@intlayer/docs 9.0.0-canary.3 → 9.0.0-canary.5

package/blog/it/rag_powered_documentation_assistant.md

@@ -57,43 +57,6 @@ Quel ultimo punto è cruciale. Un sistema RAG non si limita a rispondere alle do
 
 Quindi, RAG non è solo uno strumento di supporto. È anche un **motore di scoperta del prodotto**.
 
-## Come funziona la pipeline RAG
-
-![RAG Pipeline](https://github.com/aymericzip/intlayer/blob/main/docs/assets/rag_flow.svg)
-
-Ad alto livello, ecco la ricetta che ho usato:
-
-1.  **Suddivisione della documentazione in chunk** Grandi file Markdown vengono divisi in chunk. La suddivisione permette di fornire come contesto solo le parti rilevanti della documentazione.
-2.  **Generazione degli embeddings** Ogni chunk viene trasformato in un vettore usando l’API di embedding di OpenAI (text-embedding-3-large) o un database vettoriale (Chroma, Qdrant, Pinecone).
-3.  **Indicizzazione e memorizzazione** Gli embeddings vengono memorizzati in un semplice file JSON (per la mia demo), ma in produzione probabilmente useresti un database vettoriale.
-4.  **Recupero (R in RAG)** La query dell’utente viene trasformata in embedding, si calcola la similarità coseno e si recuperano i chunk più pertinenti.
-5.  **Aumento + Generazione (AG in RAG)** Quei chunk vengono inseriti nel prompt per ChatGPT, così il modello risponde con il contesto reale della documentazione.
-6.  **Registrazione delle query per feedback** Ogni query utente viene memorizzata. Questo è prezioso per capire i punti critici, la documentazione mancante o nuove opportunità.
-
-## Passo 1: Lettura della Documentazione
-
-Il primo passo è stato semplice: avevo bisogno di un modo per scansionare una cartella docs/ per tutti i file .md. Usando Node.js e glob, ho recuperato il contenuto di ogni file Markdown in memoria.
-
-Questo mantiene la pipeline flessibile: invece di Markdown, potresti recuperare la documentazione da un database, un CMS o anche un'API.
-
-## Passo 2: Suddividere la Documentazione in Chunk
-
-Perché suddividere in chunk? Perché i modelli linguistici hanno **limiti di contesto**. Fornire loro un intero libro di documentazione non funzionerà.
-
-Quindi l'idea è di spezzare il testo in chunk gestibili (ad esempio 500 token ciascuno) con sovrapposizione (ad esempio 100 token). La sovrapposizione garantisce continuità così da non perdere il significato ai confini dei chunk.
-
-**Esempio:**
-
-- Chunk 1 → “…la vecchia biblioteca che molti avevano dimenticato. Le sue scaffalature imponenti erano piene di libri…”
-- Chunk 2 → “…le scaffalature erano piene di libri di ogni genere immaginabile, ognuno sussurrando storie…”
-
-La sovrapposizione assicura che entrambi i chunk contengano un contesto condiviso, così il recupero rimane coerente.
-
-Questo compromesso (dimensione del chunk vs sovrapposizione) è fondamentale per l’efficienza di RAG:
-
-- Troppo piccolo → si genera rumore.
-- Troppo grande → si satura la dimensione del contesto.
-
 ## Passo 3: Generazione degli Embeddings
 
 Una volta che i documenti sono stati suddivisi in chunk, generiamo gli **embeddings**, vettori ad alta dimensione che rappresentano ogni chunk.
@@ -112,164 +75,6 @@ Ho utilizzato il modello text-embedding-3-large di OpenAI, ma potresti usare qua
 
 Ogni vettore è un’impronta matematica del testo, che permette la ricerca per similarità.
 
-## Passo 4: Indicizzazione e Memorizzazione degli Embeddings
-
-Per evitare di rigenerare gli embeddings più volte, li ho memorizzati in embeddings.json.
-
-In produzione, probabilmente vorresti un database vettoriale come:
-
-- Chroma
-- Qdrant
-- Pinecone
-- FAISS, Weaviate, Milvus, ecc.
-
-I database vettoriali gestiscono indicizzazione, scalabilità e ricerca veloce. Ma per il mio prototipo, un JSON locale ha funzionato bene.
-
-## Passo 5: Recupero con Similarità Coseno
-
-Quando un utente fa una domanda:
-
-1. Genera un embedding per la query.
-2. Confrontalo con tutti gli embedding dei documenti usando la **similarità coseno**.
-3. Conserva solo i primi N chunk più simili.
-
-La similarità coseno misura l'angolo tra due vettori. Una corrispondenza perfetta ottiene un punteggio di **1.0**.
-
-In questo modo, il sistema trova i passaggi del documento più vicini alla query.
-
-## Passo 6: Aggiunta + Generazione
-
-Ora arriva la magia. Prendiamo i chunk migliori e li inseriamo nel **prompt di sistema** per ChatGPT.
-
-Ciò significa che il modello risponde come se quei frammenti facessero parte della conversazione.
-
-Il risultato: risposte accurate e **basate sulla documentazione**.
-
-## Passo 7: Registrazione delle Query degli Utenti
-
-Questa è la superpotenza nascosta.
-
-Ogni domanda posta viene memorizzata. Nel tempo, si costruisce un dataset di:
-
-- Domande più frequenti (ottimo per le FAQ)
-- Domande senza risposta (documentazione mancante o poco chiara)
-- Richieste di funzionalità mascherate da domande (“Si integra con X?”)
-- Casi d’uso emergenti che non avevi previsto
-
-Questo trasforma il tuo assistente RAG in uno **strumento continuo di ricerca utenti**.
-
-## Quanto Costa?
-
-Una comune obiezione al RAG è il costo. In pratica, è sorprendentemente economico:
-
-- Generare embedding per circa 200 documenti richiede circa **5 minuti** e costa **1–2 euro**.
-- La funzione di ricerca nei documenti è completamente gratuita.
-- Per le query, utilizziamo gpt-4o-latest senza la modalità “thinking”. Su Intlayer, registriamo circa **300 query chat al mese**, e la fattura dell’API OpenAI raramente supera i **10$**.
-
-Oltre a questo, puoi includere il costo dell’hosting.
-
-## Dettagli di Implementazione
-
-Stack:
-
-- Monorepo: workspace pnpm
-- Pacchetto Doc: Node.js / TypeScript / OpenAI API
-- Frontend: Next.js / React / Tailwind CSS
-- Backend: route API Node.js / OpenAI API
-
-Il pacchetto `@smart-doc/docs` è un pacchetto TypeScript che gestisce l’elaborazione della documentazione. Quando un file markdown viene aggiunto o modificato, il pacchetto include uno script `build` che ricostruisce la lista della documentazione in ogni lingua, genera gli embeddings e li memorizza in un file `embeddings.json`.
-
-Per il frontend, utilizziamo un’applicazione Next.js che fornisce:
-
-- Rendering da Markdown a HTML
-- Una barra di ricerca per trovare la documentazione rilevante
-- Un'interfaccia chatbot per porre domande sulla documentazione
-
-Per eseguire una ricerca nella documentazione, l'applicazione Next.js include una route API che chiama una funzione nel pacchetto `@smart-doc/docs` per recuperare i frammenti di documentazione corrispondenti alla query. Utilizzando questi frammenti, possiamo restituire una lista di pagine della documentazione rilevanti per la ricerca dell'utente.
-
-Per la funzionalità chatbot, seguiamo lo stesso processo di ricerca ma in aggiunta iniettiamo i frammenti di documentazione recuperati nel prompt inviato a ChatGPT.
-
-Ecco un esempio di prompt inviato a ChatGPT:
-
-Prompt di sistema:
-
-```txt
-Sei un assistente utile che può rispondere a domande sulla documentazione di Intlayer.
-
-Frammenti correlati:
-
------
-docName: "getting-started"
-docChunk: "1/3"
-docUrl: "https://example.com/docs/it/getting-started"
----
-
-# Come iniziare
-
-...
-
------
-docName: "another-doc"
-docChunk: "1/5"
-docUrl: "https://example.com/docs/it/another-doc"
----
-
-# Un altro documento
-
-...
-```
-
-Query utente :
-
-```txt
-Come iniziare?
-```
-
-Usiamo SSE per trasmettere la risposta dalla route API.
-
-Come accennato, utilizziamo gpt-4-turbo senza la modalità "thinking". Le risposte sono pertinenti e la latenza è bassa.
-Abbiamo sperimentato con gpt-5, ma la latenza era troppo alta (a volte fino a 15 secondi per una risposta). Tuttavia, lo rivaluteremo in futuro.
-
-👉 [Prova la demo qui](https://intlayer.org/doc/why) 👉 [Controlla il modello di codice su GitHub](https://github.com/aymericzip/smart_doc_RAG)
-
-## Andare oltre
-
-Questo progetto è una implementazione minima. Ma puoi estenderlo in molti modi:
-
-- Server MCP → la funzione di ricerca nella documentazione verso un server MCP per connettere la documentazione a qualsiasi assistente AI
-
-- Database vettoriali → scalare a milioni di frammenti di documenti
-- LangChain / LlamaIndex → framework pronti all'uso per pipeline RAG
-- Cruscotti di analisi → visualizzare le query degli utenti e i punti critici
-- Recupero multi-sorgente → estrarre non solo documenti, ma anche voci di database, post di blog, ticket, ecc.
-- Prompting migliorato → riordinamento, filtraggio e ricerca ibrida (parola chiave + semantica)
-
-## Limitazioni che abbiamo incontrato
-
-- La suddivisione in frammenti e la sovrapposizione sono empiriche. Il giusto equilibrio (dimensione del frammento, percentuale di sovrapposizione, numero di frammenti recuperati) richiede iterazione e test.
-- Gli embeddings non vengono rigenerati automaticamente quando i documenti cambiano. Il nostro sistema resetta gli embeddings per un file solo se il numero di frammenti differisce da quello memorizzato.
-- In questo prototipo, gli embeddings sono memorizzati in JSON. Questo funziona per le demo ma inquina Git. In produzione, è meglio utilizzare un database o un archivio vettoriale dedicato.
-
-## Perché Questo È Importante Oltre la Documentazione
-
-La parte interessante non è solo il chatbot. È il **ciclo di feedback**.
-
-Con RAG, non ti limiti a rispondere:
-
-- Impari cosa confonde gli utenti.
-- Scopri quali funzionalità si aspettano.
-- Adatti la tua strategia di prodotto basandoti sulle query reali.
-
-**Esempio:**
-
-Immagina di lanciare una nuova funzionalità e vedere immediatamente:
-
-- Il 50% delle domande riguarda lo stesso passaggio di configurazione poco chiaro
-- Gli utenti chiedono ripetutamente un’integrazione che ancora non supporti
-- Le persone cercano termini che rivelano un nuovo caso d’uso
-
-Questa è **intelligenza di prodotto** direttamente dai tuoi utenti.
-
 ## Conclusione
 
 RAG è uno dei modi più semplici e potenti per rendere pratici i LLM. Combinando **recupero + generazione**, puoi trasformare documenti statici in un **assistente intelligente** e, allo stesso tempo, ottenere un flusso continuo di approfondimenti sul prodotto.

package/blog/it/react-i18next_vs_react-intl_vs_intlayer.md

@@ -141,6 +141,14 @@ Valutiamo:
 
 ---
 
+## Interoperabilità con `react-intl` e `react-i18next`
+
+`intlayer` può aiutarti anche a gestire i tuoi namespace `react-intl` e `react-i18next`.
+
+Utilizzando `intlayer`, puoi dichiarare i tuoi contenuti nel formato della tua libreria i18n preferita, e intlayer genererà i tuoi namespace nella posizione di tua scelta (esempio: `/messages/{{locale}}/{{namespace}}.json`).
+
+---
+
 ## Note pratiche per la migrazione (react-intl / react-i18next → Intlayer)
 
 - **Migra in modo incrementale**: Inizia con una funzionalità o una rotta; mantieni i cataloghi legacy in parallelo durante la transizione.

package/blog/it/vue-i18n_vs_intlayer.md

@@ -251,6 +251,14 @@ Questo approccio:
 
 ---
 
+## Interoperabilità con vue-i18n
+
+`intlayer` può anche aiutarti a gestire i tuoi namespace `vue-i18n`.
+
+Utilizzando `intlayer`, puoi dichiarare i tuoi contenuti nel formato della tua libreria i18n preferita, e intlayer genererà i tuoi namespace nella posizione di tua scelta (esempio: `/messages/{{locale}}/{{namespace}}.json`).
+
+---
+
 ## Note pratiche per la migrazione (vue-i18n → Intlayer)
 
 - **Inizia per funzionalità**: Sposta una rotta/vista/componente alla volta nei dizionari locali di Intlayer.

package/blog/ja/intlayer_with_i18next.md

@@ -34,6 +34,10 @@ author: aymericzip
 
 <iframe title="Intlayerを使ってi18nextのJSON翻訳を自動化する方法" class="m-auto aspect-16/9 w-full overflow-hidden rounded-lg border-0" allow="autoplay; gyroscope;" loading="lazy" width="1080" height="auto" src="https://www.youtube.com/embed/MpGMxniDHNg?autoplay=0&amp;origin=https://intlayer.org&amp;controls=0&amp;rel=1"/>
 
+## 目次
+
+<TOC/>
+
 ## Intlayerとは何ですか？
 
 **Intlayer**は、従来のi18nソリューションの欠点を解決するために設計された革新的なオープンソースの国際化ライブラリです。JavaScriptアプリケーションにおけるコンテンツ管理に対して、モダンなアプローチを提供します。
@@ -65,24 +69,40 @@ Intlayerは優れた単独のi18nソリューションを提供します（[Next
 
 必要なパッケージをインストールします:
 
+```bash packageManager="npm"
+npx intlayer-cli init --interactive
+```
+
+```bash packageManager="pnpm"
+pnpm dlx intlayer-cli init --interactive
+```
+
+```bash packageManager="yarn"
+yarn dlx intlayer-cli init --interactive
+```
+
+```bash packageManager="bun"
+bunx intlayer-cli init --interactive
+```
+
+> `--interactive` フラグはオプションです。AI エージェントの場合は `intlayer-cli init` を使用してください。
+
+> このコマンドは環境を検出し、必要なパッケージをインストールします。例えば：
+
 ```bash packageManager="npm"
 npm install intlayer @intlayer/sync-json-plugin --save-dev
-npx intlayer init
 ```
 
 ```bash packageManager="pnpm"
 pnpm add intlayer @intlayer/sync-json-plugin --save-dev
-pnpm intlayer init
 ```
 
 ```bash packageManager="yarn"
 yarn add intlayer @intlayer/sync-json-plugin --dev
-yarn intlayer init
 ```
 
 ```bash packageManager="bun"
 bun add intlayer @intlayer/sync-json-plugin --dev
-bun x intlayer init
 ```
 
 **パッケージの説明:**

package/blog/ja/intlayer_with_next-i18next.md

@@ -34,17 +34,6 @@ author: aymericzip
 
 <TOC/>
 
-## next-i18next とは何か？
-
-**next-i18next** は、Next.js アプリケーション向けの最も人気のある国際化（i18n）フレームワークの一つです。強力な **i18next** エコシステムの上に構築されており、Next.js プロジェクトにおける翻訳、ローカリゼーション、言語切り替えの管理に包括的なソリューションを提供します。
-
-しかし、next-i18next にはいくつかの課題があります：
-
-- **複雑な設定**：next-i18next のセットアップには複数の設定ファイルが必要であり、サーバーサイドとクライアントサイドの i18n インスタンスを慎重に設定する必要があります。
-- **翻訳ファイルの分散**：翻訳ファイルは通常、コンポーネントとは別のディレクトリに保存されているため、一貫性の維持が難しくなります。
-- **手動のネームスペース管理**：開発者はネームスペースを手動で管理し、翻訳リソースの適切な読み込みを確保する必要があります。
-- **限定的な型安全性**：TypeScript のサポートには追加の設定が必要であり、翻訳の自動型生成は提供されません。
-
 ## Intlayerとは？
 
 **Intlayer** は、従来のi18nソリューションの欠点を解決するために設計された革新的なオープンソースの国際化ライブラリです。Next.jsアプリケーションにおけるコンテンツ管理に対してモダンなアプローチを提供します。
@@ -73,24 +62,40 @@ Intlayerは優れた単独のi18nソリューションを提供します（[Next
 
 お好みのパッケージマネージャーを使って必要なパッケージをインストールします:
 
+```bash packageManager="npm"
+npx intlayer-cli init --interactive
+```
+
+```bash packageManager="pnpm"
+pnpm dlx intlayer-cli init --interactive
+```
+
+```bash packageManager="yarn"
+yarn dlx intlayer-cli init --interactive
+```
+
+```bash packageManager="bun"
+bunx intlayer-cli init --interactive
+```
+
+> `--interactive` フラグはオプションです。AI エージェントの場合は `intlayer-cli init` を使用してください。
+
+> このコマンドは環境を検出し、必要なパッケージをインストールします。例えば：
+
 ```bash packageManager="npm"
 npm install intlayer @intlayer/sync-json-plugin --save-dev
-npx intlayer init
 ```
 
 ```bash packageManager="pnpm"
 pnpm add intlayer @intlayer/sync-json-plugin --save-dev
-pnpm intlayer init
 ```
 
 ```bash packageManager="yarn"
 yarn add intlayer @intlayer/sync-json-plugin --dev
-yarn intlayer init
 ```
 
 ```bash packageManager="bun"
 bun add intlayer @intlayer/sync-json-plugin --dev
-bun x intlayer init
 ```
 
 **パッケージの説明:**

package/blog/ja/intlayer_with_next-intl.md

@@ -29,6 +29,10 @@ author: aymericzip
 
 <iframe title="Intlayerを使ってnext-intlのJSON翻訳を自動化する方法" class="m-auto aspect-16/9 w-full overflow-hidden rounded-lg border-0" allow="autoplay; gyroscope;" loading="lazy" width="1080" height="auto" src="https://www.youtube.com/embed/MpGMxniDHNg?autoplay=0&amp;origin=https://intlayer.org&amp;controls=0&amp;rel=1"/>
 
+# 目次
+
+<TOC/>
+
 ## Intlayerとは？
 
 **Intlayer**は、従来のi18nソリューションの欠点を解決するために設計された革新的なオープンソースの国際化ライブラリです。Next.jsアプリケーションにおけるコンテンツ管理に対して、モダンなアプローチを提供します。
@@ -59,24 +63,40 @@ Intlayerは優れた単独のi18nソリューションを提供します（当
 
 必要なパッケージをインストールします：
 
+```bash packageManager="npm"
+npx intlayer-cli init --interactive
+```
+
+```bash packageManager="pnpm"
+pnpm dlx intlayer-cli init --interactive
+```
+
+```bash packageManager="yarn"
+yarn dlx intlayer-cli init --interactive
+```
+
+```bash packageManager="bun"
+bunx intlayer-cli init --interactive
+```
+
+> `--interactive` フラグはオプションです。AI エージェントの場合は `intlayer-cli init` を使用してください。
+
+> このコマンドは環境を検出し、必要なパッケージをインストールします。例えば：
+
 ```bash packageManager="npm"
 npm install intlayer @intlayer/sync-json-plugin --save-dev
-npx intlayer init
 ```
 
 ```bash packageManager="pnpm"
 pnpm add intlayer @intlayer/sync-json-plugin --save-dev
-pnpm intlayer init
 ```
 
 ```bash packageManager="yarn"
 yarn add intlayer @intlayer/sync-json-plugin --dev
-yarn intlayer init
 ```
 
 ```bash packageManager="bun"
 bun add intlayer @intlayer/sync-json-plugin --dev
-bun x intlayer init
 ```
 
 **パッケージの説明:**

package/blog/ja/intlayer_with_react-i18next.md

@@ -63,24 +63,40 @@ Intlayerは優れた単独のi18nソリューションを提供します（当
 
 必要なパッケージをインストールします:
 
+```bash packageManager="npm"
+npx intlayer-cli init --interactive
+```
+
+```bash packageManager="pnpm"
+pnpm dlx intlayer-cli init --interactive
+```
+
+```bash packageManager="yarn"
+yarn dlx intlayer-cli init --interactive
+```
+
+```bash packageManager="bun"
+bunx intlayer-cli init --interactive
+```
+
+> `--interactive` フラグはオプションです。AI エージェントの場合は `intlayer-cli init` を使用してください。
+
+> このコマンドは環境を検出し、必要なパッケージをインストールします。例えば：
+
 ```bash packageManager="npm"
 npm install intlayer @intlayer/sync-json-plugin --save-dev
-npx intlayer init
 ```
 
 ```bash packageManager="pnpm"
 pnpm add intlayer @intlayer/sync-json-plugin --save-dev
-pnpm intlayer init
 ```
 
 ```bash packageManager="yarn"
 yarn add intlayer @intlayer/sync-json-plugin --dev
-yarn intlayer init
 ```
 
 ```bash packageManager="bun"
 bun add intlayer @intlayer/sync-json-plugin --dev
-bun x intlayer init
 ```
 
 **パッケージの説明:**

package/blog/ja/intlayer_with_react-intl.md

@@ -61,24 +61,40 @@ Intlayerは優れた単独のi18nソリューションを提供します（[Reac
 
 必要なパッケージをインストールします:
 
+```bash packageManager="npm"
+npx intlayer-cli init --interactive
+```
+
+```bash packageManager="pnpm"
+pnpm dlx intlayer-cli init --interactive
+```
+
+```bash packageManager="yarn"
+yarn dlx intlayer-cli init --interactive
+```
+
+```bash packageManager="bun"
+bunx intlayer-cli init --interactive
+```
+
+> `--interactive` フラグはオプションです。AI エージェントの場合は `intlayer-cli init` を使用してください。
+
+> このコマンドは環境を検出し、必要なパッケージをインストールします。例えば：
+
 ```bash packageManager="npm"
 npm install intlayer @intlayer/sync-json-plugin --save-dev
-npx intlayer init
 ```
 
 ```bash packageManager="pnpm"
 pnpm add intlayer @intlayer/sync-json-plugin --save-dev
-pnpm intlayer init
 ```
 
 ```bash packageManager="yarn"
 yarn add intlayer @intlayer/sync-json-plugin --dev
-yarn intlayer init
 ```
 
 ```bash packageManager="bun"
 bun add intlayer @intlayer/sync-json-plugin --dev
-bun x intlayer init
 ```
 
 **パッケージの説明:**

package/blog/ja/intlayer_with_vue-i18n.md

@@ -63,24 +63,40 @@ Intlayer は優れた単独の i18n ソリューションを提供します（[V
 
 お好みのパッケージマネージャーを使用して必要なパッケージをインストールします:
 
+```bash packageManager="npm"
+npx intlayer-cli init --interactive
+```
+
+```bash packageManager="pnpm"
+pnpm dlx intlayer-cli init --interactive
+```
+
+```bash packageManager="yarn"
+yarn dlx intlayer-cli init --interactive
+```
+
+```bash packageManager="bun"
+bunx intlayer-cli init --interactive
+```
+
+> `--interactive` フラグはオプションです。AI エージェントの場合は `intlayer-cli init` を使用してください。
+
+> このコマンドは環境を検出し、必要なパッケージをインストールします。例えば：
+
 ```bash packageManager="npm"
 npm install intlayer @intlayer/sync-json-plugin --save-dev
-npx intlayer init
 ```
 
 ```bash packageManager="pnpm"
 pnpm add intlayer @intlayer/sync-json-plugin --save-dev
-pnpm intlayer init
 ```
 
 ```bash packageManager="yarn"
 yarn add intlayer @intlayer/sync-json-plugin --dev
-yarn intlayer init
 ```
 
 ```bash packageManager="bun"
 bun add intlayer @intlayer/sync-json-plugin --dev
-bun x intlayer init
 ```
 
 **パッケージの説明:**

package/blog/ja/l10n_platform_alternative/Lokalise.md

@@ -40,6 +40,16 @@ Lokaliseは現代のTMS領域で重要なプレーヤーです。2017年に設
 
 Intlayerは主にi18nソリューションとして知られていますが、ヘッドレスCMSも統合しています。Lokaliseが主に文字列の外部同期ツールとして機能するのとは異なり、Intlayerはコードにより近い位置で動作します。バンドル層からリモートコンテンツ配信までスタック全体を制御することで、コンテンツのフローがよりスムーズかつ効率的になります。
 
+## AIの登場以来、なぜパラダイムは変わったのか？
+
+Lokaliseはローカライゼーションの「DevOps」側を完成させ、文字列を自動的に移動しました。しかし、大規模言語モデル（LLM）の登場により、ローカライゼーションのパラダイムが根本的に変わりました。ボトルネックはもはや文字列を*移動*することではなく、それらを*生成*することです。
+
+LLMを使用することで、翻訳のコストは急落し、スピードは指数関数的に増加しました。ローカライゼーションチームの役割は「翻訳者の管理」から「コンテキストとレビューの管理」へシフトしています。
+
+Lokaliseはai機能を追加しましたが、根本的には人間のワークフローを管理し、シート数またはキー数で料金を請求するように設計されたプラットフォームのままです。AIファースト・ワールドでは、価値は、人間のエージェンシーにタスクを割り当てることがいかに簡単かではなく、コンテキスト対応コンテンツを生成するためにaiモデルをいかに上手くオーケストレーションできるかにあります。
+
+今日、最も効率的なワークフローは、まずaiを使用してページをグローバルに翻訳して配置することです。その後、第2段階では、人間のコピーライターを使用して、製品がすでに収益を生み出しているときに、高トラフィック・コンテンツを最適化して変換を促進します。
+
 ## AI以降、なぜパラダイムは変わったのか？
 
 Lokaliseはローカリゼーションの「DevOps」側、つまり文字列を自動的に移動する仕組みを完成させました。しかし、Large Language Models（LLMs）の到来により、ローカリゼーションのパラダイムは根本的に変化しました。ボトルネックはもはや*文字列を移動すること*ではなく、*それらを生成すること*です。