Este estudio investiga la calidad de la traducción entre árabe e inglés, comparando sistemas de traducción automática basados en reglas tradicionales, herramientas modernas de traducción automática neuronal como Google Translate y modelos de lenguaje grandes como ChatGPT. La investigación adopta enfoques tanto cualitativos como cuantitativos para evaluar la eficacia, precisión y fidelidad contextual de las traducciones. Se centra particularmente en la traducción de expresiones idiomáticas y coloquiales, así como de textos y géneros técnicos. Utilizando métricas de evaluación bien establecidas como el índice de evaluación bilingüe (BLEU), la tasa de error de traducción (TER) y el puntaje F de n-gramas de caracteres (chrF), junto con el modelo cualitativo de evaluación de calidad de traducción propuesto por Juliane House, este estudio investiga los matices lingüísticos y semánticos de las traducciones generadas por diferentes sistemas. Este estudio concluye que, aunque las evaluaciones basadas en métricas como BLEU y TER son útiles, a menudo no logran capturar completamente la precisión semántica y contextual de las traducciones idiomáticas y expresivas. Los modelos de lenguaje grandes, particularmente ChatGPT, muestran promesas para abordar esta brecha al ofrecer traducciones más coherentes y culturalmente alineadas. Sin embargo, ambos sistemas demuestran limitaciones que requieren edición posterior por parte de humanos para contenido de alta importancia. Los hallazgos apoyan un enfoque híbrido, combinando herramientas de traducción automática con supervisión humana para una calidad de traducción óptima, especialmente en idiomas con morfología compleja y expresiones culturalmente arraigadas como el árabe.