随着主要语言对的机器翻译（MT）质量的提高，MT已经从象牙塔中走入现实，成为行业标准。对于一些语言服务提供商（LSPs）来说，在特定项目类型和主题上采用MT已不费吹灰之力。
过去研究表明，让人工后期编辑打磨MT文本比纯人工翻译更有效率——既节省时间又节省成本。但Memsource和布拉格查尔斯大学的新研究发现，MT质量和人类生产力之间的关系十分复杂。
据2021年9月关注领先MT模型的论文《神经机器翻译质量和译后编辑表现》（Neural Machine Translation Quality and Post-Editing Performance），30名专业英译捷译员和译审对13个MT引擎的输出进行了两个阶段的工作——后期编辑和审校。该实验还包括一个 "没有翻译的变量（原文）和一个预先存在的参考译文（参考）"。
MT引擎包含两个商用模型（谷歌和微软）以及LINDAT，一个由查尔斯大学开发的可用于非商业目的文档级系统。
参与者使用Memsource作为翻译生产力（又称CAT）工具进行后期编辑和审查。CAT工具测量每个阶段的编辑和思考时间（即编辑之间的时间）。研究人员评估语言工作者的后期编辑时间和最终文本质量。
论文作者Tamchyna告诉Slator，他从这项研究中得到的主要收获是——译后编辑效率和MT质量之间关系复杂。
研究结果表明，专业译员和审校人员 "明显倾向于使用甚至不精确的TM（翻译记忆库）匹配（85-94%），而非MT（机器翻译）输出。这印证了译后编辑比使用TM更费力的普遍观点"。
他们的结论："目前对行业的建议是，人们不应期待MT的小改进（使用自动指标衡量）会明显降低后期编辑时间，或明显提高后期编辑质量。"
