En la era digital actual, la inteligencia artificial ha tomado un valor protagónico en múltiples industrias, y la escritura técnica no es la excepción. Los modelos de lenguaje grande, conocidos como LLMs por sus siglas en inglés, han revolucionado la manera en la que los profesionales generan contenido, especialmente en campos tan especializados como la documentación para desarrolladores y usuarios técnicos. Los escritores técnicos, a diferencia de algunos desarrolladores que pueden mostrar escepticismo frente a herramientas como Copilot, encuentran en estas tecnologías un aliado poderoso para acelerar y mejorar la calidad de sus textos. El crecimiento en la capacidad de los LLMs para comprender y generar lenguaje natural ha abierto un abanico de posibilidades para automatizar tareas repetitivas pero esenciales, tales como la edición de textos, la migración de contenido entre diferentes formatos y la generación instantánea de ejemplos de código que sirven como guía en manuales y documentación técnica. Estos procesos que antaño podían tomar horas, e incluso días, ahora pueden realizarse con apenas unos minutos de configuración y ejecución gracias a scripts bien diseñados.
Uno de los aspectos más interesantes de usar LLMs es su versatilidad y la capacidad para funcionar localmente en una laptop común, reduciendo preocupaciones ambientales asociadas al uso intensivo de la nube. Esto hace posible crear herramientas de escritorio personalizadas, adaptadas a las necesidades específicas del escritor técnico sin depender constantemente de servicios externos con altos costos y latencias. El concepto de "poseer el prompt" es crucial en este contexto. Para explicarlo mejor, esto significa que los escritores técnicos deben ser quienes diseñen, mantengan y guíen el uso de los prompts, que son las instrucciones o solicitudes que se envían a un LLM para obtener las respuestas deseadas. Más allá de limitarse a utilizar modelos preconfigurados, la verdadera ventaja radica en consumir el poder del LLM de manera estratégica y controlada, asegurando que el contenido generado no solo sea coherente y pertinente, sino que se ajuste a las políticas internas y al estilo comunicacional deseado.
Un claro ejemplo práctico de este enfoque es Aikidocs, una herramienta creada para servir como un entorno de pruebas y producción para escritores técnicos. Esta solución permite definir un conjunto de archivos que conforman el prompt, junto con cualquier contexto local que se quiera procesar. Al configurar qué modelo usar y añadir las credenciales correspondientes, el sistema ejecuta la generación o modificación de la documentación, almacenando automáticamente las respuestas para su posterior revisión y edición. Un aspecto fundamental al crear herramientas con LLMs es tener una buena comprensión del software y la arquitectura del proyecto. Los escritores técnicos, generalmente, poseen este conocimiento, ya que han trabajado de cerca con equipos de desarrollo y han documentado en profundidad diferentes tecnologías.
Esto facilita el diseño de interacciones con las máquinas de manera efectiva, para sacar el máximo provecho a los modelos de inteligencia artificial. Durante las etapas de elaboración y perfeccionamiento de una herramienta como Aikidocs, la iteración constante es clave. El proceso de mejora puede incluir la simplificación de la configuración de credenciales, la optimización en la gestión de diferentes tipos de prompts y la reducción de salidas innecesarias en consola. Cada uno de estos detalles suma para ofrecer una experiencia fluida y profesional, que respeta los tiempos y prioridades del escritor técnico. La integración con modelos locales, como Ollama, añade una capa extra de flexibilidad y seguridad, ya que elimina la necesidad de claves API para su uso y facilita el trabajo en entornos con políticas restrictivas en cuanto a la nube.
Ajustar la herramienta para que acepte modelos variados, sin depender solo de nombres predeterminados, es un paso significativo para hacer que la solución sea escalable y adaptable a diferentes escenarios. Uno de los desafíos inherentes en el trabajo con LLMs es la necesidad constante de "acompañar" al modelo en su toma de decisiones y ajustes. A pesar de que hoy día estos sistemas son rápidos y competentes, la intervención humana sigue siendo vital para evitar la incorporación de dependencias innecesarias, corregir desviaciones conceptuales y mantener la voz y estilo de la documentación alineados con las pautas establecidas. Adicionalmente, la incorporación de funcionalidades como el conteo y estimación de tokens antes de enviar una solicitud al modelo ayuda a controlar costos y gestionar mejor los recursos disponibles. Las interfaces pueden diseñarse para pedir confirmación al usuario, optimizando el uso de créditos cuando se trabaja con APIs que tienen costos asociados.
En el ámbito de la documentación técnica, el rol del escritor está evolucionando. No se trata solo de saber redactar, sino de liderar la automatización completa del flujo documental. Esto implica diseñar plantillas y prompts, seleccionar y configurar modelos, verificar la calidad de los resultados y mantener actualizadas las herramientas. Los escritores técnicos se convierten así en auténticos arquitectos de la generación automatizada de documentación, que pueden abordar la convergencia entre tecnología y lenguaje para reducir tiempos y maximizar la calidad. Para quienes estén interesados en comenzar a construir sus propias herramientas, la recomendación es partir de scripts sencillos que procesen un conjunto definido de archivos, que manejen credenciales de manera segura y que logren enviar prompts deterministas a modelos como Gemini, Claude o OpenAI.
La inclusión de una carpeta específica para instrucciones y guías es útil, ya que permite modular y segmentar el contexto que se ofrece al modelo, aumentando la claridad y especificidad de las respuestas. La colaboración con las LLMs ha sido descrita como trabajar con un "interno técnico": un asistente que, si bien requiere guía, puede entregar resultados valiosos basados en las directrices proporcionadas por expertos humanos. Esto demuestra la importancia de preparar y mantener estilos, guías y ejemplos concretos para que la salida sea coherente y satisfactoria. Por último, el aspecto documental de estos proyectos no debe subestimarse. La generación de archivos README con instrucciones claras, la explicación de la estructura de carpetas y la inclusión de ejemplos de uso son pasos fundamentales para garantizar que las herramientas sean accesibles y reutilizables.
Aunque la inteligencia artificial puede encargarse de la primera versión de las guías, la revisión y pulido humanos son esenciales para aportar claridad, uniformidad y profesionalismo. En resumen, construir herramientas propias para la escritura técnica utilizando LLMs implica aprovechar la inteligencia artificial para automatizar y optimizar procesos complejos, manteniendo el control y la propiedad sobre el contenido generado. Esto no solo mejora la productividad sino que posiciona a los escritores técnicos como líderes en la transformación digital de la documentación, con la capacidad de definir cómo se generan, actualizan y gestionan los contenidos que millones de usuarios y desarrolladores utilizan día a día.
