parcours fixe. Un agent fonctionne en boucle. Il décide de ce qu'il faut faire, le fait et vérifie le résultat. Il peut également poser une question à l'utilisateur avant de continuer.
Un simple appel à un LLM représente une seule étape. Un flux de travail de consensus envoie le même texte à plusieurs modèles à la fois, puis compare les résultats. Un agent effectue une boucle entre planification, action et vérification, et peut s'interrompre pour poser une question à l'utilisateur.
| Simple appel à un LLM | Workflow de consensus | Agent IA | |
|---|---|---|---|
| Étapes | Un seul appel | Plusieurs appels simultanés, 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 pool | Augmente à chaque étape |
| Risque principal | Une réponse fausse donnée avec assurance sans avertissement | Tous les modèles partagent la même hypothèse implicite | Les étapes supplémentaires ajoutent du délai et de nouveaux points de défaillance |
| Ce qui aide | Une deuxième vérification | Une question posée à l'utilisateur | Des limites d'étapes et une vérification humaine |
Un agent apporte 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 également rechercher un terme et vérifier son propre brouillon. Chacune de ces actions est une étape supplémentaire, et chaque étape ajoute du temps et un point de défaillance supplémentaire.
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 requiert des décisions flexibles. Nous suivons la même règle. L'AI Translation Agent est une couche distincte qui intervient uniquement lorsqu'une phrase laisse un élément en suspens, comme le niveau de formalité du texte.
Le consensus multimodèle est un flux de travail au 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'accordent est renvoyée. Anthropic qualifie de parallélisation la pratique consistant à lancer plusieurs tentatives à la fois pour accroître le niveau de 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 tournent en parallèle, de sorte que l'attente est fixée par le modèle le plus lent du groupe, comme nous l'expliquons dans notre guide pour obtenir des traductions vérifiées au sein de 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. Un texte plus long prend davantage 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 faiblit. Avec davantage de modèles, la latence commence à s'installer. L'utilisateur ne voit qu'un seul résultat. Le travail qui a permis d'obtenir cette rapidité a eu lieu avant le clic.
Le consensus ne peut identifier que les divergences entre les modèles, il ne peut donc pas déceler un choix que chaque modèle effectue de la même façon. Lors de nos tests sur des expressions courantes, l'ensemble des sept modèles présentés ont traduit "good morning" en japonais par la formule formelle おはようございます, une décision implicite sur le niveau de politesse sans que personne n'ait posé la question à l'utilisateur.
L'expression française "Je t'aime" a suivi le même schéma. Les modèles se sont accordés sur une traduction, mais l'expression peut traduire un amour romantique, platonique ou familial, et la traduction directe n'indique pas de nuance. Une étape de comparaison n'a rien à comparer lorsque tous les modèles répondent de la même façon.
C'est précisément cet écart qui explique pourquoi l'AI Translation Agent fonctionne comme une couche autonome. Il n'interroge sur le registre, le public et le ton que lorsque le texte laisse ces éléments ouverts. Le consensus repère les modèles en désaccord. L'agent détecte ce qu'ils supposent tous.
Les manuels d'IA classent les agents selon la façon dont ils décident de ce qu'ils doivent faire. La liste classique va des agents réflexes simples, qui réagissent à l'entrée actuelle, aux agents fondés sur des objectifs qui planifient en vue d'un résultat, jusqu'aux agents apprenants qui s'améliorent grâce aux retours.
Du point de vue du système, chaque niveau supérieur dans la liste ajoute des états et des boucles à maintenir. La traduction tire le meilleur parti de la catégorie fondée 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 vise 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 entre les langues, ce qui en fait un type de modèle différent d'un LLM généraliste. Certains modèles au sein de la famille des LLM fonctionnent également différemment. La plupart des LLM génèrent un token à la fois. Mercury, d'Inception Labs, est un modèle de langage à diffusion qui génère des blocs de texte en parallèle, un sujet que nous abordons 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 pool 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 utiliser l'un ou l'autre type.
Le LLM le plus performant dépend de la paire de langues et du sens de traduction, nous n'en choisissons donc pas un seul au niveau de la plateforme. Le pool comprend ChatGPT, Claude, Gemini, DeepSeek, Qwen, Grok et Mistral AI. Chaque modèle fonctionne en parallèle, si bien que l'ajout ou le remplacement d'un modèle n'augmente pas l'attente. Les résultats relatifs à la qualité des modèles spécifiques sont issus de nos tests comparatifs de modèles.
Les agents et assistants d'IA peuvent faire appel à MachineTranslation.com en tant qu'outil. Le connecteur MCP permet aux abonnés payants de l'utiliser depuis Claude, ChatGPT, Copilot ou tout autre assistant prenant en charge des connecteurs personnalisés. La requête passe en parallèle par le même pool 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 ne voit que le résultat.
Vous pouvez observer l'exécution 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 de questions que lorsque la phrase laisse quelque chose en suspens.
Un LLM prend du texte en entrée et renvoie du texte en sortie en un seul appel. Un agent IA est un système construit 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 la marche à suivre, tandis qu'un appel unique ne fait que produire une réponse.
Les manuels répertorient les agents réflexes simples, fondés sur des modèles, axés sur des objectifs, fondés sur l'utilité et apprenants, classés selon la façon dont ils décident de ce qu'il faut faire. La traduction tire le meilleur parti des agents axés sur des objectifs qui utilisent des outils, comme la consultation d'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, car les systèmes de traduction automatique neuronale sont entraînés uniquement à traduire et ne sont pas des modèles de conversation généraux. Les modèles de langage à diffusion tels que Mercury restent des modèles de langage. Ils génèrent du texte par blocs, tandis que la plupart des LLM génèrent un token à la fois. MachineTranslation.com exécute à la fois des moteurs de traduction automatique traditionnels et des LLM.
Oui, car un agent peut exécuter un outil de traduction et vérifier le résultat, et il peut vous demander le contexte manquant, comme le ton ou le public cible, avant de renvoyer quoi que ce soit. Chacune de ces étapes prend 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 aux cas nécessitant une décision.
Cela 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 choisit pas l'un plutôt que l'autre. Son pool de moteurs comprend à la fois des moteurs de traduction automatique traditionnels et des LLM, et une seule 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 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 les laisse indéterminés.