Technical writer, utenti e intelligenza artificiale in sinergia per un nuovo approccio alla documentazione tecnica

Edito nella seconda metà del 2024 e basato su una lunga carriera nell’ambito della documentazione tecnica, il libro di Balraj Bawa “AI and the Future of Technical Writing” è un contributo interessante al dibattito intorno ai possibili usi dell’intelligenza artificiale nel contesto della redazione e della fruizione di informazioni tecniche.

Anzitutto è opportuno puntualizzazione che per AI nel technical writing va inteso un insieme di tecnologie: ricerca semantica su database vettoriali; ricerca di testo su immagine e immagine su immagine; Large Language Model (LLM), Retrieval Augmented Generation (un metodo in grado di colmare alcune lacune tipiche degli attuali LLM. Compito di un sistema RAG è generare in modo autonomo prompt per il modello linguistico in base alla domanda dell’utente, ai contenuti rilevanti che la procedura di information retrival recupera dalla knowledge base e a istruzioni specifiche, mettendo il LLM nelle condizioni di generare risposte più precise e basate sul sapere aziendale); assistenti virtuali.

Technical writer e AI

Balraj Bawa vede nella redazione assistita, cioè nella scrittura iterativa, un primo campo di applicazione delle tecnologie AI al technical writing.

Già oggi non mancano le applicazioni che aiutano il redattore a controllare contestualmente forma (es. stile, brand voice), contenuto (es. terminologia) e struttura della documentazione tecnica. Acrolinx è uno dei sistemi più completi in tal senso, ma non mancano soluzioni più focalizzate sull’ottimizzazione degli aspetti formali del testo, es. Grammarly, Hemingway, ProWritingAid, QuillBot e Wordtune.

Attualmente solo in ambiti molto specifici, come la documentazione di API, applicazioni Gen AI automatizzano prima stesura e aggiornamento della manualistica, basandosi su lettura e comprensione del codice sorgente e dei commenti ivi contenuti. Questo approccio, particolarmente utile in ambienti di sviluppo che seguono il metodo Agile, è adottato per es. da Stripo e Twilio, perché riduce il time to market della documentazione e la mantiene allineata al codice sorgente.

Altre aziende, come es. Adobe, IBM e Microsoft, usano l’intelligenza artificiale per eseguire il cosiddetto real time fact checking della documentazione, automatizzando il riscontro con fonti dati validate (es. codice sorgente, commenti ivi contenuti, product data, ecc.), la segnalazione di difformità e il supporto alla correzione.

Fra i compiti in cui i LLM eccellono vi sono quelli di traduzione. Non ci riferiamo solo alla traduzione da una lingua all’altra, in cui – sottolinea Balraj Bawa – applicazioni come es. Google Translate e DeepL possono fornire al traduttore supporto alla localizzazione e alla cultural sensitive translation, ma anche alla “traduzione” di contenuti per ottimizzarli in funzione di destinatari e scopi diversi da quelli originali.

In questo segmento ricadono es. applicazioni capaci di riformulare o aiutare la riformulazione di testi in chiave di SEO (Search Engine Optimization), basandosi sull’analisi dei trend di ricerca (es. ClearScope, InkEditor, SurferSEO); di supportare la scrittura di copy, di testi marketing oriented efficaci (es. CopyAI, WriteSonic); di erogare percorsi di adaptive learning tagliati su misura della singola persona; di tradurre dati in testi ricchi di insight migliorandone la comprensione (es. nell’ambito della finanza, dello sport, delle previsioni meteo con applicazioni come es. Kensho e Narrative Science’s Quilt).

Utenti, documentazione tecnica e AI

L’insieme delle tecnologie basate sull’intelligenza artificiale sta anche modificando il modo in cui gli utenti interagiscono con la documentazione tecnica, che – va ricordato – è parte integrante del prodotto e dell’esperienza che le persone ne fanno.

Se alimentati con contenuti rilevanti e validati, progettati in base alle esigenze dei destinatari, monitorati e migliorati in modo continuo, nonché integrati con l’operatività di esperti umani, gli assistenti virtuali (chatbot) promettono di cambiare in meglio il modo in cui lead, customer service dell’azienda, tecnici dell’azienda, installatori, operatori, manutentori, ecc. fruiscono delle informazioni tecniche a cui sono autorizzati.

I database vettoriali possono integrare knowledge proveniente da varie fonti (sistemi di CCMS, Component Content Management, di redazione della documentazione tecnica e di prodotto; CRM; sistemi di gestione dei ticket, ecc.), permettendo all’utente di consultare più fonti integrate da un’unica interfaccia e mediante una sola interrogazione.

Grazie a ricerca semantica, LLM, approccio RAG e traduzione automatica, le persone possono dialogare in linguaggio naturale con la documentazione, senza dover sapere “come l’azienda chiama” ciò che cercando e potendosi esprimere nella propria lingua anche se diversa da quella in cui sono redatti i contenuti disponibili.

In particolare la ricerca immagine su immagine può essere utile ai tecnici che operano in situ: scattando una foto, riescono a cercare immagini simili presenti knowledge base aziendale, risalendo quindi per es. a informazioni su come installare, usare o manutenere l’elemento che sta loro creando problemi.

Il supporto Speech to Text e Text to Speech viene invece incontro a chi deve avere le mani libere mentre dialoga con la documentazione, permettendo all’utente di fare domande a voce e in linguaggio naturale e di ascoltare poi la risposta generata da RAG e LLM.

Opportunamente impostati, assistenti virtuali e chatbot possono passare la palla all’esperto umano, se per es. la knowledge base non contiene la risposta al quesito dell’utente, contribuendo non solo a soddisfare comunque l’esigenza dell’interlocutore, ma anche a sanare lacune nella documentazione.

In ambito aziendale, oltre ad assistenti virtuali e chatbot per il supporto tecnico potenziati dall’AI promettono di trovare impiego anche applicazioni di adaptive learning, per ampliare con efficaci strumenti self-service l’offerta formativa rivolta al personale interno (es. customer service e tecnici) e ai clienti (installatori, operatori, manutentori), soprattutto considerando la natura continua che l’apprendimento ha assunto.

Interazione utente/documentazione, AI e miglioramento continuo

Grazie ai dati impliciti ed espliciti raccolti durante l’interazione degli utenti con la documentazione tecnica pubblicata online (anche via assistente virtuale e chatbot), il redattore che dispone di una apposita applicazione di Business Intelligence potenziata dall’intelligenza artificiale può ottenere indicazioni utili al miglioramento continuo dei contenuti, per es. di topic che, pur essendo intensamente consultati dalle persone, sfociano in un numero di contatti al customer service superiore alla media. Con la sua piattaforma Einstein AI, Salesforce fa tesoro del feedback degli utenti per creare informazioni sempre più complete e rilevanti per i suoi interlocutori.

Nuove competenze e interdisciplinarità per il technical writing

Balraj Bawa sottolinea che, per sfruttare le potenzialità dell’AI, il technical writer deve acquisire nuove competenze e tenerle sempre aggiornate.

Avere una conoscenza di base delle tecnologie che ruotano intorno all’intelligenza artificiale permette al redattore di capire se e in quali passaggi del suo flusso di lavoro sarebbe vantaggiosa l’integrazione di applicazioni basate sull’AI; di interpretare e usare in modo consapevole i suggerimenti generati dai tool AI; di vigilare sull’uso etico dell’intelligenza artificiale nel contesto della redazione tecnica.

Conoscenze di User Experience, Content Strategy e Data Analytics sono altrettanto importanti nel bouquet di competenze interdisciplinari del redattore, perché rendono il technical writer un interlocutore autorevole da coinvolgere nei progetti aziendali che prevedono la distribuzione innovativa di contenuti tecnici informativi e formativi a lead, clienti e personale dell’azienda.

Lascia un commento