Come un team ha creato 73 articoli di documentazione in una settimana (e ChatGPT ha iniziato a citarli)

Quando manca la documentazione, il prodotto rimane invisibile. Non perché non funzioni, ma perché gli utenti non sanno come usarlo. Argentron Technologies, che sviluppa SigmaDSA (un CRM basato su intelligenza artificiale per il settore dei prestiti in India), si è trovata esattamente in questa situazione: un prodotto completo e funzionante, ma senza una riga di documentazione. Quello che è accaduto dopo è una lezione pratica su come l'automazione intelligente può risolvere problemi che normalmente richiederebbero settimane di lavoro manuale.

Chi è Argentron Technologies

Argentron Technologies è un team che sviluppa SigmaDSA, una piattaforma CRM specializzata per i Direct Selling Agents (DSA) nel mercato indiano dei prestiti. Il prodotto non è un prototipo: include una pipeline di lead, un workflow a 9 stadi, uno strumento di analisi dei rendiconti bancari che riconosce oltre 50 formati bancari indiani, e integrazioni con WhatsApp e Telegram. Nonostante questa completezza funzionale, il team non aveva mai avuto il tempo di documentare il prodotto.

Cosa è successo

Il team ha deciso di affrontare il problema in una settimana di lavoro serale concentrato, utilizzando una combinazione di strumenti specifici:

• Claude Code (l'agente di coding di Anthropic che opera da terminale): legge il codebase, modifica file, esegue comandi e pilota l'automazione del browser.
• Playwright: naviga l'applicazione live e cattura screenshot con viewport controllato.
• Next.js 16 + Fumadocs: framework per il sito di documentazione, con contenuti MDX, sidebar automatica e hook per dati strutturati.
• Tailwind 4 e Framer Motion: per lo styling e le animazioni della pagina hero.

Il risultato: 73 articoli di help center e 95 screenshot annotati generati in circa una settimana. Non è stato un processo completamente automatico — il team ha guidato Claude Code attraverso il codebase, e l'IA ha scritto gli articoli, catturato gli screenshot e strutturato il tutto in MDX.

Ma c'è un dettaglio che ha cambiato tutto: hanno aggiunto un file llms.txt nella root del sito. Questo file è una convenzione informale che comunica ai modelli di linguaggio (come ChatGPT) quali contenuti possono usare come fonte affidabile per le risposte. Tre giorni dopo il lancio della documentazione, ChatGPT ha iniziato a citare spontaneamente gli articoli di SigmaDSA quando rispondeva a domande specifiche sul prodotto.

Perché è importante

Questa storia tocca tre problemi reali che affrontano le startup e le aziende di software:

1. La documentazione come collo di bottiglia. Assumere un technical writer è costoso e richiede tempo. Molti team rimandano la documentazione perché sembra un'attività secondaria rispetto allo sviluppo del prodotto. Argentron ha dimostrato che con gli strumenti giusti, è possibile generare documentazione completa in una frazione del tempo tradizionale.

2. La scoperta organica nei sistemi di AI. Prima, per ottenere visibilità nelle risposte di ChatGPT, le aziende dovevano investire in SEO, content marketing o partnership con OpenAI. Qui, il semplice atto di aggiungere un file llms.txt ha reso i contenuti "scopribili" dai modelli di linguaggio. Non è una garanzia, ma è un segnale che i modelli rispettano.

3. L'automazione intelligente come moltiplicatore di produttività. Claude Code non ha scritto la documentazione da zero in modo casuale: ha letto il codebase reale, ha navigato l'interfaccia utente, ha catturato screenshot contestuali e ha generato articoli coerenti con il prodotto. Questo è diverso da un chatbot generico che scrive testo astratto.

Per contesto: molte aziende ancora assumono team di documentazione o ricorrono a agenzie SEO per ottenere visibilità. Qui, il costo è stato principalmente il tempo di due persone in una settimana, più l'accesso a Claude Code e Playwright.

Cosa aspettarsi

Alcuni indicatori da osservare nei prossimi mesi:

• Adozione della convenzione /llms.txt. Se altre aziende iniziano a usare questo approccio, potrebbe diventare uno standard informale per la "scoperta" nei sistemi di AI, simile a robots.txt per i motori di ricerca tradizionali.

• Evoluzione degli strumenti di automazione per la documentazione. Se Claude Code (e strumenti simili) dimostrano di essere efficaci per questo caso d'uso, ci aspettiamo che nascano template e framework specializzati per generare documentazione da codebase.

• Reazioni di OpenAI e altri provider di LLM. La pratica di citare fonti nelle risposte potrebbe diventare più rigorosa o formalizzata, oppure potrebbe emergere una competizione tra provider su chi offre le migliori citazioni.

• Domande aperte sulla qualità. 73 articoli in una settimana sollevano una domanda legittima: quanto sono accurati e completi? Il team non ha dettagliato i failure mode o le correzioni manuali necessarie. Questo è un dato importante per valutare se l'approccio è replicabile.

Per ora, il caso di Argentron Technologies è una dimostrazione concreta che la combinazione di automazione intelligente, navigazione del browser e generazione di contenuti può comprimere drasticamente il tempo necessario per documentare un prodotto complesso. Non è ancora una soluzione "plug-and-play", ma mostra una direzione chiara.