Ogni pochi mesi mi ritaglio una mattinata per leggere e basta. Non il codice Rasepi, non i problemi di GitHub. Blog di concorrenti, relazioni di settore, annunci di conferenze, sondaggi tra gli sviluppatori. Tutto ciò che è stato pubblicato nell'ultimo trimestre e che riguarda la documentazione, la gestione della conoscenza o i flussi di lavoro assistiti dall'intelligenza artificiale.
L'ho fatto la scorsa settimana e il quadro che è emerso è stato più nitido di quanto mi aspettassi. Non perché un singolo annuncio sia stato rivoluzionario, ma perché cinque tendenze distinte stanno convergendo e, quando le si mette in fila, si delinea un quadro molto chiaro di ciò che le piattaforme di documentazione dovranno fare nei prossimi due anni.
Ecco cosa ho scoperto.
1. L'intelligenza artificiale è il lettore principale. Non gli esseri umani.
GitBook ha pubblicato un numero impressionante nel suo rapporto sui dati dei documenti AI: La lettura della documentazione da parte dell'AI è aumentata di oltre il 500% nel 2025. Cinquecento per cento. Non è un errore di arrotondamento.
Nel frattempo, il sondaggio di Stack Overflow 2024 Developer Survey ha mostrato che il 61% degli sviluppatori trascorre più di 30 minuti al giorno alla ricerca di risposte. Ma le modalità di ricerca sono cambiate. Il sondaggio di GitHub ha rilevato che il 97% degli sviluppatori aziendali ha utilizzato strumenti di codifica AI. Entro il 2026, l'84% degli sviluppatori utilizzerà quotidianamente strumenti di AI, con il 41% del codice ora generato dall'AI. Queste persone non stanno navigando nella barra laterale del wiki. Chiedono a Claude o a Copilot, e l'AI legge i suoi documenti per loro conto.
L'implicazione è difficile da sopravvalutare. Il consumatore più frequente della sua documentazione non è più una persona con una scheda del browser aperta. È un modello linguistico che effettua chiamate di recupero. E questo modello non è in grado di guardare una pagina e pensare: "Questo sembra obsoleto".
GitBook ha individuato questo problema in anticipo e ha risposto con il rapporto State of Docs 2026 e con una spinta verso i formati leggibili dalla macchina. Ha anche distribuito skill.md, una convenzione per la strutturazione delle informazioni sui prodotti specifica per gli agenti AI. Google è andata oltre con il suo Gemini API Docs MCP, che collega gli agenti di codifica alla documentazione corrente tramite il Model Context Protocol. Il loro ragionamento era esplicito: gli agenti generano codice obsoleto perché i loro dati di addestramento hanno una data di scadenza. La correzione MCP ha portato il tasso di superamento della valutazione al 96,3%.
Quindi la prima tendenza è risolta. L'AI è il lettore principale. Le piattaforme che trattano questo aspetto come un vincolo di progettazione fondamentale, non come una funzione da aggiungere in seguito, avranno un vantaggio strutturale.
2. La freschezza e i metadati di fiducia stanno diventando obbligatori
Anthropic ha intervistato 81.000 utenti Claude nel dicembre 2025 e ha pubblicato i risultati nel marzo 2026. Si tratta del più grande studio qualitativo sugli utenti di AI mai condotto (159 Paesi, 70 lingue). La preoccupazione più citata? L'inaffidabilità. Il 27% degli intervistati l'ha indicata come la preoccupazione principale e il 79% di loro l'ha sperimentata in prima persona.
Questo numero dovrebbe tenere sveglio ogni team di documentazione.
Quando le risposte dell'AI sono inaffidabili, il problema non è sempre il modello. Spesso il modello riproduce fedelmente ciò che ha trovato in un documento obsoleto. Il modello non ha avuto un'allucinazione. I suoi documenti erano semplicemente sbagliati e nessuno li ha segnalati.
I dati di Stack Overflow lo confermano da un altro punto di vista: L'81% degli sviluppatori prevede che l'AI sarà maggiormente integrata nel modo in cui documentano il codice nel prossimo anno. Se l'81% dei suoi utenti fornisce documenti all'IA e il 27% degli utenti dell'IA afferma che l'inaffidabilità è il problema principale, si ha un problema di fiducia che nessuna quantità di ingegneria tempestiva può risolvere. La soluzione è alla fonte.
Ecco perché i metadati di freschezza sono importanti. Non i timestamp "ultima modifica" (questi indicano quando qualcuno ha toccato il file, non se il contenuto è ancora accurato). La vera freschezza: stato di revisione, salute dei link, allineamento delle traduzioni, segnali di lettura, rilevamento della deriva dei contenuti. Metadati che una macchina può leggere e utilizzare per decidere se un documento è sicuro da citare.
Continuo a tornare ad un semplice inquadramento. La sua documentazione ha bisogno di un punteggio di credito. Non un timestamp. Un punteggio di credito. (Abbiamo costruito esattamente questo con il [sistema di punteggio di freschezza] di Rasepi(/caratteristiche/freschezza), e onestamente, vedere i dati del settore mi rende ancora più convinto che sia la decisione giusta).
3. La traduzione sta passando da "progetto" a "pipeline".
A febbraio, DeepL ha pubblicato un articolo intitolato "Le 6 trasformazioni della traduzione che le aziende globali non possono permettersi di perdere". La loro argomentazione: la traduzione sta diventando una sfida operativa continua, non un progetto in serie da realizzare trimestralmente.
Questo corrisponde a tutto ciò che vedo.
Il vecchio modello era semplice. Scrivere in inglese. Quando dispone di un budget, assume un traduttore o si rivolge a un servizio. Riceve le traduzioni. Le carichi. Fatto fino alla prossima volta. Il problema è che la "prossima volta" arriva sempre più velocemente quando il suo prodotto viene spedito settimanalmente e i documenti vengono aggiornati costantemente. Quando la versione tedesca torna dalla revisione, la fonte inglese è già cambiata due volte.
Il [Customization Hub] di DeepL (https://www.deepl.com/customization-hub) offre ora glossari, regole di stile e impostazioni di formalità, il che è fantastico. Ma se questi strumenti vivono al di fuori della sua piattaforma di documentazione, lei gestisce una catena di strumenti di traduzione: editor, esportazione, traduzione, revisione, reimport, ripetizione. Ogni passaggio è una possibilità di deriva.
Notion non ha alcun supporto multilingue nativo. Confluence lo offre attraverso i plugin del mercato. GitBook ha aggiunto la traduzione automatica nell'agosto 2025, che è un passo, ma opera a livello di pagina.
Il vero cambiamento è dal livello di pagina al livello di blocco. Quando si tiene traccia delle traduzioni a livello di paragrafo, si ritraduce solo ciò che è effettivamente cambiato. Una modifica tipica tocca forse due paragrafi su quaranta. Si tratta del 94% di lavoro di traduzione in meno. (Questa è l'architettura di traduzione principale di Rasepi e, onestamente, la cosa di cui sono più orgoglioso del prodotto. Ma anche se ci mettiamo da parte, la direzione del settore è chiara: la traduzione continua, incrementale e incorporata è la direzione da seguire).
4. Gli agenti AI hanno bisogno di contenuti strutturati, non di pagine wiki.
Questo aspetto si è cristallizzato per me quando Notion ha annunciato Custom Agents a febbraio. 21.000 agenti costruiti durante l'accesso anticipato. Agenti che rispondono alle domande delle basi di conoscenza, instradano i compiti, compilano rapporti sullo stato. Solo la Rampa ha oltre 300 agenti.
Atlassian ha seguito una direzione simile. Rovo AI in Confluence estrae il contesto da tutte le applicazioni Atlassian e di terze parti per generare contenuti. La loro proposta: "Contenuti ricchi di contesto e di alta qualità, basati sul lavoro esistente del suo team".
E poi Anthropic ha lanciato team di agenti in Claude Code, dove più agenti AI si coordinano autonomamente su compiti complessi. Opus 4.6 ha ottenuto un punteggio del 76% nel benchmark MRCR a 8 aghi 1M (rispetto al 18,5% del modello precedente), il che significa che è in grado di recuperare informazioni sepolte in profondità in enormi serie di documenti senza perdere la traccia.
Tutte e tre le aziende stanno costruendo agenti che consumano documentazione. Nessuna di loro ha risolto il problema della qualità delle fonti.
La documentazione degli agenti personalizzati di Notion riconosce esplicitamente il prompt injection risk quando gli agenti leggono contenuti non attendibili. Rovo di Atlassian prende tutto ciò che trova in Confluence. Se quel contenuto è vecchio di tre mesi, Rovo non lo sa. Ci costruisce sopra comunque.
Affinché gli agenti funzionino in modo affidabile, hanno bisogno di più di pagine di testo. Hanno bisogno di contenuti strutturati con identificatori stabili, segnali di freschezza espliciti, metadati di classificazione chiari e la capacità di distinguere "questo è attuale e revisionato" da "questo esiste ma nessuno lo ha toccato in un anno". Le pagine Wiki non forniscono tutto questo. Lo fanno i contenuti strutturati a livello di blocco con metadati di fiducia.
5. L'open source e il self-hosting stanno tornando in auge
Quest'ultimo è più un'intuizione supportata da dati che un singolo annuncio.
GitBook open-sourced la propria documentazione pubblicata alla fine del 2024 e ha lanciato un fondo OSS. Il loro ragionamento: i progetti open source meritano strumenti di documentazione gratuiti e di alta qualità. Ma la mossa segnala anche qualcosa di più ampio.
Notion è solo cloud. Non esiste un'opzione self-hosted. Confluence Data Center esiste, ma richiede una licenza. Quando la sua piattaforma di documentazione contiene le sue conoscenze operative più sensibili (playbook sugli incidenti, procedure di conformità, decisioni sull'architettura), la domanda "chi controlla questi dati?" non è astratta.
Il post di Anthropic "Claude è uno spazio per pensare" di febbraio contiene un'argomentazione interessante sulla fiducia e sui modelli di business. La loro affermazione principale: gli incentivi pubblicitari sono incompatibili con un assistente AI veramente utile. Hanno scelto di rimanere senza pubblicità, in modo che gli utenti possano fidarsi dello strumento.
Penso che ci sia un parallelo per le piattaforme di documentazione. Se il suo sistema di documentazione è closed-source e solo cloud, non può verificare ciò che alimenta l'AI. Non può verificare i calcoli di freschezza. Non può assicurarsi che i suoi dati rimangano sotto il suo controllo. Per i team che stanno implementando assistenti AI in cima alla loro base di conoscenze (e sempre più spesso lo fanno tutti), la verificabilità è importante.
Non si tratta di una polemica sul fatto che l'open source sia moralmente superiore. I prodotti closed-source possono assolutamente essere affidabili. Ma quando si costruiscono flussi di lavoro basati sull'AI in cima alla propria documentazione interna, la possibilità di ispezionare e verificare il sistema è un vantaggio pratico. Per noi, la licenza MIT di Rasepi non è stata un ripensamento. Si è trattato di una decisione progettuale radicata nella stessa logica: l'infrastruttura di documentazione deve essere verificabile.
Cosa significano queste cinque tendenze insieme
Singolarmente, ognuna di queste tendenze è gestibile. L'intelligenza artificiale legge i suoi documenti? Ok, aggiunga dei metadati leggibili dalla macchina. La freschezza è importante? Bene, aggiunga delle date di revisione. La traduzione deve essere continua? Certo, integri DeepL. Gli agenti hanno bisogno di una struttura? Bene, migliori il suo modello di contenuti. La sovranità è importante? Ottimo, offra un'opzione self-hosted.
Ma nel loro insieme, descrivono una piattaforma che appare fondamentalmente diversa da quella che la maggior parte dei team utilizza oggi.
Il divario è architettonico. Non si tratta di cinque funzionalità da aggiungere. Sono cinque presupposti che devono essere integrati nelle fondamenta. Come vengono archiviati i contenuti (a livello di blocco, non di pagina). Come viene modellata la fiducia (punteggi di freschezza, non timestamp). Come funziona la traduzione (incrementale, incorporata, per paragrafo). Come gli agenti AI accedono ai contenuti (API strutturate con metadati, non scrapes di pagine). Come vengono controllati i dati (aperti, verificabili, auto-ostabili).
Nessuna piattaforma consolidata è stata progettata su tutti e cinque questi aspetti contemporaneamente. Alcune le stanno aggiungendo pezzo per pezzo. GitBook si sta muovendo più velocemente sul fronte della leggibilità AI. Notion sta costruendo un'infrastruttura di agenti. Atlassian ha una distribuzione aziendale.
Ma progettare per tutti e cinque fin dal primo giorno? Questo è il vantaggio di iniziare da zero quando il terreno si sposta.
Mi rendo conto di essere di parte. Abbiamo costruito Rasepi proprio perché abbiamo visto queste tendenze convergere e volevamo una piattaforma che le assumesse tutte fin dall'inizio. Traduzione a livello di blocco, scadenza forzata, punteggio di freschezza, contenuti strutturati pronti per l'AI, open source. È la tesi dell'intero progetto.
Ma anche se non esistessimo, credo che qualsiasi lettura onesta di ciò che è accaduto nel primo trimestre del 2026 punti nella stessa direzione. La documentazione sta diventando un'infrastruttura. E l'infrastruttura ha requisiti diversi dalle pagine wiki.
I team che lo capiranno per primi non avranno solo una documentazione migliore. Avranno agenti AI più affidabili, costi di traduzione più bassi, meno sorprese di conformità e basi di conoscenza che rimarranno effettivamente affidabili nel tempo.
Questo è lo stato dei documenti nel 2026. La questione non è se queste tendenze sono reali. Si tratta di capire se la sua piattaforma è stata progettata per loro.
Cinque tendenze. Una domanda architettonica: la sua piattaforma di documentazione è stata progettata per il 2026, o sta ancora servendo ipotesi del 2016?
Fonti: GitBook AI docs data report, GitBook State of Docs 2026, GitBook skill.md, Google Gemini API Docs MCP, Stack Overflow 2024 Developer Survey, GitHub 2024 developer survey, Index.dev developer productivity statistics, Anthropic "What 81,000 People Want from AI", Anthropic "Claude è uno spazio per pensare", Claude Opus 4.6, Notion Custom Agents, Atlassian Rovo in Confluence, DeepL "6 trasformazioni di traduzione", DeepL Customization Hub, GitBook open source documentation, GitBook auto-translate.