Teknisk dokumentasjon med AI

Hvert teknisk fagområde krever dokumentasjon: bruksanvisninger, samsvarsdokumentasjon, tekniske beskrivelser. Ofte er det et krav for i det hele tatt å kunne markedsføre et produkt. Men oppfyller man kun kravet, har man ennå ikke utnyttet den fulle nytten av ordentlig dokumentasjon. Ofte lages den først på slutten av prosjektet, når budsjettet er stramt og tankene allerede er ved neste oppdrag – da blir det med synkende motivasjon laget det mest nødvendige på noen få dager, og alt legges bort. Den gjengse oppfatningen er ofte: for dyrt, for tidkrevende, upopulært, unødvendig.

Moderne dokumentasjon kan imidlertid mye mer. Med AI lønner det seg å starte dokumentasjonen allerede sammen med prosjektet: Den løpende innsatsen synker så mye at fortløpende dokumentasjon ikke lenger strander på budsjettet. Trinnene og notatene gis fortløpende til AI-en, først som Markdown-filer og senere som Word- og PDF-dokumenter. Lar man AI-en sette opp versjonering og struktur ordentlig, oppstår et grunnlag som senere oppgaver kan bygge videre på.

Med denne fremgangsmåten motvirker man dokumentasjonsdrift, altså den gradvise divergensen mellom virkeligheten og beskrivelsen av den. For programvareutvikling finnes det verktøy som automatisk sammenligner beskrivelse og kildekode. I produktutvikling gjør redaksjons- og PLM-systemer riktignok forvaltningen av dokumentasjonen enklere; men om beskrivelsen fortsatt stemmer med det som faktisk er bygget, har hittil måttet sjekkes manuelt av et menneske. Et fornuftig oppsett med AI støtter dokumentasjonsprosessen vesentlig. Når alt ferdigstilles til slutt, blir det knapt noen hull, fordi hvert notat har sin plass helt fra begynnelsen, og manglende informasjon oppdages tidlig. Man skaper seg en almanakk over eget produkt og dets tilblivelseshistorie. Hvem gjorde hva, når, og hvilke konsekvenser fikk det?

Og enda mer: En ordentlig dokumentasjon fungerer også som grunnlag for lessons learned, slik at man ikke gjør de samme feilene på neste produkt – og tilgangen til dette er en målrettet forespørsel til AI-en i stedet for dagevis med leting i gamle mapper. «Hvordan var det på forrige prosjekt, husker du …?» – er et spørsmål man ikke lenger trenger å stille. Man kan raskt og enkelt slå opp ved å søke på nøkkelord, tidspunkt, komponent eller et annet kriterium.

Maskinen skriver, mennesket har ansvaret

AI endrer hva dokumentasjon koster: En språkmodell lager et førsteutkast fra konstruksjonsdata, stykkliste og notater, slik at selve skrivearbeidet kun utgjør en liten del av innsatsen. Deretter kontrollerer en ingeniør: Stemmer opplysningene, og er alle normer overholdt? AI-en kan forberede denne kontrollen ved å markere uoverensstemmelser; ansvaret for resultatet ligger fortsatt hos ingeniøren. Omskrivingen overtas deretter igjen av maskinen, slik at teksten er stavekontrollert, ryddig formatert og på ønske foreligger på flere språk med en gang.

Hva du får ut av det

Dokumentasjonen endrer seg til din fordel. Den er ikke lenger en kjedelig plikt, men oppfyller flere formål samtidig og fremskynder prosjektet. Den forblir nærmere maskinen, fordi et rimelig førsteutkast lønner seg allerede når bare en liten detalj endres – beskrivelsen vokser med. Og på tvers av alle dokumenter forblir terminologien den samme.

Innsatsen forskyves fra å skrive til å kontrollere. Flaskehalsen ligger sjeldnere i kunnskapen enn i timene som går med til tekstbehandling – kunnskapen finnes som regel i teamet, det som manglet var tiden til å skrive den ned. Der det tidligere krevdes fem tekniske redaktører, holder det i dag med én, med AI-støtte, fordi utkastet oppstår fra eksisterende data og bare må kontrolleres.

---

Kilder

1. Aghajani et al. (2019), Software Documentation Issues Unveiled – ICSE 2019. Vedlikehold av dokumentasjon blir ofte forsømt; manglende oppdatering som et vanlig problem.
2. Romeo, Raglianti, Nagy, Lanza (2024), Capturing and Understanding the Drift Between Design, Implementation, and Documentation – ICPC 2024. Om driften mellom implementering og beskrivelse.
3. Xie et al. (2025), How Effective are Large Language Models in Generating Software Specifications? – SANER 2025. AI-utkast har sine egne styrker og svakheter; faglig kontroll er fortsatt nødvendig.