Jeszcze niedawno stworzenie prototypu nowego interfejsu było czasochłonnym procesem wymagającym pracy projektantów, warsztatów, iteracji i wielu godzin składania makiet.
Dzisiaj wygenerowanie atrakcyjnego UI (User Interface - interfejsu użytkownika) przestaje być problemem technologicznym. Narzędzia oparte o AI potrafią tworzyć ekrany w kilka minut. I właśnie tutaj zaczyna się największe nieporozumienie wokół AI w projektowaniu produktów.
Bo największym wyzwaniem w systemach enterprise nigdy nie było samo tworzenie ekranów. Największym wyzwaniem zawsze była spójność.
Wygenerowanie ekranu jest łatwe. Utrzymanie produktu - już nie
Większość nowoczesnych narzędzi AI bardzo dobrze radzi sobie z generowaniem pojedynczych widoków. Problem pojawia się dopiero wtedy, gdy próbujemy osadzić je w rzeczywistym produkcie.
Szczególnie takim, który rozwijany jest od wielu lat, posiada wiele modułów, obsługiwany jest przez różne zespoły i zawiera dziesiątki wyjątków, procesów oraz historycznych decyzji.
W tym momencie szybko okazuje się, że wygenerowanie estetycznego UI to zaledwie początek problemu. Prawdziwe wyzwania zaczynają się wtedy, gdy trzeba odpowiedzieć na pytania:
- czy nowy ekran jest zgodny z istniejącym produktem
- czy wykorzystuje właściwe komponenty
- czy zachowuje logikę procesów
- czy wpisuje się w istniejący design system
- i czy za miesiąc kolejna iteracja nadal będzie wyglądała spójnie
To właśnie tutaj większość organizacji zaczyna dostrzegać ograniczenia prostego „generowania ekranów”.
Chaos w produktach nie bierze się z braku narzędzi
W dużych organizacjach niespójność rzadko pojawia się nagle. Najczęściej narasta stopniowo. Jeden zespół dodaje nowy wariant komponentu, a drugi upraszcza proces po swojemu. Trzeci tworzy „tymczasowe” rozwiązanie, a kolejne iteracje produktu utrwalają wyjątki.
Po kilku latach organizacja często posiada wiele wariantów tych samych elementów, niespójne wzorce interakcji, różne sposoby prezentacji danych i procesy, które zachowują się inaczej w zależności od miejsca systemu.
To szczególnie widoczne w produktach enterprise i systemach legacy (rozwijanych przez wiele lat). Problem polega na tym, że AI bardzo łatwo zaczyna taki chaos powielać.
Jeśli organizacja nie posiada jasno zdefiniowanych reguł, model zaczyna:
- tworzyć kolejne warianty komponentów
- zmieniać zachowania ekranów
- interpretować wzorce na własny sposób
- i utrwalać istniejące niespójności
W efekcie produkt zaczyna „rozjeżdżać się” jeszcze szybciej.
Dlaczego spójność staje się dziś kluczowa?
W klasycznym procesie projektowym brak spójności często był rozłożony w czasie. Dzisiaj AI potrafi generować kolejne ekrany tak szybko, że organizacja może multiplikować problemy równie szybko, jak wcześniej tworzyła rozwiązania. Dlatego coraz większego znaczenia nabiera definiowanie reguł, kontrola kontekstu i świadome zarządzanie design systemem.
To właśnie te elementy zaczynają decydować o jakości produktu. Nie sam model. Nie samo narzędzie. Nie liczba promptów. Tylko jakość zasad, na podstawie których AI pracuje.
AI zaczyna wymuszać porządek
To jedna z najbardziej interesujących zmian, jakie pojawiają się dziś w projektowaniu produktów. Jeszcze niedawno design system był dla wielu organizacji przede wszystkim dokumentacją. Dzisiaj zaczyna stawać się operacyjnym zestawem reguł wykorzystywanych przez AI do budowania kolejnych ekranów. To oznacza konieczność dużo większej precyzji w definiowaniu komponentów, zasad użycia, wariantów, hierarchii, dostępności i logiki interfejsu.
AI bardzo szybko ujawnia miejsca, w których produkt nie jest konsekwentny. Pokazuje niejasne reguły, brakujące komponenty, wyjątki oraz miejsca, w których organizacja sama nie wie już, jaki standard obowiązuje. W praktyce oznacza to, że wdrażanie AI do projektowania produktów często staje się równocześnie audytem jakości samego produktu.
Największą wartością staje się wiedza o produkcie
Wokół AI bardzo często mówi się o szybkości. Tymczasem w środowisku enterprise równie ważna staje się możliwość utrwalania wiedzy o produkcie: reguł biznesowych, wzorców interfejsu, decyzji projektowych i zależności między ekranami.
To właśnie dlatego coraz większe znaczenie mają repozytoria wiedzy, opisane komponenty i jasno określone zasady działania systemu.
Organizacje zaczynają rozumieć, że AI nie powinno działać jak „black box”, który generuje przypadkowe rozwiązania. Największą wartość daje wtedy, gdy rozumie kontekst pracuje w określonych regułach i rozwija produkt w sposób przewidywalny.
W przyszłości przewagę zyskają nie firmy z najlepszym AI
Przewagę zyskają organizacje, które najlepiej rozumieją własny produkt, posiadają uporządkowane reguły i potrafią konsekwentnie zarządzać spójnością.
Bo w świecie generatywnego projektowania wygenerowanie nowego ekranu staje się coraz prostsze. Trudne pozostaje coś innego utrzymanie konsekwencji produktu rozwijanego przez lata, zespoły i kolejne iteracje technologiczne.
Nasze doświadczenia
Co testowaliśmy
- produkty enterprise, w tym rozwiązania bankowe
- istniejące systemy legacy
- nowe produkty budowane od podstaw
- aplikacje webowe i mobilne
- środowiska prototypowe wykorzystywane w badaniach użyteczności oraz prezentacjach dla klientów
Jak testowaliśmy
- generowanie pojedynczych ekranów
- rozbudowa istniejących produktów
- tworzenie spójnych środowisk prototypowych
- iteracyjne rozwijanie produktu „ekran po ekranie”
- współpraca AI z istniejącymi komponentami i strukturami UI
W praktyce oznaczało to
- budowanie klikalnych prototypów przypominających gotowe aplikacje
- prowadzenie badań użyteczności na wygenerowanych interfejsach
- prezentowanie prototypów klientom jako kierunku rozwoju produktu
- sprawdzanie, jak AI zachowuje się przy wielosesyjnej pracy nad jednym systemem
- obserwowanie wpływu kolejnych iteracji na spójność produktu
Co analizowaliśmy
- możliwość utrzymania spójności interfejsu w czasie
- pracę AI w oparciu o istniejące design systemy
- zachowanie modeli przy rozbudowanych produktach i wielu ekranach
- wpływ AI na tempo iteracji produktowych
- jakość komunikacji z klientem przy użyciu interaktywnych prototypów
- potencjał wykorzystania wygenerowanych komponentów w dalszym developmencie
- koszty i efektywność pracy na różnych modelach językowych
Weryfikowano zarówno ogólnodostępne narzędzia AI do projektowania interfejsów, jak i własne podejście oparte o lokalne repozytoria, design systemy oraz kontrolę kontekstu projektowego.
Najważniejsze obserwacje
- AI radykalnie skraca czas potrzebny do walidacji pomysłów
- W systemach enterprise największym problemem nie jest dziś generowanie UI, ale utrzymanie spójności produktu
- Im większy produkt, tym większego znaczenia nabierają reguły, kontekst i kontrola nad wiedzą projektową
- Największą wartością AI nie jest samo tworzenie ekranów, lecz przyspieszenie procesu dochodzenia do właściwych decyzji produktowych
Nasz pomysł: Mockup.AI
Mockup.AI powstał nie z potrzeby stworzenia kolejnego narzędzia AI, ale z bardzo praktycznego problemu: „potrzebujemy prototypu na jutro”.
Podczas testów popularnych rozwiązań do generowania interfejsów zespół zauważył, że choć świetnie radzą sobie one z tworzeniem pojedynczych ekranów, to w przypadku dużych produktów enterprise szybko pojawiają się problemy ze spójnością, kontrolą kontekstu i powtarzalnością efektów.
To doprowadziło do kluczowego wniosku: w produktach enterprise największym wyzwaniem nie jest generowanie UI, ale utrzymanie spójności produktu w czasie.
Mockup.AI powstał jako odpowiedź na ten problem. Zamiast skupiać się wyłącznie na generowaniu ekranów, wykorzystuje reguły, komponenty, wzorce i wiedzę o produkcie, aby AI mogło rozwijać interfejs w sposób przewidywalny i zgodny z istniejącym ekosystemem.
Dziś jest wykorzystywany do prototypowania, badań użyteczności, warsztatów z klientami oraz szybkiej weryfikacji nowych kierunków rozwoju produktów.
Autor:
