Technische Dokumentation mit KI: Zwischen Hoffnung und Nacharbeit
Technische Dokumentation automatisch von KI schreiben lassen? Klingt verlockend. In der Realität: Ernüchterung. Die meisten KI-Texte sehen erst mal ok aus. Nach kurzem Hinsehen fällt das Kartenhaus aber zusammen. Fachbegriffe falsch, Beispiele verdreht, Reihenfolgen stimmen selten.
Wer schon mal eine API-Doku aus Chatbot-Output übernommen hat, kennt das Problem. Parameter vertauscht, Defaults frei erfunden, Reihenfolgen inkonsistent. Bei Bedienungsanleitungen fehlt oft der entscheidende Zwischenschritt. Ergebnis: Der Leser versteht es falsch – oder baut Mist. Im besten Fall dauert’s nur länger. Im schlechtesten: Support-Tickets, Bugs im Live-System, Kunden auf der Matte. Nacharbeit wird Pflicht. Ohne Review kann man’s gleich lassen.
2026 – und immer noch keine Lösung?
Die Technik ist weiter, klar. Aber an der Ursache hat sich kaum was geändert. Sprachmodelle lernen an großen Datensätzen – aber die sind selten passgenau. Wer viel Doku liest, sieht schnell: Die KI schreibt, was wahrscheinlich klingt. Nicht, was wirklich stimmt. Verstehen tut sie’s sowieso nicht.
Noch so ein Punkt: Die Trainingsdaten sind oft alt. Doku lebt aber von Aktualität. Wer heute einen KI-Generator einsetzt, bekommt schnell API-Stände von vorgestern oder Firmware-Infos, die es nie gab. Ohne Anbindung an das echte Projekt-Repo läuft das ins Leere.
Und was die KI nicht weiß, denkt sie sich halt aus. Das klingt dann plausibel – ist aber falsch. Wer hier nicht zweimal prüft, zahlt Lehrgeld. Oder Supportstunden.
Was geht, was nicht: Praxis mit KI-Doku
- Spezialmodelle auf eigenen Daten:
Standard-KI spuckt Standard-Text. Wer echte Qualität will, muss eigene Doku-Daten ins Training werfen. Kostet Zeit, zahlt sich aber aus. Fehlerquote sinkt massiv – aber eben nur dann.
- Aktuelle Infos andocken:
Ohne Zugriff auf aktuelle Repos, Datenbanken oder Builds wird’s schnell peinlich. Systeme mit Retrieval-Augmented-Generation (RAG) sind 2026 brauchbar – aber nur, wenn sie sauber ans Projekt angeflanscht sind. Sonst wieder nur KI-Fiktion.
- KI als Vorschlagsmaschine, nicht als Autor:
Für Bausteine, Listen, Glossare – ok. Den letzten Schliff machen Fachleute. Wer glaubt, alles sei fertig, macht doppelte Arbeit: erst korrigieren, dann erklären, warum.
- Redakteure schulen, Prozesse anpassen:
Redaktion ohne KI-Kenntnis? Funktioniert nicht mehr. Wer Fehler erkennt, spart Zeit. Wer nicht, repariert stundenlang hinterher. KI ist kein Ersatz für Erfahrung, sondern ein Werkzeug – manchmal stumpf.
- Automatisierte Checks im Workflow:
Syntax-Checker, Terminologie-Prüfer – alles nett. Aber verlassen? Lieber nicht. Ohne menschliches Review bleiben Lücken offen. Wer sich drauf verlässt, hat das Nachsehen.
Meine Einschätzung nach fast 30 Jahren Webentwicklung
Eigene Tests mit KI-Doku? Meist ein netter Gag. Für den ersten Entwurf okay. Spätestens im Detail wird’s schräg: Funktionsnamen falsch, Parameter halb erfunden, Hinweise fehlen. Die Zeit für Nachkorrektur frisst jeden Vorteil auf.
Agenturen mit kleiner Mannschaft (5–10 Leute) können KI als Ideengeber nutzen. Für kritische Doku – etwa bei Medizin, Banking oder Maschinensteuerung – besser Finger weg. Ein Fehler, eine falsche Anleitung: Das kostet im Support oder im Betrieb richtig Geld. Und die Haftung hängt an der Agentur.
Einzelkämpfer? Gleiches Spiel. Wer auf spezialisierte Tools und die eigenen Daten setzt, kann sich Arbeit sparen. Sonst bleibt KI nur Spielerei. Alles nachbessern ist keine Lösung.
Weiterlesen
Wer tiefer ins Thema will: Lokale KI-Modelle 2026: Datenschutz, Kosten und Praxis im Agenturalltag und KI im Agenturalltag: Spart das jetzt wirklich Zeit – oder wird’s nur anders stressig?.
Kurz: Stand 2026
KI-Textgeneratoren sind für technische Dokumentation immer noch keine Allzweckwaffe. Fehler und Lücken bleiben Standard. Wer Zeit sparen will, braucht Spezialmodelle, aktuelle Daten und erfahrene Reviewer. Sonst produziert die KI vor allem eins: Korrekturaufwand.
bye
mo