UX Collective: Как дизайнеры осваивают AI

Освоение традиционного дизайн-ПО имеет предсказуемую форму: новый пользователь учится правильно работать в Figma или Sketch, и со временем его практика сходится к техникам, которые используют и более опытные коллеги. Статья Эмбер Буабдалла в UX Collective утверждает, что AI-инструменты полностью ломают эту модель, а попытка преподавать AI-мастерство как обычное обучение работе с ПО даёт неверные результаты.

Её главный тезис: мастерство в AI по природе личное и расходящееся, а не универсальное и сходящееся. Когда кто-то вырабатывает сложную практику работы с AI-инструментом, она отражает его конкретный стиль мышления, предметные знания и рабочие предпочтения — а не передаваемую лучшую практику, которую должен воспроизводить другой дизайнер. Для команд это важно: выстраивание AI-компетенций внутри организации не может опираться на обычное обучение, потому что цель — не передать единственно верную технику, а дать людям разрешение и структуру для выработки собственной.

Буабдалла развила этот подход через шестимесячный цикл peer learning, разработанный совместно с Нингдан Чжан в Salesforce: ежемесячные сессии для 46 дизайнеров. Формат был намеренным: вместо экспертного преподавания коллеги демонстрировали свои личные воркфлоу с AI. Акцент делался на реальных, незавершённых практиках — это создавало разрешение экспериментировать, а не стандарт для сравнения. Участники видели, как выглядит AI-практика, когда она действительно личная — у каждого своя, сформированная его знаниями и привычками.

Один конкретный конфликт, который статья называет прямо, — риск потери исследовательских фаз дизайна, когда AI-инструменты подталкивают сразу переходить к высокоточному прототипированию. Скорость генерации может сжимать дивергентное мышление, от которого зависит качество дизайна, и Буабдалла относится к этому как к реальной проблеме, а не к ограничению, которое можно преодолеть лучшими промптами.

Статья наиболее полезна для дизайн-лидов, выстраивающих программы AI-обучения, специалистов UX Operations, определяющих структуру peer learning, и дизайнеров, пытающихся понять, почему их AI-практика отличается от практики коллег — и почему это расхождение может быть намеренным, а не признаком ошибки.