Интерфейсы против интеллекта: AI в дизайне как партнёр, а не стажёр

Выигрыш в скорости очевиден. Цену заметить сложнее: она складывается из идей, которые вам так и не пришли в голову.

На CHI 2024 исследователи из Мельбурнского университета провели контролируемый эксперимент: 60 участников придумывали визуальные идеи, и у половины под рукой был AI-генератор картинок. Вывод работы The Effects of Generative AI on Design Fixation and Divergent Thinking прозвучал жёстко. Группа с AI сильнее цеплялась за исходный пример и придумывала меньше идей — менее разнообразных и менее оригинальных, чем у тех, кто работал без него.

Исследователи заметили и ещё кое-что: многое зависело от того, как человек пользовался инструментом. Сильнее всех «залипали» те, кто ждал от генератора готового ответа. Эта деталь важнее громкого вывода: проблема не в технологии, а в том, как устроен процесс.

Второе исследование показывает тот же эффект в масштабе целой области. Для Science Advances Анил Доши и Оливер Хаузер попросили людей написать короткие рассказы, причём некоторым подсказывала идеи языковая модель. Рассказы с подсказками оценили как более творческие и лучше написанные — особенно у слабых авторов. Но они ещё и больше походили друг на друга. Каждый автор по отдельности стал лучше, а сборник в целом — однообразнее.

В дизайне то же самое. Модели учатся на том, что уже существует, поэтому первое их предложение тяготеет к среднему из всего, что они видели. Если каждая команда начинает с этого предложения, продукты в одной категории начинают выглядеть одинаково. Оформление заказа, онбординг, лендинги — всё сходится к одному грамотному и незапоминающемуся шаблону.

Для дизайнера, у которого горит дедлайн, это честный обмен. Для компании, которая хочет выделяться, — медленная потеря. Решение не в том, чтобы отказаться от AI, а в том, чтобы перестать принимать его первый ответ за точку отсчёта.

Полезно чётко назвать задачи, в которых AI расширяет выбор, и не выпускать его за их пределы.

Первая — синтез. Пересказать заметки с интервью, сгруппировать ответы из опроса, вытащить темы из обращений в поддержку — так экономятся дни, а решать, что важно, всё равно будет дизайнер.

Вторая — чистый лист. Несколько грубых направлений запускают разговор в команде быстрее, чем пустой файл. Только считайте их поводом поговорить, а не черновиками.

Третья — объём. Просите не три варианта, а двадцать, и нарочно в разных направлениях: другая вёрстка, другая метафора, другие ограничения. Смысл в разнообразии, поэтому и оценивать подборку стоит по тому, насколько варианты непохожи друг на друга.

Хороший запрос сам задаёт эти направления. Для страницы с тарифами попросите версию с калькулятором, версию с таблицей сравнения, версию, которая начинается с истории клиента, и версию, где цена появляется, только когда человек выберет свой сценарий. Большую часть вы выбросите. Но то, что останется, окажется дальше от типичного решения, чем всё, что выдаст простое «сделай страницу с тарифами».

И последняя — детализация по требованию. Превратить набросок в кликабельный сценарий или грубый сценарий в аккуратный экран — значит проверять правильный вопрос на правильном уровне подробности.

Во всех четырёх случаях задачу ставит и решение принимает человек. AI просто быстрее прочёсывает пространство вариантов.

Шаблонные ответы AI часто растут из шаблонного контекста. Модель, которая не видела ваших токенов, компонентов и правил доступности, придумает свои, и сэкономленное время уйдёт на исправления.

Model Context Protocol — открытый стандарт, через который AI-инструменты получают структурированный доступ к вашим данным и системам. Через него работает MCP-сервер Figma: он передаёт переменные, компоненты и дизайн-контекст из файлов Figma в инструменты для кода — VS Code, Cursor, Claude Code. И сгенерированный код берёт ваши настоящие цвета, отступы и типографику, а не угадывает их.

Доступности в этом контексте тоже место. Если модель знает ваши контрастные пары, стили фокуса и минимальные размеры нажимаемых элементов, её работа может соответствовать WCAG 2.2 с первого черновика, а не проваливать аудит потом. Пропишите правила, которые для вас важны, — например, контраст 4.5:1 для основного текста и видимый фокус у каждого элемента управления — и проверяйте сгенерированные экраны так же, как всё остальное на ревью.

С исследованиями и брендом так же. Дайте модели гайдлайны, прошлые исследования и список компонентов и попросите сослаться на то, чем она пользовалась. Результат, который опирается на вашу систему, проще проверять — и его куда сложнее спутать с чужим продуктом.

Вот как я бы выстроил процесс, исходя из того, что известно о фиксации.

Сначала нарисуйте, потом пишите запрос. Потратьте десять минут на собственные грубые идеи, прежде чем открывать AI. У вас будет своя опора, и модели придётся с ней соревноваться.

Просите разброс, потом отсекайте. Запросите много вариантов в заведомо разных направлениях, сгруппируйте их и выбросьте те, что похожи на среднее по категории.

Решения оставьте людям. Синтез исследований можно автоматизировать, с вариантами AI может помочь, но финальные тексты, ключевые сценарии и утверждение остаются за человеком, который способен объяснить свой выбор.

Измеряйте не только скорость. Время до первого прототипа считать легко, но само по себе оно говорит немного. Считайте ещё, сколько разных направлений перебрала команда и стал ли запущенный дизайн лучше в тестах. Если с AI вы стали быстрее, а тесты показывают ноль, значит, он не помогал.

Больше всего от AI получат не те, кто быстрее всех генерирует, а те, кто знает, когда пропустить его первый ответ мимо ушей.