Agence de traduction : gérer le glossaire et le flux de pré-traduction et relecture avec Claude Code

Un vendredi en fin d’après-midi, une réclamation tombe sur un mode d’emploi déjà livré. « Le nom du produit n’est pas écrit comme dans le numéro précédent, non ? »

Je vérifie : c’est exact, c’est différent. La dernière fois, c’était « compte client », cette fois « compte utilisateur ». Le glossaire disait pourtant « compte client », mais le traducteur, pressé par le délai, a manqué ce passage, et le relecteur aussi. En trois ans passés dans une agence de traduction, c’est la reprise la plus fréquente que j’ai vue.

Ce n’est la faute de personne. Le glossaire fait 200 lignes dans Excel. Il grossit un peu à chaque dossier. Le traducteur court après l’échéance, le relecteur parcourt tout le texte des yeux. Bloquer toutes les variantes d’écriture avec la seule attention humaine, ce n’est tout simplement plus tenable.

Alors j’ai confié à Claude Code un rôle de « premier filtre de vérification terminologique ». La décision reste humaine, mais la machine élimine d’abord les erreurs qu’elle sait détecter. Le résultat a dépassé mes attentes, alors voici la marche à suivre, vue du poste de chef de projet en agence de traduction.

Points clés

Les variantes d’écriture et les incohérences de terminologie sont souvent des « erreurs détectables par machine » : la première passe de Claude Code en attrape la majeure partie.
Plutôt que de laisser le glossaire dans Excel, convertissez-le en CSV ou en texte et donnez-le à l’IA comme une « liste de règles » : la précision augmente.
Dans le flux de pré-traduction et de relecture, séparer « ce que l’IA repère » de « ce que l’humain décide » réduit les reprises.
Le texte source du client et le glossaire contiennent des noms propres et des informations non publiées : maîtriser le périmètre de ce qui est envoyé est indispensable.
Pour un dossier, le pré-traitement de la relecture représentait 30 à 60 minutes ; à 10 dossiers par mois, cela libère plusieurs à une dizaine d’heures.

Ce qui se passe vraiment dans une agence de traduction

Posons d’abord le profil du lecteur. Cet article s’adresse au chef de projet qui fait tourner les dossiers dans une agence de traduction. Plutôt que de tout traduire lui-même, il se tient entre le traducteur et le relecteur, gère le glossaire et se retrouve coincé entre délai et qualité. Peu ou pas d’expérience en programmation, tout au plus un peu de macros.

Le flux de travail habituel d’une agence ressemble à ceci :

Recevoir du client le texte source, les traductions antérieures et le glossaire.
Confier la pré-traduction au traducteur.
Faire contrôler le texte cible par le relecteur (vérificateur).
Le chef de projet effectue la vérification finale puis livre.

Où surviennent les reprises dans ce flux ? D’expérience, presque toujours entre les étapes 2 et 3.

Le traducteur n’a pas employé le terme du glossaire (variante d’écriture).
Les chiffres ou les unités diffèrent du texte source (un « 3,5 kg » devenu « 3,5 g »).
Une phrase est sautée (une phrase du source absente du texte cible).
Le type de parenthèses ou la casse ne respecte pas la règle du dossier.

Ce sont toutes des erreurs « qu’on devrait remarquer en lisant ». Mais quand on parcourt tout le texte à l’œil, plus le dossier est long, plus on en manque. Ce que le relecteur a laissé passer remonte au chef de projet, et finit en réclamation après livraison. Ce « temps que des humains passent à chercher des erreurs qu’une machine saurait trouver » est le coût caché d’une agence de traduction.

Ce qu’on confie à l’IA et ce que l’humain doit trancher

Sans poser cette frontière dès le départ, on provoque des accidents. Claude Code est intelligent, mais il ne faut pas lui faire trancher la qualité finale d’une traduction. La ligne de partage est la suivante.

Étape	Confié à Claude Code	Tranché par l’humain (relecteur, chef de projet)
Vérification terminologique	Comparer glossaire et texte cible, lister les écarts	L’écart est-il une erreur ou une exception de contexte
Variantes d’écriture	Extraire les variantes de casse, parenthèses, accord	L’écriture finale selon la préférence du client
Chiffres et unités	Détecter les écarts de valeurs entre source et cible	Justesse de la conversion d’unité, cohérence du sens
Phrases sautées	Signaler l’écart entre nombre de phrases source et cible	Fusion ou découpage intentionnel
Qualité du texte	(Non confié. Au plus, aide à la pré-traduction)	Naturel, ton, jugement final sur les contresens

Le point clé : ne pas laisser l’IA « décider de la bonne réponse ». L’IA va seulement coller un post-it « ici, c’est douteux ». Le retirer ou le garder, c’est l’humain qui décide. Si on rompt ce partage des rôles, on livre tel quel un faux positif de l’IA.

Si vous hésitez sur la façon de définir le périmètre confié, la conception de prompts de claude-code-prompt-engineering-advanced sert de référence. Une consigne floue pousse l’IA à « corriger » de son propre chef ; l’astuce est de spécifier jusqu’au format de sortie.

Cas d’usage 1 : la comparaison avec le glossaire

C’est ce qui fonctionne le mieux. On donne le glossaire et le texte cible, et on demande de ne renvoyer que les écarts sous forme de tableau.

Convertissez d’abord le glossaire d’Excel vers CSV. Plutôt que de remettre l’Excel tel quel à l’IA, un texte à trois colonnes « terme source, terme cible, note » se lit mieux comme un ensemble de règles. Le prompt de préparation est le suivant.

Vous êtes l'assistant de relecture d'une agence de traduction.
En suivant le glossaire ci-dessous, signalez uniquement les écarts terminologiques du texte cible.

# Règles
- Signaler uniquement les passages où le « terme cible » du glossaire n'est pas employé.
- Ne pas juger s'il s'agit d'une reformulation contextuelle ; lister mécaniquement tous les écarts.
- Ne pas corriger. Seulement signaler.
- Sortie sous forme de tableau : | N° de ligne | Terme source | Terme cible attendu | Terme cible réel |

# Glossaire (terme source, terme cible, note)
compte client, compte client, commun à tous les dossiers
sign in, se connecter, ce client uniformise sur « se connecter »
delete, supprimer, « effacer » interdit

# Texte cible
(coller le texte cible ici)

Ce qui revient n’est pas une « proposition de correction » mais une « liste d’écarts ». Le relecteur lit le tableau de haut en bas et décide seulement s’il corrige ou non. C’est nettement plus rapide que de relire tout le texte.

Avant, le relecteur ouvrait le glossaire Excel dans une autre fenêtre et comparait le texte cible à l’œil. Après, le travail est devenu : vérifier les post-its collés par l’IA. Même s’il s’agit dans les deux cas de « vérifier », chercher à partir de zéro ou juger des candidats déjà proposés représente une charge totalement différente.

Cas d’usage 2 : la checklist de pré-traitement de la pré-traduction

Avant de remettre le texte au traducteur, ou juste après réception de la pré-traduction, passez une vérification machine. Reprenez cette liste telle quelle.

Le terme cible du glossaire est-il employé à tous les endroits ?
Les chiffres et unités concordent-ils entre source et cible ?
Y a-t-il des phrases sautées (présentes dans le source, absentes de la cible) ?
La casse et le type de parenthèses respectent-ils la règle du dossier ?
Les noms de produits, noms de personnes et noms propres sont-ils écrits comme dans les traductions antérieures ?
Des expressions interdites (tournures que le client déteste) se sont-elles glissées ?

Faire cette vérification dès la pré-traduction réduit les erreurs avant qu’elles n’arrivent au relecteur. Celui-ci peut alors se concentrer, en partant du principe que « la partie détectable par machine est déjà traitée », sur ce que seul un humain peut faire : le naturel et les contresens.

Même si vous faites aider l’IA pour la pré-traduction elle-même, ne lui confiez pas tout le texte d’emblée : limitez-la à « une ébauche de pré-traduction tenant compte des traductions antérieures et du glossaire ». La version finale reste finalisée par l’humain. Pour une équipe qui débute avec l’IA, lire d’abord claude-code-for-non-engineers aide à sentir jusqu’où déléguer.

Cas d’usage 3 : l’inventaire périodique des variantes d’écriture

Quand un dossier dure longtemps, le glossaire lui-même vieillit. Des changements du type « avant c’était supprimer, mais ce trimestre effacer est accepté » circulent à l’oral et ne sont pas reportés dans le glossaire, ce qui sème la confusion sur le terrain.

Alors, une fois par mois, faites lire à l’IA l’ensemble des livraisons passées et faites ressortir les « endroits où un même concept reçoit plusieurs termes cibles ». Cela révèle les oublis de maintenance du glossaire. Si vous regroupez les règles communes du projet dans un fichier, l’IA s’y réfère à chaque fois ; centraliser la convention de chaque dossier dans un seul fichier, à la manière de claude-md-best-practices, simplifie l’exploitation.

Le modèle de prompt prêt à copier-coller

Voici un modèle générique pour la première passe de relecture. Il suffit de remplacer le nom du dossier et le glossaire.

# Rôle
En tant que responsable de la première passe de relecture d'une agence de traduction, ne signaler que les erreurs détectables mécaniquement.

# Entrées
- Glossaire (terme source, terme cible)
- Texte source
- Texte cible

# À faire (dans cet ordre)
1. Extraire les écarts terminologiques.
2. Extraire les écarts de chiffres et unités par rapport au source.
3. Signaler les phrases sautées soupçonnées (nombre de phrases source > cible).
4. Extraire les variantes de casse et de parenthèses.

# À ne pas faire
- Ne pas réécrire le texte cible.
- Ne pas évaluer la qualité de la traduction.
- Ne pas trancher les exceptions (l'humain décide).

# Format de sortie
## Écarts terminologiques
| Passage concerné | Terme cible attendu | Réel |
## Chiffres et unités
| Source | Cible | Écart |
## Phrases sautées soupçonnées
- (passage)
## Variantes d'écriture
- (passage)
S'il n'y a rien à signaler, écrire « rien à signaler » dans chaque section.

Un script de vérification exécutable : repérer les écarts de chiffres par machine

Avant de passer à l’IA, éliminer d’abord les seuls « écarts de chiffres » que la machine détecte à coup sûr réduit la dépendance à l’IA et reste plus sûr. J’ai préparé un petit script qui tourne sous Node.js. On lui passe le source et la cible en texte, et il liste les chiffres présents d’un seul côté.

import { readFile } from "node:fs/promises";

// Reçoit les chemins des fichiers source et cible en arguments de commande
const [srcPath, tgtPath] = process.argv.slice(2);
if (!srcPath || !tgtPath) {
  console.error("Usage : node check-numbers.mjs source.txt cible.txt");
  process.exit(1);
}

const src = await readFile(srcPath, "utf8");
const tgt = await readFile(tgtPath, "utf8");

// Récupère tous les chiffres (décimales et séparateurs de milliers inclus)
const pick = (text) => (text.match(/\d[\d,.]*/g) || []).map((n) => n.replace(/,/g, ""));

const srcNums = pick(src);
const tgtNums = pick(tgt);

// Renvoie comme écart les chiffres présents d'un seul côté
const diff = (a, b) => a.filter((n) => !b.includes(n));

const onlyInSrc = diff(srcNums, tgtNums);
const onlyInTgt = diff(tgtNums, srcNums);

console.log("Chiffres uniquement dans le source :", onlyInSrc.length ? onlyInSrc.join(", ") : "aucun");
console.log("Chiffres uniquement dans la cible :", onlyInTgt.length ? onlyInTgt.join(", ") : "aucun");

if (onlyInSrc.length || onlyInTgt.length) {
  console.log("→ Un écart de chiffres est suspecté. Vérifiez les passages concernés.");
  process.exit(2);
}
console.log("→ Les chiffres concordent.");

Il suffit de l’enregistrer et de l’exécuter.

node check-numbers.mjs source.txt cible.txt

La détection n’est pas parfaite. Si l’ordre des mots change, des faux positifs apparaissent. Mais un écart fatal comme « le 3,5 a disparu du texte cible » se trouve plus vite et plus sûrement qu’à l’œil. L’astuce est de placer ce genre de vérification déterministe avant de s’en remettre au jugement de l’IA. Si vous débutez avec Claude Code, mettez en place l’environnement en suivant claude-code-getting-started-guide avant d’essayer.

Sécurité et données personnelles

Pour une agence de traduction, le sujet est vital. Le texte source contient des informations produit non publiées, des contrats, des noms de personnes. Une mauvaise manipulation et, loin de gagner en efficacité, on perd la confiance.

Vérifier impérativement si l’accord de confidentialité (NDA) avec le client autorise l’envoi de données vers un service d’IA externe.
Pour les dossiers sans autorisation, remplacer noms propres et valeurs par des données factices avant la vérification.
Masquer les données personnelles (nom, adresse, coordonnées) avant la vérification.
Choisir un paramétrage ou un contrat où les données envoyées ne servent pas à l’entraînement.
Consigner pour chaque dossier « usage IA autorisé / interdit » dans un tableau de suivi partagé entre chefs de projet.

En cas de doute, « ne pas envoyer » est la bonne réponse. La comparaison avec le glossaire fonctionne très bien comme contrôle des règles d’écriture même en masquant les noms propres. Si la gestion des données personnelles vous inquiète, la documentation de la CNIL sur le RGPD permet de vérifier que vos pratiques ne s’écartent pas du cadre.

Repère de ROI

C’est une estimation grossière, mais je partage l’ordre de grandeur. Pour la relecture d’un mode d’emploi de taille moyenne (source d’environ 10 000 caractères), le pré-traitement de comparaison terminologique et de vérification des chiffres prenait jusqu’ici 30 à 60 minutes à un humain.

En confiant la première passe à l’IA et au script de vérification, ce pré-traitement descend à une dizaine de minutes. Soit 20 à 50 minutes gagnées. Pour une agence qui traite 10 dossiers par mois, cela libère de plusieurs heures à une dizaine d’heures par mois.

Avec le temps libéré, le relecteur peut se reporter sur ce que seul un humain peut faire : contresens et ton. Ce n’est pas un simple gain de temps : on rapproche la main-d’œuvre de la ligne finale de la qualité, et c’est l’essentiel.

FAQ

Q. Peut-on laisser l’IA corriger directement le texte cible ? Ce n’est pas recommandé. En lui confiant aussi la correction, un faux positif de l’IA s’introduit tel quel dans le texte, ce qui augmente la relecture. Gardez le partage : l’IA « signale seulement », l’humain corrige.

Q. Mon glossaire dépasse 500 lignes. Puis-je tout transmettre ? Le plus réaliste est de le restreindre au périmètre du dossier. Tout transmettre fait baisser la précision. Découper le glossaire par genre de dossier facilite l’exploitation.

Q. Quelle différence avec un moteur de traduction automatique ? Le rôle est différent. La traduction automatique génère le texte cible ; ce que je présente ici est une première passe qui contrôle le texte généré. Combiner les deux couvre les deux bouts : génération et contrôle.

Q. Le métier de relecteur ne va-t-il pas disparaître ? C’est l’inverse. Libéré de la chasse aux erreurs détectables par machine, il se concentre sur ce que seul un humain peut juger : contresens et nuances. Il s’agit de reporter le temps vers les étapes à forte valeur.

Q. Je veux déployer cela dans mon entreprise. Par où commencer ? Le plus sûr est de tester sur un seul dossier. Commencez par le script de vérification des chiffres, puis élargissez à la comparaison terminologique une fois à l’aise. Si vous avez besoin de concevoir l’exploitation pour toute l’équipe, en formation et conseil nous montons ensemble le flux concret.

Ce que j’ai constaté en testant

J’ai fait tourner le tout sur un dossier fictif (un extrait de mode d’emploi produit, environ 3 000 caractères source). J’ai volontairement remplacé « compte client » par « compte utilisateur » à trois endroits, et changé un chiffre de « 3,5 » en « 35 ».

Le script de vérification des chiffres a repéré du premier coup le « 35 » glissé comme « chiffre uniquement dans la cible ». Le prompt de comparaison terminologique a sorti dans le tableau les trois variantes d’écriture. En revanche, il a aussi signalé comme « écart » un passage où j’avais reformulé volontairement selon le contexte ; là, l’humain a tranché « c’est une exception » et l’a gardé.

Ce que je voulais vérifier, c’était si le partage « l’IA colle un post-it, l’humain décide de le retirer » tient dans la pratique. Conclusion : passer simplement à un format où l’humain vérifie des candidats repérés par la machine réduit fortement la charge psychologique de chercher à partir de zéro. Pas une automatisation parfaite, mais un pré-traitement pris en charge tout en préservant le jugement final humain. Pour le terrain d’une agence de traduction, cette juste distance semble parfaitement adaptée.