Amikora ChatGPT és más nagy nyelvi modellek (LLM-ek) megjelentek, sokan ujjongtak: „Végre az AI megírja a műszaki dokumentációt helyettünk!” Ez a remény azonban veszélyes tévhit – különösen a szigorúan szabályozott orvostechnikai iparágban.
Az elképzelés, hogy néhány prompttal létrehozhatunk komplex műszaki dokumentációt, olyan, mintha egy Forma–1-es motort szerelnénk egy lovaskocsira: garantáltan baleset lesz belőle. A probléma gyökere az adatokban rejlik. Az AI nem varázsló – csak annyira jó, amennyire a bemeneti adat minősége és strukturáltsága.
A legtöbb műszaki dokumentáció ma még mindig PDF-ekben, Word fájlokban vagy Excel táblákban létezik. Ezek:
Ezek a műszaki dokumentációk az emberek számára ezek még olvashatók, de az AI számára maga a káosz. Az információk redundánsak, a verziók keverednek, a terminológia változó. Az eredmény? Az AI találgat (hallucinál) – ami a jobb esetben csak hibát jelent, a rosszabb esetben azonban akár kritikus döntéseket is befolyásolhat.
Tanulmányok és iparági tapasztalatok egyértelműek: a strukturált, tartalom-alapú adatmodellek kulcsfontosságúak.
Több tanulmány is kimutatta: ha az AI-t strukturált adatbázisból kapott tartalommal tápláljuk, jobb pontosságot, relevanciát érünk el és kevesebb lesz hallucináció, mintha nyers PDF dokumentumokat adunk meg neki.
A PDF és Word dokumentumok emberi olvasásra készültek, nem gépi feldolgozásra. Hiányzik belőlük a szemantika, a valódi metaadat és a modularitás. Az AI-nak kontextusra, logikára és gépileg értelmezhető adatokra van szüksége.
A tartalomalapú adatmodellek jellemzői:
Az egyik érdekes példa: a Microsoft KBLaM (2025) tanulmánya szerint az LLM-ek, ha strukturált tudásforrásokkal kapcsolódnak, kevésbé hajlamosak hallucinációra, és néha visszautasítják a válaszadást, ha nincs megbízható tartalom. Az ilyen „megbízható” viselkedés egy strukturálatlan tartalom esetén ritkán fordul elő.
Az AI-t gyakran tekintik kockázati tényezőnek a szabályozott dokumentáció készítése során — és ez nem alaptalan félelem, de helytelen a fókusz. A valódi kockázat az, ha rossz bemeneteket táplálunk az AI-ba.
Jelenleg egy tartalomalapú eTD modell (akár AI nélkül is) már időt spórol, csökkenti a hibákat és javítja a minőséget. Az AI hozzáadása akkor válik erőforrássá, ha a modell strukturáltan felépített és megbízható — ekkor az AI nem találgat, hanem precízen szolgáltatja az információkat.
Több statisztika mutat rá erre: AI chatbotok, amelyek strukturált dokumentációból tanulnak, sok szempontból felülmúlják azokat, amelyek szabad szöveges dokumentumokból dolgoznak — gyorsabbak, relevánsabbak, nagyobb felhasználói élményt nyújtanak.
A műszaki dokumentáció jövője a moduláris, verziókövetett, szemantikai tartalom modellekben rejlik — amelyek átjárhatók, interoperábilisak, AI-ra kész struktúrák.
Ehhez mit kell tenni?
Ahogy az Agrawal et al. (2024) tudásgráf felmérése fogalmaz: „Az LLM-ek és strukturált ontológiák kombinációja nem opció — hanem az AI alapúdöntéstámogatás természetes evolúciója.”
Azok, akik azt hiszik, hogy AI majd tökéletes műszaki dokumentumokat gyárt régóta létező Word fájlokból egy kattintással, biztosan csalódni fognak. De azok, akik hajlandóak befektetni strukturált tartalommodellekbe, nagy nyereséget érhetnek el hatékonyságban, minőségben és szabályozási biztonságban is.
(Forrás: Technical documentation and AI: misunderstanding that needs clarification, Micheal M. Kania, July 9, 2025 - www.meddevo.com)
