Как искусственный интеллект ускоряет дизайн интерфейсов в сложных цифровых продуктах

Почему этот плейбук написала Фора Софт

Большинство статей про ИИ в дизайне пишут люди, которым никогда не приходилось выводить в продакшен мультиролевый аналитический дашборд с бесплатным и премиум-тарифами, кастомными алертами и стейт-машинами на 14 экранов. Нам приходилось. Мы спроектировали и построили FoxRunner — платформу новостей фондового рынка, где один экран должен по-разному работать для четырёх состояний пользователя. Мы создали Perspire — фитнес-продукт, чьё конкурентное преимущество — эмоциональная интонация. За 18 лет мы выпустили продукты в аналитике, стриминге, телемедицине и B2B SaaS — более 200 проектов на заказ.

Именно в такой среде ИИ в дизайне доказывает или проваливает свою ценность. На маркетинговой странице он напишет неплохой текст за тридцать секунд. А на дашборде, где одна ошибка в фильтре может нарушить права премиум-пользователя, ценность ИИ измеряется иначе — в часах, которые он сэкономил, найдя конфликт до выхода на тестирование. Этот плейбук — взгляд изнутри: где мы сегодня используем ИИ, где принципиально отказываемся и какие конкретные цифры получили по трём последним проектам.

Если вы оцениваете подрядчика по дизайну, бюджет на инструменты или внедрение внутреннего ИИ для сложного цифрового продукта — это рабочий справочник, а не визионерская презентация.

Где ИИ реально помогает в сложном UX

Самый сильный эффект проявляется в пяти областях. В каждой действует один и тот же принцип: ИИ берёт на себя рутину, сеньор-дизайнер быстрее принимает решения, а команда быстрее доходит до стабильной версии. Ни в одном из этих пунктов не говорится, что ИИ создаёт финальный продукт.

1. Структура первого черновика. Получив матрицу ролей, список сущностей и три ключевые цели пользователя, AI выдаёт структурированный каркас экрана — колонки, фильтры, тексты пустых состояний, основные CTA — за 15–30 минут. Этот каркас оказывается неправильным ровно там, где это и нужно: где фильтры конфликтуют, какие состояния недостижимы и где микротексты вступают в противоречие.

2. UX-копирайт в масштабе. Пустые состояния, тултипы, ошибки валидации, уведомления, описания фич, подсказки в онбординге. Раньше дизайнер тратил 90 минут, чтобы подобрать пять точных слов для премиум-баннера с апселлом. Теперь за три минуты он получает дюжину вариантов и за десять выбирает лучший. Время на один экран сокращается с часов до минут.

3. Проверка логики на матрицах ролей и прав. Вставьте матрицу ролей и спецификацию экрана в Claude или GPT-5 и спросите: «Какие комбинации приводят к недостижимым или противоречивым состояниям?» За минуту вы получите отсортированный список крайних случаев — тот же, что и у вашего сеньор-дизайнера, только быстрее: он бы собирал его полдня.

4. Поиск визуального направления. Midjourney, Recraft и Ideogram сокращают этап «как это может выглядеть». Две недели работы с мудбордами заменяются двумя днями исследований с ИИ и одним днём ручной доработки. Вы не отдаёте клиенту AI-изображение — вы отдаёте направления, которые оно помогло найти.

5. Генерация вариантов для A/B и локализации. Экраны для новичков и опытных пользователей, тексты на четырёх языках, мобильная версия веб-страницы. То, что раньше означало «напиши ещё четыре раза», теперь стало «сгенерируй четыре — выбери лучшее».

Цифры производительности 2026 — что реально, а что маркетинг

Вендоры публикуют впечатляющие цифры. Наши собственные замеры и независимые исследования показывают более реалистичные и узкие диапазоны. Вот что подтверждается в нескольких исследованиях и на наших проектах.

К каждой цифре прилагаются две оговорки. Первая: для команд без задокументированной дизайн-системы экономия почти полностью исчезает — не на что опереться, и сеньор-дизайнер тратит сэкономленное время на выравнивание токенов. Вторая: экономия не суммируется по всему проекту: 70%-ное сокращение времени на микрокопирайтинг даёт около 8–12% от общего бюджета на дизайн, а не 70%.

Кейс 1 — FoxRunner: UX-анализ с полного дня до трёх часов

FoxRunner — инструмент аналитики новостей в реальном времени для активных трейдеров. Дашборд «All News / News Alerts» — основа продукта: бесплатные пользователи видят отфильтрованную ленту, а премиум-пользователи получают алерты по ключевым словам, кастомные фильтры по тикерам и оценку сентимента. Дашборд должен отображать минимум восемь различных состояний (бесплатный/залогиненный, бесплатный/анонимный, премиум/низкая активность, премиум/активный пользователь с сохранёнными фильтрами и т. д.), не превращаясь в четыре отдельных продукта, склеенных вместе.

UX-задача

Организовать колонки, права и логику фильтров, не перегружая интерфейс. До появления AI сеньор-дизайнер тратил 6–8 часов на проработку всех комбинаций состояний и написание условных текстов для каждого случая, плюс ещё 3–4 часа — на интерфейсные строки и валидацию. Почти целый рабочий день уходило на одну стабильную версию одного экрана.

AI-ассистированный процесс

Мы дали Claude 4.6 структурированный бриф: модель сущностей (новость, алерт, тикер, пользователь), четыре роли, двенадцать измерений фильтров и существующую библиотеку компонентов. Запросили: (a) ранжированный список комбинаций состояний с наибольшей вероятностью конфликта, (b) черновую структуру колонок для каждой роли и (c) тексты тултипов для пяти самых запутанных измерений фильтров. Ответ пришёл за 20 минут. Дизайнер потратил два часа на отбор, отбраковку и интеграцию.

Замеренный результат

UX-анализ сократился с 6–8 часов до 2–3. Работа над микрокопирайтом — с 3–4 часов до примерно одного. Итого: 3–4 часа вместо полного рабочего дня. Что важнее, ИИ уже на первом проходе нашёл два конфликта «роль × фильтр», которые наш дизайнер, скорее всего, заметил бы только на этапе QA — это сэкономило в дальнейшем три–пять дней переделок.

Кейс 2 — Perspire: двухнедельное исследование концепции, сжатое до четырёх дней

Perspire — фитнес-продукт, построенный на эмоциональной вовлечённости: 3D-иллюстрированный визуальный язык должен был передавать мотивацию на iOS, Android и в вебе. Клиент отказался от стоковых изображений. Бриф требовал целостного фирменного 3D-стиля — тёплого, но не детского.

Дизайн-задача

Поиск визуального направления — задача не на один присест. Это десятки мудбордов, цикл брифинга с иллюстраторами, два-три раунда исследований и встреча по согласованию со стейкхолдерами. Исторически фаза направления — до того, как иллюстратор начнёт рисовать финальные ассеты — занимала 10–14 календарных дней.

AI-ассистированный процесс

Наш сеньор-арт-директор протестировал Midjourney и Recraft по четырём разным параметрам: тепло, уровень абстракции, цветовая температура, стиль персонажа. За день мы получили 140 вариантов. На второй день — сгруппировали их в шесть кластеров и показали клиенту три. На третий день — доработали выбранный кластер. На четвёртый — иллюстратор зафиксировал финальную композицию, а дизайнер довёл до ума типографику.

Замеренный результат

Фаза направления сократилась с 10–14 календарных дней до 3–4. Позже, когда клиент попросил изменить тональность («меньше пафоса, больше приземлённости»), мы за один день подготовили три обновлённых варианта — раньше на это уходила целая неделя. Для фитнес-продукта, запуск которого зависит от сезонности, такая скорость была не просто улучшением, а решением «запускаемся или нет» на квартал.

Чего мы не отгрузили: ни одного финального ассета, сгенерированного AI. Каждую героическую иллюстрацию рисовал наш иллюстратор вручную. AI дал направление — ремесло создало продукт.

Кейс 3 — EyeBuild: сокращение времени итерации дизайн-системы с шести часов до двух

EyeBuild требовал и отшлифованной визуальной концепции, и дисциплинированной дизайн-системы — единого стиля, описаний компонентов и документации по их состояниям для примерно 60 элементов. До внедрения ИИ один цикл итерации (редактирование двух компонентов, согласование микрокопирайта, обновление документации дизайн-системы) занимал 5–6 часов.

Почему зрелость дизайн-системы стала множителем

У EyeBuild уже были семантические токены, документированные состояния компонентов и спецификация голоса бренда. AI имел на что опереться. Мы передали GPT-5 спецификацию тона, текущий текст компонента и три ближайших соседа из системы — на выходе получилось шесть вариантов, соответствующих существующему голосу бренда. Дизайнер выбирал подходящий, дорабатывал и переходил к следующему — весь цикл занимал около часа, включая обновление документации дизайн-системы.

Урок для команд без дизайн-системы

Тот же промпт мы запустили на клиентском проекте без семантических токенов. Результат выглядел нормально, но использовал жёстко заданные цвета, непоследовательные отступы и стиль, слегка выбивающийся из бренда. Дизайнер потратил «сэкономленное» время на исправление. Чистая экономия — около нуля. Если вы внедряете AI-ассистированный дизайн в команду, у которой ещё нет готовой дизайн-системы, честный разговор будет таким: «сначала нужно создать систему, иначе вложение не окупится».

Стек AI-инструментов для дизайна в 2026, сравнение

Ландшафт 2026 года переполнен. Большинство инструментов попадают в одну из трёх категорий: для дизайнеров (выдают результат в формате Figma), для разработчиков (генерируют код для продакшена) или для исследователей (создают мудборды, варианты и питчи). Выбирайте инструмент под свою задачу, а не под красивую главную страницу.

Подробный разбор каждого из этих инструментов — в наших статьях про AI-инструменты для UI/UX-дизайна и сравнение AI-инструментов для вайрфреймов.

Паттерны промптов, которые реально работают в дизайне

Слабые промпты съедают то время, которое вы думали сэкономить. Четыре паттерна доказали свою эффективность в наших проектах — каждый построен так, чтобы результат от ИИ было удобно отбирать, а не просто любоваться им.

1. Промпт по матрице ролей. Вставьте матрицу ролей, модель сущностей и спецификацию целевого экрана. Спросите: «Перечислите двенадцать комбинаций состояний с наибольшей вероятностью привести к неоднозначному или недостижимому интерфейсу, ранжируйте их по масштабу влияния». На выходе — приоритизированный список крайних случаев, который дизайнер сможет пройти менее чем за час.

2. Промпт по голосу бренда. Начните с 5–10 примеров «в голос» и «не в голос», которые вы уже написали. Добавьте правила тона и список запрещённых слов. И только потом просите варианты. Без этих примеров модель сваливается в общий SaaS-голос.

3. Промпт-ограничитель по дизайн-системе. Прикрепите файл токенов или инвентарь компонентов. Просите выводить результат, используя только токены из этого файла и компоненты из инвентаря. Один этот шаг сокращает необходимость чистки «захардкоженных цветов» на порядок.

4. Промпт «покажи мне худшие пять». После генерации вариантов попросите модель проанализировать результаты: «Назовите пять худших вариантов из набора и объясните, почему каждый из них неудачен». Так становятся заметны проблемы, которые дизайнер мог бы упустить при выборе лучших.

Эталонный пайплайн AI-ассистированного дизайна

Пайплайн, который мы используем в Форс Софт на сложных цифровых продуктах. На каждом этапе указано, кто отвечает, какую помощь оказывает ИИ и какой контроль со стороны человека требуется перед переходом к следующему шагу.

Этап 9 — неприкасаемый. Мы не используем ИИ для генерации синтетических «инсайтов» на основе тестов пользователей. Мы применяем его для сжатия записанных сессий — чтобы исследователь тратил время на анализ, а не на расшифровку.

Где ИИ не помогает — и тихо вредит

1. Настоящие пользовательские исследования. Искусственный интеллект хорошо справляется с масштабированием структурированных данных, но плохо замечает неожиданное. Он сводит тонкие пользовательские боли к шаблонным категориям — а это как раз противоположность тому, ради чего нужны качественные исследования. Используйте ИИ для сжатия данных, но не для интерпретации. Хорошо проведённое интервью с пятью пользователями по-прежнему превосходит тысячу персон, сгенерированных с помощью LLM.

2. Доступность. Автоматические сканеры находят около 13% критериев успеха WCAG 2.2 AA; даже самые продвинутые инструменты охватывают максимум 30–40%. С учётом дедлайна апреля 2026 года по WCAG 2.2 для государственных структур США, обслуживающих более 50 тыс. граждан, полагаться на результаты AI в вопросах доступности — это юридический риск. Обязательно закладывайте этап ручного аудита.

3. Тонкости бренда. Голос продукта складывается из мелких решений, которых у AI не было в обучающей выборке. Стандартный «тон» LLM — уступчивый, профессиональный и незаметный, то есть прямо противоположный сильному бренду. Без чёткого описания стиля в промпте результат будет общим и безликим.

4. Плотные сценарии с состоянием. Искусственный интеллект хорошо справляется с отдельными экранами. А вот с многоэтапным онбордингом из восьми экранов, ветвлениями и сохранением данных — уже хуже. Логику, связанную со состоянием, оставляйте людям.

5. Точность для продакшена. Текущие галлюцинации LLM на открытых бенчмарках — 15–17%. Около 82% багов, связанных с ИИ, возникают не из-за явных ошибок, а из-за правдоподобного, но неверного вывода. В дизайне это может выглядеть так: вёрстка собирается, а текст на кнопке или в подсказке вызывает вопросы у юриста. Считайте, что один из шести абзацев — ошибочный.

Пять ловушек, на которые мы обращаем внимание в каждом проекте с AI-ассистентом

1. Нет дизайн-системы, но крупный AI-бюджет. Купить Figma AI Enterprise команде, которая никогда не задокументировала ни одного цвета-токена — это самый быстрый способ потратить 1,5 млн ₽ и получить результат менее консистентный, чем в прошлом году. Сначала исправляйте систему.

2. Доверять первому черновику AI. Каждый результат, который мы используем, проходит тщательную проверку: соответствие тону, соблюдение дизайн-системы, учёт крайних случаев, проверка доступности. Если пропустить проверку — в продукт попадёт технический долг под видом фирменного стиля.

3. Путать «выглядит хорошо» и «работает хорошо». AI-макеты красиво отображаются, но могут тихо ломаться. Чекаут, который выглядит аккуратно, но создаёт проблемы для пользователей с сохранёнными адресами, хуже некрасивого, но работающего варианта. Ручная проверка по-прежнему обязательна.

4. Заменять исследования сгенерированными персонами. Красиво оформленная «AI-персона» создаёт иллюзию доказательства. Это не доказательство. Пять записанных пользовательских сессий каждый раз перевешивают пятьсот AI-сгенерированных выдумок.

5. Отдавать AI документацию дизайн-системы. Искусственный интеллект может создавать описания компонентов, но не способен сохранять целостность системы, когда вы добавляете двенадцатый вариант четвёртой кнопки. Документацией должен заниматься человек — иначе за два квартала победит энтропия.

Фреймворк принятия решения — стоит ли использовать ИИ в следующем дизайн-спринте?

Ответьте на пять вопросов, прежде чем покупать ещё одну лицензию.

В1. Есть ли у вас семантические дизайн-токены и письменно описанный голос? Если нет — у ИИ не будет опоры. Сначала это. Двухнедельный спринт по дизайн-системе окупится уже в следующем дизайн-цикле.

В2. Ваш ближайший спринт состоит в основном из исследований, микрокопирайтинга или вариантов? Если да — ИИ экономит 40–70% этого времени. Если спринт упирается в одно тяжёлое стратегическое решение — ИИ не поможет, а может ускорить движение к неверному ответу.

В3. Критична ли доступность (госсектор, здравоохранение, финансы, рынки ЕС)? Тогда результат AI не может быть окончательным. Заложите время на ручной аудит — не полагайтесь на автоматическую проверку доступности.

В4. Кто проверяет AI-результат? Должен быть назван по имени, быть сеньором и быть проинструктированным по спецификации голоса. «Дизайнер» — это не имя, это процессная дыра.

В5. Вы на сроках, где ускорение на 30–50% меняет бизнес-результат? Если да — ИИ станет мощным ускорителем. Если узкое место — двухмесячный цикл согласований у клиента, никакие инструменты этого не исправят.

Модель затрат — как выглядит скромный AI-бюджет под UX

Реалистичный годовой стек инструментов для дизайн-команды из 5–8 человек, работающей над сложным цифровым продуктом, по прайс-листам начала 2026 года:

Места Figma Professional (~1 125 ₽/место/мес) на восемь человек: ~108 000 ₽/год. Апгрейд Figma AI, где доступен — обычно небольшая доплата за место. v0 Team (2 250 ₽/место/мес) на трёх инженеров: ~81 000 ₽/год. Midjourney + Recraft для арт-директора: ~18 000 ₽/год. Claude Pro или GPT Plus для команды: ~180 000 ₽/год на 10 пользователей. Итого: примерно 375–525 тыс. ₽/год на весь стек инструментов.

На фоне консервативного сокращения дизайн-часов на 30% при полной нагрузке команды в 60 млн ₽ в год окупаемость измеряется неделями. Главный бюджетный пункт — не лицензии на инструменты, а работа над дизайн-системой, которая и обеспечивает возврат инвестиций от этих инструментов.

KPI — что измерять, чтобы понять, сработало ли

KPI качества. Доля сгенерированных экранов, соответствующих токенам дизайн-системы (цель: ≥95%). Доля прохождения WCAG 2.2 AA при ручном аудите (цель: 100% для регулируемых продуктов). Количество циклов правок от стейкхолдеров на экран (цель: снижение на 30%).

Бизнес-метрики. Время дизайна на одну фичу (отслеживать раз в квартал, цель — снизить на 25–40% за два квартала). Время от идеи до утверждённого направления (цель — сократить на 50% для новых продуктов). Количество правок дизайна после передачи в разработку (цель — уменьшить на 30%, так как меньше ошибок состояний попадает в код).

KPI надёжности. Доля AI-результата, попадающего в продукт без правок человека (цель: <10% — если выше, ревьюеры просто ставят «ОК»). Количество UX-дефектов в продакшене, вызванных AI-генерируемыми компонентами (цель — ноль регрессий, связанных с AI, за квартал). Время на доработку AI-результата, который не соответствует бренду (отслеживать отдельно; если оно превышает 15% от сэкономленного — инструмент не окупается).

Когда AI в дизайн-спринте НЕ нужен

Откажитесь от AI-помощи, когда спринт сосредоточен на одном стратегическом дизайн-решении, которое определяет позиционирование продукта. AI генерирует правдоподобные варианты — а это как раз не то, что нужно, когда важнее один чёткий выбор, а не широкий охват.

Откажитесь, когда вы проводите формирующее пользовательское исследование. Инструменты сжатия от AI допустимы; AI-сгенерированные «синтетические пользователи» и персоны не заменят пяти реальных людей в разговоре с человеком.

Откажитесь от UI с критичной для безопасности или регулируемой ответственностью (медицинские дозировки, голосование, финансовый комплаенс), где двусмысленность в микрокопирайте может иметь реальные последствия. Каждое слово — за людьми.

Откажитесь от первых-в-своём-роде продуктов, если в обучающих данных нет подходящих примеров. Искусственный интеллект сгенерирует что-то похожее на знакомое — а это противоречит идее прорывного дизайна.

И наконец, откажитесь, если ваша команда недостаточно опытна, чтобы замечать тонкие ошибки. Искусственный интеллект усиливает того, кто его проверяет. Дайте его джуниорской команде — получите красивые ошибки вдвое быстрее.

Пятиминутная проверка готовности дизайн-системы

До того как потратить рубль на AI-инструменты, ответьте на эти пять вопросов. Если «да» — меньше четырёх, двухнедельный спринт по дизайн-системе покажет ROI выше, чем любая покупка инструмента.

1. Именованные семантические токены. У ваших цветов, отступов и типографики есть семантические имена (`surface- muted`, `spacing-lg`), а не прямые значения?

2. Канонический инвентарь компонентов. Может ли кто-то из единого источника перечислить все компоненты и их варианты?

3. Письменная спецификация голоса. Минимум одна страница с описанием тона, запрещёнными словами и примерами «в стиле» и «не в стиле».

4. Назначенный владелец дизайн-системы. Один человек, который может отказать в добавлении нового варианта. Не Slack-канал.

5. Конвенция передачи в разработку. Как дизайны попадают к инженерам (Figma MCP, Storybook, аннотированные фреймы). Непоследовательная передача — это то, где AI-генерируемые дизайны теряют смысл.

Мини-кейс — что изменилось в Фора Софт за двенадцать месяцев

С Q1 2025 по Q1 2026 мы перешли от модели «AI иногда помогает» к модели «AI встроен на семи из девяти этапов пайплайна». На шести сопоставимых проектах среднее время от первой версии до стабильной на сложных экранах сократилось с примерно 18 до 7 часов — на 61%. Количество раундов правок от стейкхолдеров на проект упало с 4,3 до 2,1.

Что не изменилось: общий уровень дефектов в QA, доля прохождения по доступности и NPS клиентов. Дисциплина человеческого ревью сохранилась. В этом и состоит смысл: ИИ сократил объём работы, но не ухудшил результат. Командам, которые комбинируют ИИ с нашими услугами по интеграции ИИ или с разработкой программного обеспечения на заказ, стоит ожидать именно таких показателей — с теми же оговорками о зрелости дизайн-системы, на которой мы настаиваем на протяжении всей статьи.

FAQ

Может ли ИИ в 2026 году заменить UX/UI-дизайнеров?

Нет. ИИ заменяет повторяющиеся задачи в рабочем дне дизайнера — первые наброски, варианты текстов, расширение мудбордов, проверку крайних случаев. Решения, от которых зависит, будет продукт «хорошим» или «сломанным», по-прежнему принимает опытный специалист. Команды, которые в 2025 году попробовали обойтись без дизайнеров, уже через два квартала начали замечать рост ошибок и сбой в восприятии бренда.

Сколько времени AI реально экономит на UX/UI?

По нашим замерам: 40–70% на структуре первого черновика, 70–85% на микрокопирайте, 55–80% на итерациях дизайн-системы, 60–70% на поиске визуального направления. Для команд без задокументированной дизайн-системы экономия сокращается до 10–15%.

С какого AI-инструмента для дизайна начать?

Если ваша команда работает в Figma — начните с Figma AI / Make, потому что результат остаётся нативным. Если процесс ведёт инженерная команда — v0 by Vercel сразу выдаёт код в продакшн-формате. Если главная цель — ускорить исследования, то Midjourney или Recraft для визуала, а Claude или GPT-5 для текста закроют 80% выгоды по низкой цене.

Какой самый дешёвый ответственный AI-стек для дизайна?

Для маленькой студии: Figma Starter, одна подписка Claude Pro для лида, одна подписка Midjourney для арт-директора и общий аккаунт v0 на бесплатном тарифе. Бюджет — 3 750–6 000 ₽ в месяц и заметная экономия на микрокопирайте и исследованиях уже с первой недели. Расширяйтесь, когда команда работает над пятью и более активными проектами.

AI-результат по UX доступен из коробки?

Считайте, что нет. Автоматические чекеры доступности ловят примерно 13% критериев успеха WCAG 2.2 AA; вместе с ручной проверкой цифра доходит до 90% и выше. Для регулируемых или государственных продуктов закладывайте ручную проверку доступности на этапе 8 пайплайна — она обязательна, и апрельский дедлайн 2026 года для госсектора США только сжал сроки.

Может ли ИИ писать UX-тексты в стиле нашего бренда?

Только если вы дадите ему письменную спецификацию голоса (пять-десять примеров «в голос / не в голос», правила по тону, запрещённые слова). Без такой спецификации получите уступчивый, профессиональный, обобщённый результат, который команда воспримет как «это не мы». Спецификация — это однодневная инвестиция с долгосрочным эффектом.

Нужна ли дизайн-система до внедрения AI-инструментов?

Да — хотя бы минимальная. Семантические токены (именованные цвета, отступы, типографика), документированные варианты компонентов и письменная спецификация стиля. Команды без этого экономят 10–15% времени с ИИ; команды с этим — 50–70%. Двухнедельный спринт по дизайн-системе перед внедрением инструментов — ход с самым высоким эффектом из доступных.

Как не дать ИИ увести бренд в сторону?

Дисциплина из трёх частей. Первое: каждый промпт включает текущую спецификацию голоса бренда и ссылку на файл токенов. Второе: каждый результат ИИ проходит проверку человеком по короткому чек-листу (тон, токены, крайние случаи, доступность). Третье: за документацией дизайн-системы отвечает человек, у которого это прописано в обязанности. Пропустите любое из трёх — и за квартал бренд потеряет целостность.

Что читать дальше

Готовы ускорить следующий этап разработки — и не получить в итоге AI-халтуру?

В сложных цифровых продуктах ИИ — не мода и не замена людям, а инструмент, который работает эффективнее всего в руках дисциплинированной команды с чёткой дизайн-системой. На наших проектах он сократил время UX-анализа более чем вдвое, превратил поиск визуального направления из недельного процесса в дело нескольких дней и сделал правки от стейкхолдеров простыми и безболезненными. При этом уровень дефектов, доступность и качество продукта для клиента остались на прежнем высоком уровне.

Команды, которые выиграют больше всех в ближайшие двенадцать месяцев — не те, кто больше потратит на инструменты. Это те, кто починит фундамент дизайн-системы, назначит ревьюеров и будет относиться к ИИ ровно так же, как к любому другому джуниор-работнику: быстрому, рвущемуся в работу и нуждающемуся в контроле.