Синтезированные UX-выводы улучшили макеты, созданные ИИ
В двух тестах макеты ИИ, созданные на основе UX-выводов и рекомендаций, соответствовали большему числу заданных критериев, чем варианты по необработанным комментариям. Средняя разница составила 8,4 процентного пункта.
20 ноября 2026 года Nielsen Norman Group опубликовала материал о сравнении интерфейсов, созданных ИИ по двум видам исследовательского контекста. В двух задачах варианты на основе выводов и рекомендаций соответствовали большему числу заранее заданных критериев, чем варианты на основе необработанных комментариев пользователей. Средняя разница составила 8,4 процентного пункта.
Как сравнивали комментарии и рекомендации
Модели поручили две задачи: создать одностраничную форму для перебронирования отменённого рейса и многошаговое оформление заказа в интернет-магазине. Формулировка задания и сведения о дизайн-системе внутри каждой задачи оставались одинаковыми. Менялся исследовательский контекст, который получала модель.
В одном случае ей передавали около 100 коротких пользовательских комментариев по каждой задаче. В другом — выводы и рекомендации, подготовленные на основе тех же комментариев. Исследователь использовал ИИ-инструмент для анализа, но сам решал, какие выводы и рекомендации включить. Во втором варианте между отзывами и генерацией интерфейса появлялся этап человеческой интерпретации.
Для каждой задачи и каждого вида контекста получили по восемь вариантов дизайна. Их вслепую проверяли человек и языковая модель по заранее заданному списку критериев. Итоговый балл показывал долю выполненных условий; в опубликованном результате использованы оценки человека. После калибровки проверяющие совпали примерно в 96% решений по обеим задачам.
Какие решения изменились в макетах
Преимущество выводов и рекомендаций обнаружилось в обеих задачах и было статистически значимым: p < 0,001. Для формы перебронирования разница составила 11,4 процентного пункта, для оформления покупки — 5,5. Речь о соответствии конкретному списку критериев, а не об универсальной оценке качества интерфейсов.
В комментариях об отменённом рейсе несколько пользователей упоминали мили программы лояльности. Ни один вариант, созданный непосредственно по комментариям, не сообщал, повлияет ли отмена на мили пассажира. Все варианты, созданные по выводам и рекомендациям, содержали такую информацию.
При оформлении покупки пользователи жаловались, что товары пропадают из корзины. Среди дизайнов на основе исходных комментариев меньше половины сохраняли список товаров и итоговую сумму на каждом шаге. Среди дизайнов на основе выводов и рекомендаций — почти все. Разрыв здесь был меньше, возможно, потому, что само задание уже указывало на часть потребностей покупателя: применить скидочный код и получить подарок в течение двух дней.
У сравнения есть границы. Наборы данных были небольшими — около 100 коротких комментариев на задачу — и, вероятно, чище обычного потока отзывов. Кроме того, форма и оформление заказа относятся к распространённым интерфейсным сценариям. Авторы предполагают, что на менее знакомых задачах с более объёмными и разрозненными данными польза предварительного анализа может оказаться выше, но это ещё предстоит проверить. Пока также неизвестно, какую часть улучшения обеспечили выводы, а какую — рекомендации.
Что это значит для работы над сайтом
Если команда использует ИИ для подготовки макетов, передача всей подборки отзывов не заменяет решения о том, какие проблемы важны и как на них отвечать. Комментарий может точно описывать затруднение пользователя, но не указывать подходящее изменение интерфейса. Разные комментарии могут противоречить друг другу или не относиться к рассматриваемому сценарию.
Практический шаг — отделить наблюдения от выводов, а затем сформулировать рекомендации для генерации и проверки макета. При этом нужно учитывать не только слова пользователей, но и цели продукта, потребности бизнеса и технические ограничения. В описанном сравнении окончательный выбор выводов и рекомендаций делал исследователь, хотя для анализа комментариев он применял ИИ-инструмент. Так модель получила ориентиры, которых ей не хватало при работе с отдельными репликами.
Это не повод отказываться от исходных данных или проверки готового решения. Результат показывает более узкую вещь: в двух исследованных задачах выводы и рекомендации оказались для генерации полезнее одних комментариев. Авторы ещё планируют выяснить, сохранится ли эффект для интервью, заметок о тестировании и опросов, других моделей и иных форматов передачи контекста. Вопрос проверки результатов ИИ в UX-работе поднимался и в материале об опросе UX-специалистов.
Моё мнение: выводы должны доходить до спецификации
Я бы не передавала модели отзывы без решения о приоритетах. В макете легко пропустить деталь вроде состава корзины на каждом шаге; при переходе к компонентам эта неопределённость становится ещё заметнее. Для меня результат сравнения — аргумент в пользу спецификации, где указано, какую проблему решает элемент и в каких состояниях он должен быть показан. Генерация не снимает с команды ответственности за эти решения.
Источники
Откуда новость. Текст — пересказ своими словами, факты — из источника, мнение — автора.
- Can AI Generate Good Designs from Raw User Data? www.nngroup.com
продуктовый дизайнер
Работаю с цифровыми продуктами и дизайн-системами в Лиссабоне. Отслеживаю, как решения в макете переживают переход к реальным компонентам.
Все публикации автораПохожие статьи
Опрос UX-специалистов: ИИ ускоряет работу, но его результаты приходится проверять
По опросу Nielsen Norman Group, ИИ помогает UX-специалистам быстрее выполнять многие задачи. Но результаты требуют проверки, а работу с пользователями нельзя ускорить одной автоматизацией.
ИИ-респонденты повторили вывод опроса об UX, но дали меньше разных ответов
ИИ-респонденты и люди назвали UX самым распространённым обозначением работы в этой сфере. Но люди предложили более 50 вариантов, а искусственные участники — около дюжины.
API OpenAI и Google нашли лишь часть страниц, которые цитировал ChatGPT
Google и OpenAI Responses API обнаружили лишь около четверти страниц, которые цитировал ChatGPT. Для оценки видимости в ответах ИИ важно различать совпадение сайтов и конкретных URL.
Обсуждение 5
Улана Орбеладзе
В работе над сайтом я сталкивалась с похожим: когда передавали команде длинный список пользовательских замечаний, в макете появлялись точечные правки, но не всегда решалась сама проблема. После того как мы свели комментарии в выводы и конкретные рекомендации для сценария, дизайнеру стало проще понять, что менять и зачем. Поэтому особенно важен последний шаг — превратить выводы в проверяемые требования к макету.
Самир У.
Ключевой переход здесь — от наблюдения к проверяемому требованию: например, не «пользователи теряются», а указать, на каком шаге сценария и какое изменение должно помочь. Потом это требование можно проверить по макету и отдельно прогнать на мобильном сценарии, чтобы проблема не обнаружилась уже перед релизом.
Даан В.
@samir.ustadov, к проверяемому требованию я бы ещё добавил признак успеха: например, в форме перебронирования человек должен суметь выбрать новый рейс и понять итог без подсказки. Тогда можно оценить не только наличие изменения в макете, но и помогает ли оно пройти сценарий.
Анна Фогель
Для таких задач я бы ещё фиксировала, какие критерии модель не может проверить по одному макету — например, доступность и поведение при ошибках: их стоит отдельно проверять прототипом и с разработчиками.
Леа Майер
@anna_vogel, ещё бы привязывала каждый вывод к конкретному критерию и компоненту дизайн-системы — а то 8,4 пункта улучшения легко потерять между макетом и версткой, вместе с парой пикселей 😏