O que o Google Translate nos ensina sobre vibe coding

• Recentemente, aumentaram tanto as afirmações de que a IA vai substituir a profissão de programador quanto as refutações a isso
• O caso da evolução do Google Translate destaca o impacto real e os limites das ferramentas de automação
• A demanda por trabalho de tradutores e intérpretes está, na verdade, aumentando
• A tradução automática não consegue lidar com contexto cultural, ambiguidade e nuances sutis
• Enfatiza-se que a programação também exige trabalho criativo e de abstração semelhante ao da tradução

---

O que o Google Translate nos ensina sobre vibe coding

Debate recente sobre IA e profissões de programação

• Recentemente, surgiram ao mesmo tempo previsões de que os grandes modelos de linguagem (LLMs) vão substituir os programadores e contrapontos dizendo que isso não pode acontecer
• De um lado, há quem diga que, por ter criado ferramentas simples com LLMs, todos os programadores logo ficarão desempregados
• Do outro, também existem vozes que negam completamente a utilidade dessas ferramentas
• O texto enfatiza que, diante dessa polarização de opiniões, é preciso uma visão mais cuidadosa

A evolução da tradução automática e seu impacto real

• O Google Translate avançou bastante desde a introdução da tradução automática neural (NMT) em 2016
• Muitas pessoas previram que a tecnologia de tradução por IA faria desaparecer as profissões de tradutor e intérprete
• Na prática, uma parte considerável de quem faz esse tipo de afirmação nunca vivenciou o trabalho de tradutores ou intérpretes
• Reconhece-se a utilidade da tradução automática, mas dizer algo como “não precisamos mais de interpretação” revela um mal-entendido sobre a verdadeira natureza do trabalho de tradução

Diferenças entre tradutores humanos e tradução automática

• O trabalho real de tradutores e intérpretes não consiste apenas em trocar palavras e gramática, mas em dar ênfase a compreensão de contexto, resolução de ambiguidades e sensibilidade cultural
• Como exemplo, mesmo o norueguês, que é parecido com o inglês, por conta de diferenças culturais como formas de polidez, a tradução automática não consegue reproduzir significados sutis
  • Em norueguês, “Jeg vil ha potetene(me dê as batatas)” literalmente em inglês soa rude, mas em uma conversa real é preciso uma tradução mais adequada ao contexto
  • O Google Translate não consegue lidar com esse tipo de nuance sutil
• Na prática, usar apenas tradução automática em conversas do dia a dia ou situações formais pode gerar mal-entendidos
• No caso de idiomas como o japonês, em que gramática e contexto diferem bastante, a tradução automática pode transmitir o significado de forma errada ou gerar frases gramaticalmente incorretas

Como a tradução automática é usada na prática

• Isso não significa que o Google Translate seja uma ferramenta ruim
• Como exemplo de uso útil, o texto explica seu papel em ajudar quando alguém já conhece o contexto linguístico e cultural e quer refinar uma expressão
• Um exemplo de trabalho seria um caso como: “eu já sei o que quero dizer, mas quero ver uma forma mais natural de expressar isso”
• Tradutores humanos também integram IA aos seus fluxos de trabalho
• O papel do especialista humano é avaliar o resultado sugerido pela IA e ajustá-lo ao contexto e ao objetivo

Semelhanças entre programação e trabalho de tradução

• Programadores também são, em essência, parecidos com ‘tradutores’: transformam exigências humanas ambíguas e complexas em uma linguagem absoluta que o computador consegue entender
• Programação é um trabalho criativo de converter a ambiguidade e o contexto cultural humanos para a linguagem clara do computador
• Linguagens de programação envolviam muito mais abstração e, por isso, tinham uma barreira de entrada maior do que a tradução automática, mas o avanço recente das ferramentas de IA vem reduzindo essa barreira
• Ainda assim, a IA não está em um nível em que compreenda completamente contexto e complexidade a ponto de substituir esse trabalho

Perspectivas futuras

• Um dia a IA poderá lidar até com contexto e ambiguidade, mas por enquanto seus limites são claros e ainda será preciso mais tempo
• A velocidade de evolução das ferramentas de IA é alta, mas questões éticas e o uso responsável dessas ferramentas continuam sendo temas importantes

[GN⁺]

Comentários no Hacker News

• Compartilha concordância com a ideia de que o trabalho de tradutores e intérpretes envolve entender contexto, resolver ambiguidades e lidar com sensibilidades culturais, algo que o Google Translate não consegue acompanhar. Mas, se você der prompts adequados a um LLM, ele consegue reproduzir essas funções bastante bem. Como alguém com experiência em tradução japonês-inglês, enfatiza que LLMs são muito mais competentes em tradução. Criou pessoalmente, com Claude Code, um sistema que combina vários LLMs para traduzir: primeiro pergunta ao usuário sobre o objetivo da tradução, se deve haver adaptação cultural, se quer notas etc.; depois envia prompts adequados a três modelos (OpenAI, Anthropic e Google), gera um rascunho combinando as traduções de todos e o refina em várias rodadas. Em testes curtos, o resultado foi visivelmente melhor que o de modelos individuais, muito superior ao Google Translate e em nível de tradutores profissionais de ponta. Ainda assim, interpretação simultânea ou presencial é outra história, e em tradução geral, onde a individualidade e a identidade do tradutor humano não são tão importantes, parece cada vez mais difícil para humanos competir

  • Está pesquisando intensamente tradução com LLM no próprio app de aprendizado, nuenki.app. Seleciona vários modelos de ponta para traduzirem separadamente e, no final, um modelo no papel de “juiz” compara e combina as traduções para escolher a melhor. Criou uma ferramenta open source que permite isso. Dá para testar aqui e o material de pesquisa está aqui
  • Ao ouvir sobre um sistema que envia repetidamente o texto para vários modelos, passando por revisão, checagem e refinamento, deixa um comentário de RIP para o consumo global de energia
  • Viveu no Japão e percebeu na prática o quanto é importante poder fornecer contexto adicional na tradução, fazer perguntas de acompanhamento e raciocinar sobre o texto. No dia a dia, sempre surgem dúvidas sobre expressões japonesas em certos contextos e sobre como transmitir algo adequadamente para determinado meio. Acha que esse tipo de conversa pode ser ainda mais automatizado com instruções personalizadas
  • Aponta como problema da tradução com LLM o fato de que, se o tema traduzido for considerado em violação das políticas de uso, a tradução é recusada mesmo quando o contexto seria totalmente apropriado. Por exemplo, só de aparecer conteúdo religioso já podem surgir restrições
  • Pergunta como lidar com tradução de textos longos demais para uma janela de contexto comum. Se o texto for dividido em vários trechos, é preciso incluir um resumo do que veio antes em cada parte, mas fica a dúvida sobre qual nível de detalhe é adequado

• Dá exemplos de que tradução automática é uma ferramenta útil, mas não substitui completamente profissionais especializados. Ferramentas de apoio à programação com IA provavelmente serão iguais, e o medo de que especialistas desapareçam por completo só se tornaria real com mais um grande salto tecnológico. Por anos se previu que IA em radiologia substituiria totalmente pessoas, mas na prática a demanda por diagnóstico por imagem aumentou, e a eficiência trazida pela IA nunca reduziu a necessidade de mão de obra. Pelo contrário, a falta de radiologistas se agravou

  • Quando começou a estudar japonês, 15 anos atrás, o Google Translate nem conseguia traduzir frases básicas direito; hoje, produz resultados próximos ao de um nativo até para frases complexas que a pessoa escreve. Depois de validar com falantes nativos, recebeu o feedback de que era “imperfeito, mas muito bom e com sentido claro”. Hoje em dia, exceto por documentos muito sensíveis como contratos jurídicos, a impressão honesta é de que o futuro dos tradutores profissionais é sombrio
  • Menciona um artigo do NYT sobre IA em radiologia. Até hoje, a maioria ainda usa pequenas CNNs (redes neurais convolucionais) surgidas antes de meados dos anos 2010, e o público pensa em “IA” = ChatGPT, mas a arquitetura real de bastidores é bem antiga. Não se sabe o quanto IA mais moderna, como transformers, melhoraria a radiologia, mas quase certamente haveria ganho de desempenho

• O fato de o trabalho de tradução ser diferente do que se imagina lembra o caso de “localização” nos filmes da Pixar. Por exemplo, na versão japonesa, a cena à mesa em que crianças anglófonas não gostam de brócolis foi alterada para vagens, algo que crianças japonesas não gostam

  • Pergunta se esse caso das vagens na localização é real. Acha bom entrar em contato com outras culturas por meio de filmes estrangeiros e aprender as diferenças; por isso, considera uma pena que a localização apague essas diferenças
  • Cita o meme “Brock’s jelly filled donuts” de Pokémon (originalmente era onigiri, mas na versão americana foi traduzido como donuts) link relacionado

• Concorda com grande parte do artigo, mas aponta uma ressalva. Por exemplo, se a lógica “mesmo num mundo sem Google Translate poucas pessoas aprenderiam japonês ou contratariam um tradutor” for aplicada ao ambiente de desenvolvimento de software, então a maioria dos usuários de “apps de baixa qualidade feitos com IA” talvez já fosse composta por pessoas que, de início, não tinham interesse em desenvolvimento de software. Isso pode significar que o número de empregos para desenvolvedores não diminua tanto assim. Mas desenvolvimento de software tem características fundamentalmente diferentes, como escala de oportunidade de negócio e custo, então a IA pode de fato afetar a demanda por vagas de desenvolvedores existentes

  • Em contrapartida, acha que a disseminação da IA também pode aumentar novos empregos. Se usuários passarem a criar software diretamente, ainda assim especialistas continuarão sendo necessários para lapidar o código e o sistema, expandi-los e reforçar a segurança, numa analogia com um “desfile de elefantes” que nunca acaba
  • O Google Translate também é muito útil para iniciantes, mas não substitui o nível de um tradutor profissional. Mesmo com conhecimento básico de japonês, muitas vezes só ao entender o contexto local o significado real aparecia, e a sensação é de que, ao longo de 15 anos, houve mais ganho de velocidade do que um grande avanço. O recurso de OCR com tradução em tempo real de imagens não foi desenvolvido internamente, e sim adquirido de outro app (Magic Lens?). Acha que automação de programação baseada em LLM pode ficar por uns 10 anos nesse estado de “bem boa, mas sempre faltando um pouco”
  • A razão mais racional para codificadores atuais se sentirem ameaçados pela IA é que um grande aumento de produtividade pode realmente se converter em menos empregos. O objetivo não é escrever código em si, e sim entregar um produto funcionando; então, mesmo com alguma queda de qualidade, se menos gente for necessária, essa é a diferença essencial
  • Opina que arte com IA e geração de código com IA são essencialmente diferentes. Na arte, o objetivo é a própria arte, e costumes culturais e a existência do artista são centrais; já em desenvolvimento de software, o código em si não é o objetivo, e sim obter o resultado desejado, como um aplicativo, então a necessidade de humanos pode de fato diminuir. Compara isso à diferença entre a mudança no papel dos pintores após o surgimento da fotografia e a substituição de ascensoristas por botões de elevador
  • Demonstra ceticismo com marketing de “IA”, como anúncios de geradores de sites por IA

• Embora não tenha base estatística, sente que amigos tradutores ao redor realmente estão vendo o trabalho quase desaparecer, e que isso acelerou bruscamente depois da adoção de LLMs. Fóruns de tradutores, grupos no Facebook e esta discussão no Reddit estão cheios de reações pessimistas. O resultado de especialistas ainda é muito melhor, mas, fora alguns trabalhos sensíveis, a maior parte do mercado praticamente desapareceu. Compartilha a preocupação de que é difícil recomendar a carreira de tradutor para os filhos

  • Até equipes profissionais de tradução agora conseguem, com LLMs, fazer uma pessoa dar conta do trabalho que antes seria de várias, com uma melhora de qualidade incomparável à tradução automática tradicional. Basta um revisor para ajustar finamente o resultado gerado pelo LLM ao tom e ao dialeto, e ele já faz isso bastante bem

• Aponta que, no trabalho de tradução, seja humano ou automático, é difícil verificar por conta própria se o resultado está correto. No fim, é preciso confiar incondicionalmente no resultado ou escolher em qual dos dois confiar mais, e em geral as pessoas tendem a confiar mais em humanos. Mas houve vezes em que alguém avisou que um tradutor tinha traduzido de qualquer jeito. Isso vale também para vibe coding (geração de código): como o usuário tem dificuldade para julgar se o resultado está certo ou errado, continua sendo necessária uma especialização verificável

  • A razão para confiar menos em máquinas talvez seja justamente uma percepção insuficiente da precisão delas. É uma psicologia parecida com confiar mais numa calculadora do que num matemático para um cálculo explícito como multiplicação
  • Como forma de verificar resultados de tradução automática, sugere-se tentar “tradução circular” (A->B->A); não é perfeito, mas dá uma confiança razoável
  • Como é possível de fato executar o resultado — no caso de código, rodar; no caso de tradução, aplicar ao contexto — isso oferece algum indicador do nível de precisão

• Citando a opinião de que uma IA futura talvez consiga lidar com contexto e ambiguidade como humanos, comenta que, por mais que a IA avance, ainda é difícil substituir a experiência calejada de um desenvolvedor veterano que já resolveu incidentes de produção às 2 da manhã. Tudo bem que um vibe coder crie uma boa atmosfera, mas no fim ele não vai conseguir sozinho refatorar uma base legada enorme

• Descreve tarefas que tradutores realmente fazem, como “traduzir expressões idiomáticas”, “explicar referências culturais (arte, história, comida etc.)”, “interpretar e transferir valores culturais de cada país (liberdade, paixão, resiliência etc.) conforme o contexto”, “ajustar o tom da tradução para sincronizar com a boca do ator em dublagem” e “criar prosa bela (Artful prose)”. Considera difícil para LLMs desafiarem diretamente essas áreas

• Reclama dos limites e da piora de qualidade do Google Translate, especialmente de erros graves no recurso de tradução do Chrome, que às vezes identifica chinês tradicional como japonês. Diz que antes funcionava bem, mas recentemente regrediu sem mudanças aparentes, o que causa frustração. O mais irritante é que nem sequer oferecem ao usuário um meio de corrigir diretamente o erro

  • Dizem que isso não é um problema do Google Translate em si, e sim do modelo local usado pelo Chrome para detectar o idioma antes da tradução. Compartilha informação sobre o modelo local CLD3
  • Defende que o Unicode deveria distinguir e gerenciar separadamente os códigos de caracteres por idioma. Na estrutura atual, LLMs parecem se confundir ao aprender chinês e japonês juntos. As estruturas gramaticais também se invertem entre si, e as relações de modificação são diferentes, o que aumenta a confusão
  • A conclusão é que, assim que surgir um LLM rápido, barato e com qualidade suficientemente boa, o mecanismo tradicional do Google Translate acabará sendo substituído. A aposta é que provavelmente não dedicaram nem uma hora ao mecanismo de tradução no último ano

• Também compartilha um episódio causado por falha de tradução automática. Caso divertido de acidente de tradução no OSNews