IA pour les rédacteurs techniques

La rédaction technique est en partie automatisée depuis longtemps. La documentation de référence est régulièrement générée à partir de commentaires de code ou de spécifications d'API avec des outils tels que Swagger UI, Redoc et Sphinx autodoc. Ce que l'IA générative ajoute, c'est de la prose : des explications conceptuelles, des didacticiels, des exemples, des notes de version et des premières ébauches rédigées à partir de documents d'exigences de produits ou de notes d'ingénierie. De nombreuses équipes travaillent selon un modèle docs-as-code. La documentation se présente sous forme de Markdown ou de reStructuredText dans Git, les modifications passent par des demandes d'extraction et l'intégration continue construit le site avec un générateur de site statique tel que Docusaurus, MkDocs ou Sphinx. Cette configuration convient bien à l'IA. Les brouillons arrivent sous forme de modifications révisables, des vérifications automatisées sont exécutées à chaque validation et les mises à jour de documents peuvent être liées aux modifications de code qui les ont provoquées. Pour une cohérence de style, les outils déterministes et l’IA se complètent. Un linter tel que Vale applique les règles d'un guide de style, par exemple le guide de style de la documentation du développeur de Google ou le guide de style d'écriture Microsoft, et donne le même résultat à chaque fois. L’IA est plus efficace pour suggérer des formulations plus claires, mais elle est moins prévisible. Le principal risque est l’inexactitude certaine. Un modèle peut inventer un point de terminaison, une valeur par défaut ou un indicateur de ligne de commande qui semble plausible. Il peut également décrire le comportement d'un produit dans ses données de formation plutôt que son comportement actuel. Chaque échantillon de code et paramètre généré doit être vérifié par rapport au système réel. Une idée fausse courante est que l’IA rend inutiles les rédacteurs techniques. Les parties les plus difficiles du travail consistent à savoir ce qui est vrai, à décider de ce dont les utilisateurs ont besoin et à organiser les informations afin qu'ils puissent les trouver. Des cadres tels que Diátaxis, qui sépare les tutoriels, les guides pratiques, les références et les explications, reflètent ce travail structurel. Les rôles évoluent vers l'architecture de l'information, la vérification, la stratégie de contenu et la rédaction pour les lecteurs IA. La proposition llms.txt de 2024, par exemple, suggère un fichier qui pointe les modèles de langage vers la documentation clé d'un site.