Как AI ускоряет UX/UI-дизайн в сложных цифровых продуктах

Почему этот плейбук написала Фора Софт

Большинство статей про AI 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 вести себя для четырёх состояний пользователя. Мы построили 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 AI в дизайне доказывает или проваливает свою ценность. На маркетинговой странице AI напишет сносный текст за тридцать секунд. На дашборде, где один не туда поставленный фильтр ломает права премиум-пользователя, ценность AI измеряется иначе — в часах, которые он сэкономил, вытащив конфликт раньше QA. Этот плейбук — взгляд изнутри: где мы сегодня используем AI, где принципиально отказываемся и какие конкретные цифры мы получили на трёх недавних проектах.

Если вы оцениваете подрядчика по дизайну, бюджет на инструменты или внутренний AI-rollout для сложного цифрового продукта — это рабочий справочник, а не визионерская презентация.

Где AI реально сдвигает дело в сложном UX

Самый сильный эффект сосредоточен в пяти областях. В каждой действует один и тот же паттерн: AI убирает рутину, сеньор-дизайнер ускоряет принятие решений, команда быстрее выходит на стабильную версию. Ни в одном из пунктов нет утверждения «AI делает 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 неправильный ровно в тех местах, которые вам и нужно увидеть первыми: какие фильтры конфликтуют, какие состояния недостижимы, где сталкиваются микротексты.

2. UX-копирайт в масштабе. Пустые состояния, тултипы, ошибки валидации, уведомления, описания фич, подсказки в онбординге. Дизайнер, который раньше тратил 90 минут на поиск пяти точных слов для премиум-апсейл-баннера, теперь за три минуты получает дюжину вариантов и за десять выбирает лучший. Время падает с часов до минут на экран.

3. Проверка логики на матрицах ролей и прав. Вставьте матрицу ролей и спецификацию экрана в Claude или GPT-5, спросите: «какие комбинации создают недостижимое или противоречивое состояние?» За минуту получите ранжированный список крайних случаев — тот же список, что ваш сеньор-дизайнер собрал бы за полдня, только раньше.

4. Поиск визуального направления. Midjourney, Recraft и Ideogram сжимают этап «как это могло бы выглядеть». Две недели мудбордов превращаются в два дня AI-исследований плюс день человеческой полировки. Вы не отгружаете AI-визуал — вы отгружаете направления, которые он подсказал.

5. Генерация вариантов для A/B и локализации. Экраны для новичков и продвинутых пользователей, тексты на четырёх языках, мобильная версия веб-раскладки. То, что раньше было «напиши ещё четыре раза», теперь «сгенерируй четыре, выбери одно».

Цифры производительности 2026 — что реально, а что маркетинг

Вендоры публикуют впечатляющие проценты. Наши собственные замеры и независимые исследования сходятся на более узких и честных диапазонах. Вот что подтверждается в нескольких исследованиях и в наших проектах.

К каждой цифре прилагаются две оговорки. Первая: для команд без задокументированной дизайн-системы экономия схлопывается почти до нуля — результату не на что опереться, и сеньор-дизайнер тратит сэкономленное время на чистку токенов. Вторая: экономия не складывается по всему проекту: 70%-ое сокращение времени на микрокопирайт даёт около 8–12% от общего бюджета на дизайн, а не 70%.

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

FoxRunner — продукт аналитики новостей в реальном времени для активных трейдеров. Дашборд «All News / News Alerts» — сердце продукта: бесплатные пользователи видят отфильтрованную ленту, премиум-пользователи — слои алертов по ключевым словам, кастомные фильтры по тикерам и наложения сентимента. Дашборд должен отрисовывать минимум восемь разных состояний (free/залогинен, free/анонимный, premium/слабая активность, premium/активный пользователь с сохранёнными фильтрами и т. д.), не превращаясь в четыре приклеенных друг к другу продукта.

UX-задача

Организовать колонки, права и логику фильтров, не перегружая интерфейс. До AI сеньор-дизайнер тратил 6–8 часов, прокручивая в голове комбинации состояний и расписывая для каждого условные тексты, плюс ещё 3–4 часа на интерфейсные строки и валидацию. Почти полный рабочий день на одну стабильную версию одного экрана.

AI-ассистированный процесс

Мы дали Claude 4.6 структурированный бриф: модель сущностей (новость, алерт, тикер, пользователь), четыре определения ролей, двенадцать измерений фильтров и существующую библиотеку компонентов. Запросили: (a) ранжированный список комбинаций состояний с наибольшей вероятностью конфликта, (b) черновую структуру колонок под каждую роль 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 упал с 6–8 часов до 2–3. Шлифовка микрокопирайта — с 3–4 часов до примерно одного. Итого: 3–4 часа против прежнего полного рабочего дня. Что важнее, AI ещё на первом проходе вытащил два конфликта «роль × фильтр», которые наш дизайнер, вероятно, заметил бы только в QA — это сэкономило ниже по потоку оценочно 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 нести историю мотивации через iOS, Android и веб. Клиент отказался от стоковых библиотек. Бриф требовал целостного, фирменного 3D-стиля — тёплого, но не инфантильного.

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 гонял Midjourney и Recraft по четырём намеренно разным осям: тепло, степень абстракции, температура цвета, стиль персонажа. За один день мы получили 140 направлений-сэмплов. День второй: сгруппировали их в шесть кластеров и презентовали клиенту три. День третий: доработка выбранного кластера. День четвёртый: иллюстратор зафиксировал финальную композицию, а дизайнер докрутил типографику.

Замеренный результат

Фаза направления сжалась с 10–14 календарных дней до 3–4. Позже, когда клиент попросил тональный сдвиг («меньше пафоса, больше приземлённости»), мы выдали три обновлённых направления за один день — раньше тот же цикл занимал неделю. Для фитнес-продукта, чьё окно запуска зависит от сезонности, такая скорость была не косметикой, а решением «идём/не идём» на квартал.

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

Кейс 3 — EyeBuild: итерация дизайн-системы с шести часов до двух

EyeBuild требовал и отшлифованной визуальной концепции, и дисциплинированной дизайн-системы — единого тона голоса, описаний компонентов, документации состояний для примерно 60 компонентов. До AI один цикл итерации (правка двух компонентов, сведение 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 было на что опереться. Мы дали GPT-5 спецификацию тона, текущий текст компонента и три ближайших соседа из системы — на выходе шесть вариантов, согласованных с существующим голосом. Дизайнер выбирал, докручивал и шёл дальше примерно за час на цикл — вместе с обновлением документации дизайн-системы.

Урок для команд без дизайн-системы

Тот же промпт мы прогнали на клиентском проекте без семантических токенов. Результат выглядел приемлемо, но использовал захардкоженные цвета, непоследовательные отступы и тон на два деления мимо бренда. Дизайнер потратил «сэкономленное» время на чистку. Чистая экономия: около нуля. Если вы покупаете AI-ассистированный дизайн в команду, у которой ещё нет рабочей дизайн-системы — честный разговор звучит так: «сначала надо построить систему, иначе вложение не окупится».

Стек AI-инструментов для дизайна в 2026, сравнение

Ландшафт 2026 года переполнен. Большинство инструментов попадают в одну из трёх корзин: для дизайнеров (выдают Figma-нативный результат), для разработчиков (выдают продакшен-код) или для исследователей (выдают мудборды, варианты и питчи). Выбирайте под свою корзину, а не под маркетинговую главную.

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 себя в наших проектах — каждый построен так, чтобы результат AI было удобно отбирать, а не любоваться.

1. Промпт по матрице ролей. Вставьте матрицу ролей, модель сущностей и спецификацию целевого экрана. Спросите: «Перечислите двенадцать комбинаций состояний с наибольшей вероятностью создать неоднозначный или недостижимый UI, ранжируйте по радиусу поражения». На выходе — приоритизированный список крайних случаев, который дизайнер пройдёт меньше 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 обобщённый SaaS-голос.

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

4. Промпт «покажи мне худшие пять». После генерации вариантов попросите модель критиковать собственный результат: «Назовите пять худших вариантов из набора и объясните, почему каждый плох». Так всплывают проблемы, которые дизайнер пропустил бы при отборе лучших.

Эталонный пайплайн AI-ассистированного дизайна

Пайплайн, который мы применяем в Фора Софт на сложных цифровых продуктах. На каждом этапе видно, кто из людей за него отвечает, чем помогает AI и какой человеческий gate-чек стоит перед следующим шагом.

Этап 9 — неприкасаемый. Мы не используем AI для генерации синтетических «инсайтов» пользовательских тестов. Мы используем его для сжатия записанных сессий — чтобы человек-исследователь тратил время на интерпретацию, а не на расшифровку.

Где AI не помогает — и тихо вредит

1. Настоящие пользовательские исследования. AI силён в масштабировании структурированных данных и слаб в замечании неожиданного. Он сводит тонкие пользовательские боли в шаблонные корзины — ровно противоположное тому, ради чего нужны качественные исследования. Используйте AI для сжатия, не для интерпретации. Хорошо проведённое интервью с пятью пользователями всё ещё бьёт тысячу LLM-сгенерированных персон.

2. Доступность. Автоматические сканеры ловят примерно 13% критериев успеха WCAG 2.2 AA; даже у лучших инструментов потолок около 30–40%. С учётом дедлайна апреля 2026 года по WCAG 2.2 для государственных структур США, обслуживающих более 50 тыс. граждан, считать AI-результат по доступности годным к выпуску — это юридический риск. Закладывайте цикл ручного аудита.

3. Тонкости бренда. Голос продукта собирается из микрорешений, которых AI не видел в обучении. Дефолтный «тон» LLM — уступчивый, профессиональный и забываемый, ровно противоположное сильному бренду. Без письменной спецификации голоса в промпте ждите общего результата.

4. Плотные сценарии с состоянием. AI хорошо справляется с изолированными экранами. Со сквозным онбордингом из восьми экранов с условными ветками и сохранением данных — гораздо хуже. Логику с состоянием держите за людьми.

5. Точность для продакшена. Текущие галлюцинации LLM на открытых бенчмарках — 15–17%. Около 82% AI-багов идут не от явных ошибок, а от правдоподобно выглядящего, но неверного вывода. В дизайне это значит: вёрстка собирается, а текст лейбла говорит то, от чего у вашего юриста заболит голова. Считайте, что один параграф из шести неверный.

Пять ловушек, за которыми мы следим в каждом AI-ассистированном проекте

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 сжечь 1,5 млн ₽ и получить менее консистентный результат, чем в прошлом году. Сначала чините систему.

2. Доверять первому черновику AI. Каждый AI-результат, который мы используем, проходит структурированный ревью: соответствие тону, дисциплина дизайн-системы, покрытие крайних случаев, проверка доступности. Пропустить ревью — и в продукт заходит технический долг под видом фирменного стиля.

3. Путать «выглядит хорошо» и «работает хорошо». AI-макеты красиво рендерятся и тихо ломаются. Чекаут, который выглядит чисто, но создаёт ловушку для пользователей с сохранёнными адресами — хуже некрасивого, который работает корректно. Ручное прохождение остаётся обязательным.

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

5. Отдавать AI документацию дизайн-системы. AI способен сгенерировать описания компонентов. Он не способен поддерживать системную целостность по мере того, как вы добавляете двенадцатый вариант четвёртой кнопки. У документации должен быть человек-владелец, иначе за два квартала побеждает энтропия.

Фреймворк принятия решения — стоит ли AI заходить в ваш следующий дизайн-спринт?

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

В1. Есть ли у вас семантические дизайн-токены и письменно описанный голос? Если нет — AI-результату не на что опереться. Сначала это. Двухнедельный спринт по дизайн-системе окупится в следующий же дизайн-цикл.

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

В3. Критична ли доступность (госсектор, здравоохранение, финансы, рынки ЕС)? Тогда AI-результат не может быть последним шагом. Заложите время на ручной аудит явно; не доверяйте автоматическому «скору 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 — AI станет множителем сил. Если узкое место — двухмесячный цикл согласований у клиента, никакие инструменты этого не починят.

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 скромная надбавка на место. v0 Team (2 250 ₽/место/мес) на трёх инженеров: ~81 000 ₽/год. Midjourney + Recraft на арт-директора: ~18 000 ₽/год. Claude Pro или GPT Plus по команде: ~180 000 ₽/год на 10 мест. Итого: примерно 375–525 тыс. ₽/год за стек инструментов.

На фоне консервативного 30%-ого сокращения дизайн-часов в команде с полной нагрузкой около 60 млн ₽/год окупаемость измеряется неделями. Главный бюджетный пункт — не лицензии на инструменты, а работа над дизайн-системой, которая раскрывает ROI 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 в ручном аудите (цель: 100% для регулируемых продуктов). Циклов правок от стейкхолдеров на экран (цель: минус 30%).

Бизнес-KPI. Дизайн-часов на выпущенную фичу (трекать поквартально, цель: минус 25–40% за два квартала). Время от концепта до утверждённого направления (цель: минус 50% для новых продуктов). Дизайн-доработки после передачи в разработку (цель: минус 30%, потому что меньше конфликтов состояний просачивается в код).

KPI надёжности. Доля AI-результата, попадающего в продукт без человеческих правок (цель: <10% — если выше, ваши ревьюеры штампуют «ОК»). Дефекты UX в продакшене, прослеженные до AI-сгенерированных компонентов (цель: ноль регрессий, отнесённых к AI, за квартал). Время на чистку AI-результата, не попавшего в бренд (трекать явно; если превышает 15% от сэкономленного — инструмент не окупается).

Когда AI в дизайн-спринте НЕ нужен

Откажитесь от AI-помощи, когда спринт крутится вокруг одного стратегического дизайн-решения, определяющего позиционирование продукта. AI генерирует правдоподобные вариации — ровно неподходящий вход, когда один ясный выбор важнее охвата.

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

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

Откажитесь на первых-в-своём-роде продуктах, где в обучающих данных нет предшествующего паттерна. AI услужливо сгенерирует ближайшего родственника чего-то знакомого, а это противоположно прорывному дизайну.

И наконец, откажитесь, если ваша команда недостаточно опытна, чтобы ловить тонкие ошибки. AI усиливает того, кто его ревьюит. Дайте его джуниор-команде — получите красивые ошибки на удвоенной скорости.

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 раскроет ROI больше, чем любая покупка инструмента.

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

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

3. Письменная спецификация голоса. Хотя бы одна страница с тоном, запрещёнными словами и примерами «в голос / не в голос».

4. Названный владелец дизайн-системы. Один человек с правом сказать «нет» новому варианту. Не Slack-канал.

5. Конвенция передачи в разработку. Как дизайны переходят инженерам (Figma MCP, Storybook, аннотированные фреймы). Непоследовательная передача — то место, где AI-сгенерированные дизайны умирают.

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

С Q1 2025 по Q1 2026 мы перевели наш дизайн-процесс из «AI иногда помогает» в «AI встроен на семи из девяти этапов пайплайна». На шести сопоставимых проектах среднее время от первой версии до стабильной на сложных экранах упало с примерно 18 часов до 7 — сокращение на 61%. Раундов правок от стейкхолдеров на проект — с 4,3 до 2,1.

Что не изменилось: общий уровень дефектов в QA, доля прохождения по доступности и NPS клиентов. Дисциплина человеческого ревью устояла. В этом и есть смысл: AI сжал работу, но не ухудшил результат. Командам, которые соединяют AI с нашими услугами по AI-интеграции или нашей сквозной разработкой программного обеспечения на заказ, стоит ждать именно таких цифр — с теми же оговорками про зрелость дизайн-системы, на которой мы настаиваем по всей статье.

FAQ

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

Нет. AI заменяет повторяющиеся шаги внутри рабочего дня дизайнера — первые черновики, варианты микрокопирайта, расширение мудбордов, перебор крайних случаев. Решения, от которых зависит ощущение продукта «хороший / сломанный», по-прежнему за сеньор-человеком. Команды, попытавшиеся в 2025 «уйти без дизайнеров», в течение двух кварталов сообщают о росте дефектов и дрейфе 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 схлопывается обычно до 10–15%.

С какого AI-инструмента для дизайна начать?

Если ваша команда живёт в Figma — начинайте с Figma AI / Make, потому что результат остаётся нативным. Если цикл ведут инженеры — v0 by Vercel сразу даёт код в форме продакшена. Если вам нужно прежде всего ускорить исследования — Midjourney или Recraft под визуал плюс Claude или GPT-5 под текст закроют 80% выигрыша по низкой цене.

Какой самый дешёвый ответственный AI-стек для дизайна?

Для маленькой студии: Figma Starter, одно место Claude Pro для лида, одно место Midjourney для арт-директора и общий аккаунт v0 на бесплатном тарифе. Бюджет 3 750–6 000 ₽/мес и ощутимая экономия на микрокопирайте и исследованиях с первой недели. Расширяйтесь, когда команда переваливает за пять активных проектов.

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 госпродуктов закладывайте ручной проход по доступности на этапе 8 пайплайна — он не опционален, и апрельский 2026 года дедлайн для госсектора США только сжал сроки.

Может ли AI писать UX-копирайт в голос нашего бренда?

Только если вы скормите ему письменную спецификацию голоса (пять-десять примеров «в голос / не в голос», правила тона, запрещённые слова). Без этой спецификации ждите уступчивого, профессионального, обобщённого результата, который команда прочтёт как «это не мы». Спецификация — это однодневная инвестиция с постоянным эффектом.

Нужна ли дизайн-система до того, как внедрять AI-инструменты?

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

Как не дать AI увести бренд в сторону?

Дисциплина из трёх частей. Первое: каждый промпт включает текущую спецификацию голоса бренда и ссылку на файл токенов. Второе: каждый AI-результат проходит человеческое ревью по короткому чек-листу (тон, токены, крайние случаи, доступность). Третье: за документацией дизайн-системы стоит человек, у которого это вписано в обязанности. Пропустите любое из трёх — и за квартал бренд поплывёт.

Что читать дальше

Готовы сжать следующий дизайн-цикл — и не отгрузить AI-халтуру?

В сложных цифровых продуктах AI — не тренд и не замена, а операционный множитель, который лучше всего работает в руках дисциплинированной команды с задокументированной дизайн-системой. На наших проектах он сократил время UX-анализа более чем вдвое, сжал поиск визуального направления с недель до дней и сделал циклы правок от стейкхолдеров безболезненными. Ничего из этого не сдвинуло наш уровень дефектов, доступность и планку качества для клиента.

Команды, которые выиграют больше всех в ближайшие двенадцать месяцев — не те, кто больше потратит на инструменты. Это те, кто починит фундамент дизайн-системы, назовёт ревьюеров и будет относиться к AI ровно как к любому другому джуниор-сотруднику: быстрому, рвущемуся в работу и нуждающемуся в надзоре.