Nielsen Norman Group: UX-контекст-дизайн — как знания о пользователях направляют ИИ-генерацию

UX-контекст-дизайн: схема преобразования исследовательских артефактов в машиночитаемый контекст для ИИ

Краткое содержание: По мере того как всё больше интерфейсной работы выполняется с помощью ИИ, результаты UX-исследований и дизайна смещаются от документов, написанных для людей, к структурированному контексту, который направляет работу ИИ.

Контекст — новый артефакт UX-работы

Языковые модели генерируют результат на основе контекста. Контекст — это всё, что модель видит в момент работы: запрос пользователя плюс инструкции, стандарты, примеры и справочная информация, которые к нему прилагаются.

Контекст позволяет избежать усреднённого результата. Например, ИИ обучен на огромном количестве экранов поиска, поэтому при запросе создаёт средний экран поиска. Он знает, как выглядит программное обеспечение в целом, но не знает ваших пользователей, вашей предметной области, ваших стандартов дизайна и ничего из того, что ваша команда узнала в ходе исследований. Если эти знания не заложены в контекст, модель проектирует без них.

Представьте опытного строителя, который проектирует дом, ни разу не встретившись с вашей семьёй. Он строит средний дом: двухэтажный, потому что большинство домов двухэтажные. Но если кто-то из членов семьи передвигается на коляске, или у вас грудной ребёнок, которому нужно спать рядом с родителями, или у вас нет детей и вы оба работаете из дома — дом окажется неудобным в повседневной жизни. Это не вина строителя: проблема в том, что у него не было контекста.

Аналогично: разница между обобщённым результатом ИИ и результатом, который подходит именно вашим пользователям и соответствует стандартам вашей организации, — это в первую очередь разница в контексте.

Дизайн производит каждый

Во многих организациях дизайнеры уже не единственные, кто создаёт дизайн. Продакт-менеджер просит ИИ-инструмент сделать быстрый макет, чтобы конкретизировать идею перед встречей. Разработчик просит ассистента кода добавить функцию экспорта — и ассистент сам принимает решение о расположении кнопки, формулировке и состояниях ошибок. Все это — дизайн-решения, которые принимает ИИ.

Ограничивать доступ к дизайн-работе контрпродуктивно: эти инструменты слишком доступны, слишком быстры и слишком полезны. Практичная цель — сделать так, чтобы всё, что генерирует ИИ, независимо от того, кто его задействует, основывалось на знаниях организации о её пользователях и стандартах.

Эта цель меняет результаты UX-работы. Исторически UX-работа производила артефакты для людей: персоны, карты путей, исследовательские отчёты, аннотированные вайрфреймы. Человек читал их, интерпретировал и принимал решения. Если ИИ всё больше занимается созданием продуктов, то именно ИИ становится потребителем результатов UX-исследований и дизайна.

А что потребляет ИИ? Контекст.

Таким образом, результат UX-работы — это прежде всего контекст, который любой сотрудник организации может включить при работе с ИИ для создания чего угодно: от слайдов до прототипов и рабочего программного обеспечения. Создание этого контекста NNG называют UX-контекст-дизайном.

UX-контекст-дизайн — это практика обнаружения и систематизации того, что организация знает и хочет, в виде контекста, который направляет всё, что генерируют её ИИ-инструменты: от того, кто такие её пользователи и в каком мире они живут, до того, как продукт должен выглядеть и работать. Практика также включает тестирование эффективности этого контекста на моделях, которые использует команда, и его уточнение для повышения качества результата.

Артефакты, готовые к использованию ИИ

Первая попытка создать UX-контекст может опираться на то, что уже есть: персоны, карты путей, отчёты об исследованиях. Часть из них будет полезна. Но эти артефакты созданы для человеческого восприятия. У персоны есть стоковое фото и имя — чтобы помочь человеку проникнуться и запомнить. Модели не нужно убеждение, ей нужны лежащие в основе рассуждения.

Это содержание можно извлечь с помощью ИИ — например, передать сырые транскрипты исследовательских интервью модели и позволить ей выделить инсайты. Однако без человеческого руководства важные выводы могут потеряться среди шума, а ИИ может сосредоточиться не на том.

Чтобы служить максимально эффективным контекстом, результаты UX-работы должны быть «готовы к ИИ» (машиночитаемы), составлены квалифицированным специалистом и доступны каждому, кто занимается созданием продукта, независимо от роли.

DESIGN.md

В апреле 2026 года Google Labs опубликовала в открытом доступе DESIGN.md — формат файла для описания визуальной идентификации продукта, предназначенный для ИИ-инструментов разработки. Формат вырос из Stitch, ИИ-инструмента Google для дизайна, и теперь является черновой спецификацией, доступной всем.

Файл DESIGN.md хранится рядом с кодом продукта и содержит два типа данных. Первая часть — машиночитаемые точные значения: цвета, размеры шрифтов, отступы и скругления углов дизайн-системы. Вторая часть — понятный человеку текст, объясняющий, для чего нужны эти значения и как их применять, включая рекомендации «что делать» и «чего не делать». По словам Google, вместо угадывания намерений ИИ-инструменты смогут «точно знать, для чего используется тот или иной цвет», и проверять цветовые решения на соответствие стандартам доступности.

Это хороший пример удачного формата UX-контекста: текстовый файл, хранящийся рядом с кодом, который ИИ-инструменты читают каждый раз, когда что-то генерируют. В отличие от традиционных артефактов, здесь нет передачи — UX-контекст напрямую подаётся в процесс создания продукта.

Однако визуальная идентификация — лишь одна часть пользовательского опыта. Что делать со всем остальным, что определяет создание продукта?

Гипотеза: UX.md

NNG предлагают представить другой текстовый файл с более широким охватом, чем DESIGN.md, — UX.md. Он ссылался бы на DESIGN.md для визуальных стандартов и указывал бы, где находятся компоненты продукта в коде, а также включал:

Синтез исследований. Основные выводы, сформулированные как чёткие инсайты, на основе которых ИИ может рассуждать. «Пользователи бросают настройку, когда их просят ввести информацию, которой у них нет под рукой» — это вывод, который становится ограничением на то, что будет сгенерировано, а не просто инсайтом в отчёте.
Стандарты взаимодействия. Как ведёт себя продукт: когда показывать подтверждение, а когда предоставлять возможность отмены, как формулируются сообщения об ошибках, на каких пользователей ориентирован интерфейс.
Глоссарий. Слова, которые использует продукт и его эксперты, с определениями. Если пользователи говорят «дело», а слово «тикет» их путает, ИИ должен это знать.
Модели пользователей. То, что исследования установили о самих пользователях: их опыт, беспокойства, цели и то, что им не подходит.
Модели мира. Условия, в которых пользователь находится при работе с программой: его прерывают посреди задачи (медсестра в больничном корпусе), он работает в состоянии стресса (оформление заявления после ДТП) или в условиях соответствия нормативам, где каждое действие должно оставлять след аудита.

Поскольку контекст управляет генерацией ИИ, у этого подхода есть интересный побочный эффект: инсайты из исследований и стандарты дизайна проникают в неожиданные места. Например, термины пользователей из глоссария могут оказаться в коде «под капотом» — не те термины, которые выбрали бы разработчики. Результаты UX-работы встраиваются везде, где используется ИИ.

Курирование, а не передача

Из опыта DESIGN.md NNG выделяют два свойства, которые отличают UX.md от традиционных UX-артефактов.

Во-первых, он написан не для людей. Люди могут его читать, но его успех измеряется тем, улучшается ли качество генерации ИИ, а не тем, убеждены ли стейкхолдеры. Это может стать измеримым стандартом — метрикой, которую можно отслеживать со временем.

Во-вторых, он не существует отдельно от продукта. Он хранится рядом с кодом, изменяется вместе с продуктом и читается каждым ИИ-инструментом в организации при каждом акте генерации. Исследования и стандарты присутствуют при любом генерируемом решении — будь то работа дизайнера, продакт-менеджера или разработчика.

Это не артефакт, который устаревает или передаётся другим людям, — это постоянно курируемый источник истины. UX.md никогда не бывает завершён: новые исследования обновляют его, как и наблюдение за тем, что ИИ делает неправильно. Это непрерывное исследование и непрерывный дизайн, накапливающиеся в одном месте для всей организации.

Открытые вопросы

Эксперименты NNG показывают, что структурированный UX-контекст улучшает интерфейсы, генерируемые ИИ, и многие команды уже практикуют UX-контекст-дизайн в той или иной форме. Тем не менее остаются важные вопросы:

Какие традиционные артефакты наиболее эффективно улучшают результаты ИИ?
Когда полезны сырые исследовательские данные и в каком объёме?
Какие конкретные метрики позволяют измерить эффективность UX-контекста?
Как ответы меняются по мере развития моделей? Решение о курировании, принятое для сегодняшних моделей, может оказаться неверным для моделей следующего года.
Существует ли понятие «слишком много контекста»?
Как масштабировать и поддерживать контекст со временем?

Ждать ответов на все вопросы необязательно. NNG предлагают начать прямо сейчас: взять несколько инсайтов из исследований, записать их в текстовый файл markdown в месте, где ИИ-инструменты смогут их увидеть, и сделать дизайн-систему машиночитаемой. UX-контекст-дизайн может стать будущим UX-работы — а значит, влияние качественных исследований и профессионального дизайна станет шире, чем когда-либо, определяя работу ИИ во всей организации.