Wie Generative KI die Welt der technischen Dokumentation verändert

Hinweis: Dieser Blogbeitrag wurde mithilfe von KI aus der Originalversion übersetzt und kann daher geringfügige Abweichungen enthalten. Einige der Links in diesem Beitrag führen zu Inhalten, die nur auf Englisch verfügbar sind.

arge Language Models (LLMs), Generative KI (GenAI) und insbesondere ChatGPT sind die neuen Stars der Branche. Sie wirbeln nicht nur die Tech-Community durcheinander, sondern jeden Stakeholder in jedem Unternehmen. Es scheint, als würde gerade jeder versuchen sich vorzustellen, wie KI die eigenen Arbeitsabläufe und die Abläufe der eigenen Organisation beeinflussen, unterstützen oder transformieren könnte. Und die Angst, etwas zu verpassen, erreicht ihren Höhepunkt. Führungskräfte fragen sich nun, ob ihre Konkurrenten sie bei der Integration von KI-Funktionen überholen werden. Ist dies der sprichwörtliche Meteorit, der träge, evolutionsunwillige Organisationen wie Dinosaurier auslöschen wird? Die Zeit wird es zeigen, doch es wird zunehmend wahrscheinlich, dass, wie schon Andy Grove warnte, „nur die Paranoiden überleben“.

Doch bei all den Chancen, die KI bringen könnte, sind bereits viele Realität geworden. Nehmen wir den klassischen Workflow von der Erstellung bis zur Nutzung von Inhalten:

• Erstellen: Den Autorenprozess verändern
• Validieren: Konsistenz von Informationen über Versionen, Zeit und Quellen hinweg überwachen
• Übersetzen: Kostengünstiger global agieren
• Veröffentlichen: Nutzern helfen, sich selbst zu schulen
• Suchen: Die Sucherfahrung neu erfinden
• Lesen: Support-Mitarbeiter unterstützen

Im Folgenden zeigen wir die wichtigsten Veränderungen auf, die KI bereits ermöglicht hat.

Den Autorenprozess verändern

Es wird diskutiert, ob Teams GenAI zum Verfassen technischer Dokumentation nutzen können. Aber wie kann GenAI die Details eines neu entwickelten Produkts überhaupt kennen? Schließlich müssen technische Informationen wahrheitsgemäß sein, und wir können es uns nicht leisten, KI-„Halluzinationen“ zu riskieren.

At Fluid Topics, we have always supported the notion that everyone inside a company, not just tech writers and a few domain experts, can contribute to knowledge creation. Being able to ingest any type of content, including unstructured documents such as Word files, Fluid Topics enables such creation by empowering each contributor to work with their preferred tool. Building a unified knowledge repository does not mean forcing a single authoring tool onto all contributors. However, the transition to this new paradigm requires tech writers to change their working methods and become editors and copywriters rather than interviewers and authors. This is where AI comes in.

Fachexperten (SMEs) können nun in ihrer eigenen Rolle schreiben, ohne sich allzu sehr um Grammatik, Rechtschreibung und Stil kümmern zu müssen – und ohne den technischen Redakteuren zusätzliche Arbeit zu bescheren – dank GenAI, die Inhalte umformuliert und allgemeine oder unternehmenseigene Standards durchsetzt. Das Ergebnis? Drastische Veränderungen in den Arbeitsabläufen von Fachexperten und technischen Redakteuren:

Fachexperten können schneller schreiben, GenAI direkt zur Umformulierung von Inhalten nutzen und die Richtigkeit und Wahrhaftigkeit der GenAI-Vorschläge überprüfen. Der Prozess aus Schreiben, Verbessern und Prüfen wird auf Ebene der Fachexperten dynamisch und findet in Echtzeit statt – technische Redakteure sind erst beteiligt, wenn der Fachexperte fertig ist.

Erst dann prüft der technische Redakteur den Inhalt und konzentriert sich dabei auf wertschöpfende Aufgaben, etwa die Einordnung und Verknüpfung des neuen Inhalts in eine größere Content-Story.

Eine Frage zu diesem neuen Paradigma lautet: Wie ergänzt oder ersetzt dies bestehende Tools zur Qualitätsprüfung von Inhalten (wie Schematron, Acrolinx oder Congree)? Es gibt sicherlich Überschneidungen, doch aktuell ergänzen sie sich größtenteils. Qualitätsprüfungen und die Durchsetzung von Unternehmensregeln finden im Prozess nach GenAI statt – das könnte sich künftig jedoch ändern. Es besteht durchaus die Möglichkeit, dass diese Anbieter GenAI in ihre Produkte integrieren, um ein vollwertiges Tool für das SME-Autoren-Paradigma anzubieten.

Konsistenz überwachen

Eine der größten Herausforderungen im Wissensmanagement und in der technischen Dokumentation besteht darin, Genauigkeit und Konsistenz über Zeit und Quellen hinweg zu wahren – also widersprüchliche Informationen zu vermeiden.

Eine bekannte Geschichte: Ein Handbuch beschreibt Verfahren für Version 1 eines Produkts, ein weiterer Leitfaden erklärt die Fehlerbehebung, und ein Support-Mitarbeiter hat einen Artikel mit ein paar Tipps dazu verfasst. Nach einigen Jahren und diversen Produktiterationen hat das inzwischen meistverkaufte Produkt zwei große Weiterentwicklungen durchlaufen, existiert in vier Varianten und wurde an drei verschiedene Exportmärkte angepasst. Die zugehörige Dokumentation hätte sich ebenfalls weiterentwickeln sollen – ist das geschehen? Und wie sieht es mit den übersetzten Inhalten aus? Und den Copy-and-Paste-Aktionen, die vor einigen Jahren für einen Schnellstart-Leitfaden vorgenommen wurden? Und all den Wissensdatenbank-Artikeln im Helpdesk-Tool?

Vor dieser Herausforderung steht jedes Unternehmen – sie beeinträchtigt die Produktivität, wenn nicht sogar das Vertrauen in technische Inhalte, und wirft zudem eigene Sicherheitsbedenken auf. Single Sourcing – ein Tool, um alles zu verfassen – verspricht, dieses Problem zu lösen, doch wir wissen inzwischen, dass dies in großem Maßstab kaum umsetzbar ist. Jeder Stakeholder nutzt das Autorentool seiner Wahl (man kann Product Marketing schließlich nicht zwingen, in DITA zu schreiben), von den Copy-Pastes in Word-Dateien, Artikeln und E-Mails ganz zu schweigen.

Hier kommt KI zur Rettung. KI kann alle Versionen Ihrer Dokumentation sowie alle Informationsschnipsel, die Ihre Teams erstellen, lesen, um Unstimmigkeiten und Widersprüche aufzudecken. Sie kann aufzeigen, welche Inhalte aktualisiert werden sollten, und als Echtzeitprüfung in der Produktion fungieren: Beim Verfassen von Inhalten oder deren Verwendung kann das System diese automatisch auf Konsistenz mit vorhandenem Material prüfen.

Das Potenzial von KI, einen soliden, konsistenten und verlässlichen Wissenskorpus zu erhalten, ist enorm – und dies fördert wiederum die Möglichkeit, jeden Stakeholder zu einem Mitwirkenden zu machen.

Kostengünstiger global agieren

Eine wichtige Entscheidung für Unternehmen, die weltweit verkaufen, ist, wie viel ihrer Inhalte sie in wie viele Sprachen übersetzen. Übersetzung ist sowohl finanziell als auch zeitlich mit Kosten verbunden, und die Verfügbarkeit übersetzter Inhalte kann die Veröffentlichung der Dokumentation – wenn nicht sogar die des Produkts selbst – verzögern.

Die Fortschritte der maschinellen Übersetzung (MT) in den letzten zehn Jahren haben dazu beigetragen, sowohl die finanziellen Kosten als auch die für eine Übersetzung benötigte Zeit zu reduzieren. Tatsächlich ist MT inzwischen so gut geworden, dass man sich fragen kann, ob es möglich ist, sich ausschließlich auf MT zu verlassen und Menschen vollständig aus dem Übersetzungsprozess herauszunehmen.

Die Antwort lautet aus drei Gründen ein klares „Ja“:

1. Technische Dokumentation wird geschrieben, um sprachlich eindeutig und leicht verständlich zu sein. Keine langen, verschachtelten Sätze, keine doppelten Verneinungen, keine Ironie oder Untertreibung. In den meisten Fällen bedeutet leicht verständlich auch leicht übersetzbar.
2. Der Wortschatz selbst ist begrenzt. Auch wenn er fachsprachlich geprägt sein kann, sind diese Begriffe bekannt. Glossare und Translation Memories enthalten alle notwendigen Details, um die Spezialisierung einer MT-Engine zu unterstützen.
3. Wenn Sie bisher „manuell“ übersetzt haben, mit Experten, die prüfen und korrigieren, dann verfügen Sie über einen Bestand geprüfter Übersetzungen – genau das, was für das Training moderner MT-Engines benötigt wird und noch bessere Ergebnisse ermöglicht.

Aktuelle Tests haben gezeigt, dass MT-Übersetzungen inzwischen gut genug sind, damit Unternehmen sich vollständig darauf verlassen können, ohne dass eine menschliche Prüfung nötig ist. Zu beachten ist, dass aktuelle DNN-Engines (Deep Neural Network) im Vergleich zu LLM-basierter Übersetzung noch etwas besser abschneiden, doch die Kombination beider Ansätze könnte künftig sogar noch genauere Ergebnisse liefern.

Was bedeutet das für Sie? Kurz gesagt: Sie können Ihren Veröffentlichungsworkflow drastisch vereinfachen.

Stellen Sie sich vor, sobald Ihr Inhalt in der Originalsprache verfasst ist, kann er unverändert auf Ihrer Content-Delivery-Plattform veröffentlicht werden und ist sofort in so vielen Sprachen verfügbar, wie Sie möchten: 10, 20, sogar 40 oder mehr. Der Trick besteht darin, Inhalte on-the-fly zu übersetzen, sodass es aussieht, als existierten Ihre Inhalte in beispielsweise 23 Sprachen – auch wenn sie tatsächlich nur in einer verfasst wurden. Die Suchanfragen der Nutzer, die Suchergebnisseiten, die angezeigten Inhalte – alles muss in Echtzeit übersetzt werden.

Sie könnten auch eine Strategie wählen, die vorübersetzte Inhalte (MT-basiert, mit oder ohne Prüfung) mit Live-Übersetzung kombiniert. Sie könnten beispielsweise auf Englisch verfassen, ins Japanische und Chinesische vorübersetzen und prüfen lassen, ins Spanische und Französische vorübersetzen ohne Prüfung und für 18 weitere Sprachen mit deutlich weniger Kunden Echtzeitübersetzung anbieten. Die Möglichkeiten sind vielfältig: Nur Kunden und Partner könnten Zugang zu On-the-fly-Übersetzung erhalten; Sie könnten Feedback von Lesern nutzen, um Übersetzungsprobleme zu erkennen; Sie könnten Vorübersetzung oder Prüfung auf die meistgelesenen Inhalte beschränken. Nutzungsanalysen der Inhalte sind hier eine große Hilfe und unterstützen Sie dabei, die beste Entscheidung zu treffen.

Nutzern helfen, sich selbst zu schulen

Technische Dokumentation ist umfangreich, da sie sowohl genau als auch umfassend sein muss. Manchmal geht dies jedoch auf Kosten der Lesbarkeit und verhindert, dass Nutzer schnell die benötigten Informationen finden können.

Stellen Sie sich einen Techniker vor, der eine Wartungsaufgabe verstehen möchte, doch das Verfahren erstreckt sich über 40 Seiten und ist in jedem erdenklichen Detail beschrieben. Eine Möglichkeit, das Lesen zu vereinfachen, ist die sogenannte progressive Offenlegung (Progressive Disclosure). Dabei werden Teile des Inhalts dynamisch über auf- und zuklappbare Blöcke ein- oder ausgeblendet. Dieser Ansatz belastet jedoch technische Redakteure, da sie dem Inhalt semantische Auszeichnungen hinzufügen müssen, damit die Benutzeroberfläche weiß, welcher Inhalt wann angezeigt oder verborgen werden soll. Zudem muss so geschrieben werden, dass jede Kombination aus angezeigtem und verborgenem Inhalt für den Leser weiterhin verständlich bleibt. Und das, ohne zu erwähnen, dass sich diese Art der Inhaltsdarstellung nicht für alle Situationen eignet (zum Beispiel, wenn die gesuchte Information über mehrere Kapitel oder Dokumente verstreut ist).

Hier kommen LLMs zur Rettung. Sie sind gut im Zusammenfassen – das bedeutet, Sie können ihnen dynamisch Inhalte zuführen, die nicht einmal speziell für diesen Zweck aufbereitet wurden, und eine Zusammenfassung in zehn Zeilen, einer Seite oder drei Seiten anfordern.

Stellen Sie sich eine neue Art von Erlebnis vor, das einem Nutzer geboten wird, der mehr über eine Funktion Ihres Produkts erfahren möchte. Der Nutzer könnte mit einer einfachen Frage beginnen: „Wie kann ich dieses Problem beheben?“ oder „Welches Verfahren ist erforderlich?“

Die Plattform, auf der Ihre Dokumentation liegt, kann die entsprechenden Inhalte anzeigen – doch anstatt Links zu Seiten vorzuschlagen und den Nutzer zu zwingen, direkt tief in diesen Inhalt einzutauchen, wird ein Überblick geboten. Der Leser kann den Inhalt dann für später speichern und die Details bei Bedarf später durchgehen.

Die möglichen Szenarien sind vielfältig. Wissensvermittlung und Selbstschulung sind sicherlich ein Bereich, in dem GenAI hilfreich ist, da sie automatisch kürzere oder anders aufbereitete Darstellungen aus der umfangreichen Grunddokumentation ableiten kann. Dies löst nicht nur das Problem, spezielle Schulungsinhalte erstellen zu müssen – eine an sich kostspielige Aufgabe –, sondern auch das Problem, das Schulungsmaterial mit der sich weiterentwickelnden technischen Dokumentation abgleichen zu müssen.

Die Sucherfahrung neu erfinden

Suchmaschinen haben in den letzten zehn Jahren durch Sprachmodelle und probabilistische Bewertung einen gewaltigen Sprung gemacht. Sie sind relevanter geworden und ermöglichen eine dynamische Personalisierung der Ergebnisse. Moderne Suchtechnologie, wie sie etwa Fluid Topics auf seiner Plattform anbietet, übertrifft daher TF-IDF-basierte Suchmaschinen wie SolR oder Elastic deutlich. Unternehmen, die noch immer auf diese veraltete Technologie setzen und Schwierigkeiten haben, ihren Nutzern eine erstklassige Sucherfahrung zu bieten, sollten über einen Wechsel nachdenken!

LLMs treiben Sprachmodelle zu neuen Höhen und ermöglichen einen evolutionären Schritt in der Sucherfahrung. Da sie mit riesigen Inhaltsmengen (Milliarden von Seiten) trainiert wurden, sind LLMs gut im Umgang mit natürlicher Sprache und konzeptbasierten Suchen – ein großer Unterschied zu Keyword-Suchen. Ihre Einschränkung liegt jedoch darin, dass es sich um generische Modelle handelt, das heißt, sie sind nicht speziell auf Ihre Inhalte trainiert. Sie wissen wenig über Ihre Produkte – oder wissen genauso viel über sie wie über die Ihrer Wettbewerber. Unverändert eingesetzt können sie daher keine präzisen und spezifischen Antworten zu Ihren Produkten liefern. Zudem haben aktuelle Tests und Studien gezeigt, dass das Fine-Tuning eines LLM (selbst eines kleinen) mit Ihren Inhalten nicht zwangsläufig bessere Ergebnisse liefert.

Doch es gibt einen Weg nach vorn. Durch die richtige Kombination moderner Suchtechnologie und GenAI (also kleiner und großer Sprachmodelle) erhalten Sie das Beste aus beiden Welten und können neue Wege der Abfrage und Interaktion schaffen. Mehrere Anwendungsfälle sind möglich. Die naheliegendsten sind:

• Konsolidierung von Suchergebnissen: Ein Nutzer führt eine Suche durch, und es werden mehrere Dokumente angezeigt, manchmal aus mehreren Quellen (Referenzhandbücher, Fehlerbehebungsverfahren usw.), die alle relevant sind. Jedes davon zu öffnen und zu lesen kann mühsam sein – doch mit GenAI lässt sich eine einzige, konsolidierte Antwort erzeugen, die eine überlegene Nutzererfahrung bietet.
• Question-Answering: Statt über eine Keyword-Suche Dokumentenlisten zurückzugeben und den Nutzer den Text nach einer präzisen Antwort durchsuchen zu lassen, kann KI direkte Antworten auf Fragen generieren.
• Dialog und Unterstützung: Ein Nutzer beginnt mit einer Frage, auf die die KI mit einer Reihe von Inhalten, einer Zusammenfassung dieser Inhalte oder einer präzisen Antwort reagiert. Anschließend stellt der Nutzer weitere Fragen, um zum nächsten Schritt zu gelangen. Stellen Sie sich vor, dieser Nutzer spricht mit einem Experten, der Ihre gesamten Inhalte auswendig kennt und Informationen Schritt für Schritt im Dialog liefert, während der Nutzer sich durch seinen Problemlösungsprozess bewegt.

Abbildung 2: Bing (rechts) bietet ein neues Nutzererlebnis, indem es Suchergebnisse zu Antworten konsolidiert.

Support-Mitarbeiter unterstützen

Die Beantwortung von Support-Anfragen, die Kunden einreichen, ist entweder langweilig oder komplex.

Langweilig deshalb, weil viele der von Nutzern gestellten Fragen grundlegend und wiederkehrend sind. Support-Mitarbeiter ermüden bei dieser repetitiven Arbeit. Sie begegnen diesem Szenario, indem sie eine eigene Wissensdatenbank und vordefinierte Antworten erstellen, die sie bei Bedarf kopieren, einfügen und anpassen können.

Komplex deshalb, weil die übrigen Fragen ungewöhnlich und anspruchsvoll sind. Bei diesen Anfragen muss der Mitarbeiter suchen, lesen, erneut suchen, um Expertenwissen bitten und aus all dieser aus mehreren Quellen zusammengetragenen Dokumentation eine passende Antwort ableiten. Es ist, als würde man ein Puzzle lösen, indem man Informationsfragmente zusammensetzt, um daraus ein klares, stimmiges Bild zu erhalten. Je weniger Erfahrung Mitarbeiter haben, desto mehr Zeit und Unterstützung benötigen sie von anderen Mitarbeitern und Experten.

All das kostet ein Unternehmen Zeit und Geld. Langsame Antworten führen zu Unzufriedenheit bei den Nutzern. Was also, wenn Sie einen Teil dieses Prozesses automatisieren und die Antwortzeit für einfache wie komplexe Fälle um ein Drittel oder sogar die Hälfte reduzieren könnten? Genau das ermöglicht GenAI.

Durch die Kombination von Suchtechnologie und Generativer KI können Sie Antworten auf Anfragen verfassen. Es funktioniert, als hätten Sie einen Experten zur Hand, der Ihre gesamte Dokumentation kennt und jede Frage in wenigen Sekunden beantworten kann. Doch Sie können es sich nicht leisten, eine falsche Antwort zu riskieren, und natürlich ist auch GenAI nicht perfekt (aber Menschen sind es ebenso wenig). Der von mir empfohlene Ansatz besteht deshalb darin, diese Kombination aus Suche und GenAI zu nutzen, um eine Antwort vorzubereiten, die der Support-Mitarbeiter dann prüft, validiert und verfeinert. Was früher fünf Minuten dauerte, dauert jetzt zwei. Was früher eine Stunde dauerte, dauert jetzt 20 Minuten. Und nicht nur das: Es hilft auch neuen Mitarbeitern, sofort eigenständig arbeiten zu können. Sie können die von der KI zur Referenz mitgelieferte Dokumentation sowie die generierte Antwort prüfen und so beim Überprüfen und Validieren der Antworten schrittweise dazulernen. Die Vorteile sind zahlreich: höhere Geschwindigkeit, genaueres Schreiben und schnellere Einarbeitung neuer Mitarbeiter.

Fazit

Dies sind nur einige Szenarien, in denen GenAI auf technische Dokumentation angewendet werden kann, um ein Unternehmen zu transformieren. Es lassen sich viele weitere denken, etwa:

• Ein besseres Leseerlebnis für Inhalte bieten: Codebeispiele erklären oder ein Codebeispiel bei Bedarf von einer Programmiersprache in eine andere übersetzen.
• Intelligente Glossare: Einen Begriff im Kontext erklären, Inhalte zur besseren Verständlichkeit umformulieren usw.
• Unterstützung bei der Beantwortung von RFI/RFP-Fragebögen: Fragen Sie Ihren Presales-Ingenieur, wie sehr er das Ausfüllen dieser Tabellen liebt, die immer gleich sind, aber nicht so gleich, dass man sie einfach blind kopieren und wiederverwenden könnte. Was, wenn dies automatisiert werden könnte?
• Ableitung von Vertriebs-/Marketing-Pitches und technischen Stories aus technischer Dokumentation: Fünf Stichpunkte zu diesem Produkt vorschlagen, eine kurze Beschreibung vorschlagen usw. Die Möglichkeiten sind nahezu grenzenlos, und sie alle zeugen von einem Quantensprung darin, wie wir Informationen erstellen, verwalten und nutzen können, um das Kundenerlebnis zu transformieren. Softwareplattformen entwickeln sich weiter, um diese Transformation zu integrieren und umzusetzen – und es wird eine aufregende Reise werden.
  
  

Sind Sie bereit?

Anmerkung der Redaktion: Dieser Artikel wurde ursprünglich im November 2023 im tcworld-Magazin veröffentlicht.