Wireva

Дизайнери мають самі запускати ШІ-моделі, щоб проєктувати для них

Автор статті стверджує, що штучний інтелект варто розглядати як звичайний матеріал дизайну, на кшталт HTML чи пігментів, і що проєктувальники повинні самі експериментувати з моделями, щоб створювати працюючі інтерфейси.

Матеріал підготовлено за допомогою ШІ під редакційною відповідальністю Haydamax OÜ.

Штучний інтелект дедалі частіше сприймають як окремий шар продукту, який або працює, або ні. Автор матеріалу, опублікованого в UX Collective, пропонує інший погляд: ШІ є таким самим матеріалом дизайну, як HTML, пігменти чи дерево, а отже, його треба опанувати руками, а не лише замовляти через бриф. Теза звучить як нагадування з минулого, і це свідомий хід: від початку ХХ століття дизайн завжди розвивався через роботу з матеріалом.

Автор нагадує про Баухаус. У 1919 році Вальтер Гропіус закликав архітекторів і митців повернутися до майстерень, де ремесло й матеріал стоять у центрі навчання. У вступному курсі Йозефа Альберса студенти гнули дріт і папір, щоб зрозуміти, як поводиться матеріал, перш ніж щось із нього проєктувати. Ідея проста: без практичного знайомства з матеріалом дизайнер малює те, чого матеріал не витримає.

Цю історію автор прикладає до вебу. У середині 1990-х дизайнери писали HTML вручну в текстових редакторах. Потім з'явилися візуальні редактори, як BBEdit, HoTMetaL, PageMill, FrontPage і Dreamweaver, які ховали розмітку за інтерфейсом. Зручність дала свої результати, але відокремила проєктувальника від того, як насправді працює веб. Поворотним моментом автор вважає адаптивний дизайн: книгу Ітана Марколта 2010 року про responsive design написано з опорою на таблиці стилів, які дизайнер міг змінити й побачити наслідок одразу. Тобто коли дизайнер розуміє матеріал, він отримує інструмент, а не лише картинку.

Звідси й ключова метафора Джеффа Шимеро про «зерно вебу». Сайти, побудовані всупереч йому, ламаються. Так само, на думку автора, ламаються й ШІ-продукти, спроєктовані без уявлення про поведінку моделі. Моделі дають різні відповіді на один і той самий запит, тоді як макет показує лише один зразок. Саме тут розходиться звичний процес дизайну й реальність роботи з генеративними системами.

Автор спирається і на академічні дослідження. У 2017 році дослідники писали, що машинне навчання як матеріал для дизайну складно освоїти, а інновацій з ним мало. Дисертація Цянь Яна 2020 року показала, що невизначеність і складність результатів заважають дизайну. Ще одна робота, Фенга та Макдональда 2023 року, описала, як 27 практиків тестували моделі вручну. Їхній висновок близький до тези статті: зрозуміти поведінку ШІ можна лише через прямий досвід, а не через презентацію.

Цифри з ринку теж працюють на цю думку. За звітом Figma за 2026 рік, частка дизайнерів, які займаються розробкою, зросла з 21% до 41%. Це означає, що межа між проєктуванням і кодом стирається, і спір про те, чи мають дизайнери писати код, стає практичним. Автор згадує позиції Купера (2017) і Сааріненa (2025), які по-різному оцінюють цю межу. Для нього питання вже не в тому, чи повинен дизайнер кодити, а в тому, чи може він проєктувати систему, поведінку якої не розуміє.

Конкретні практики, які пропонує автор, прості й вимагають часу. Перша: запускати той самий промпт п'ятдесят разів і вивчати найгірші відповіді, а не середній результат. Друга: зберігати провали як спільні тестові кейси для команди, щоб оцінювати нові версії моделі на тих самих складних ситуаціях. Третя стосується ризику: поведінка моделі може змінитися після оновлення провайдера, і дизайн, який працював учора, сьогодні зламається без жодних змін з боку команди. Тому, за логікою статті, тестування має бути постійним, а не разовим.

Головна теза автора: щоб проєктувати для моделі, дизайнер має сам її запускати. Для українських команд, які вбудовують ШІ в продукти, банки, сервіси чи маркетингові інструменти, це цілком практичний висновок. Він означає, що бриф на «чат-бота з інтелектом» без тестування на граничних випадках коштує дорожче, ніж здається, бо провали проявляться вже в продакшені. Варто закласти час на експерименти, документувати невдалі відповіді й перевіряти їх після кожного оновлення моделі, яку ви використовуєте.

Same event, other desks

Story file →