Architecture Next 2026: Dizajneri u procesu — Stanje AI u UX/UI

Ovo 30-minutno predavanje Gila Ayalona, tehničkog direktora MonkeyTech-a (CodeValue Group), snimljeno je na Architecture Next 2026 Builders Track-u u junu 2026. Daje uravnoteženu sliku o tome kako se AI zaista koristi u UX i UI dizajn procesu — ne spekulativnu verziju, već operativnu s kojom se praktičari suočavaju upravo sada.

Za koga je

Produktni dizajneri, lideri dizajna i programeri koji blisko sarađuju s dizajnom. Predavanje podrazumeva poznavanje standardnih dizajn procesa i fokusira se na ono što se menja u praksi, a ne na ono što bi moglo da se promeni u teoriji. Naročito je korisno u trenutku kada su AI alati dostupni, ali timovi još uvek razumaravaju gde zaista pomažu, a gde samo dodaju šum.

Šta pokriva

Ayalon strukturiše predavanje oko faza dizajn procesa — istraživanje, generisanje ideja, žičani okviri, vizuelni dizajn, prototipovi i predaja razvoju — i ispituje šta AI alati rade u svakoj od njih. Pravi razliku između faza u kojima je AI dovoljno zreo da ubrza pravi posao i faza u kojima rezultati još uvek zahtevaju značajnu korekciju od strane čoveka pre nego što postanu korisni.

Centralna nit je pitanje gde se sud dizajnera potiskuje, a gde se preusmerava. Ayalon tvrdi da AI alati ne smanjuju količinu potrebnog rasuđivanja — oni je pomeraju. Odluke koje su se ranije donosile kasno u procesu (odabir između dve varijante, doterivanjeteksta u kontekstu) sada treba donositi ranije: pri formulisanju prompta, pri određivanju ograničenja dizajn sistema i pri odabiru referentnih materijala.

Deo o predaji razvoju posebno je praktičan. Ayalon analizira šta AI-asistovana generacija koda proizvodi na granici Figma-to-code i šta programeri u stvarnosti dobijaju. Direktno govori o jazu: generisani kod često funkcioniše, ali ne odražava uvek dizajn sistem ili zahteve pristupačnosti bez eksplicitnih instrukcija — a otkrivanje tih neslaganja pre predaje, a ne posle, sada je odgovornost dizajnera, a ne inženjera.

Ključni zaključci

1. AI značajno ubrzava rano istraživanje varijanti — generiše deset smerova rasporeda za vreme koje je ranije trebalo za tri skice. Vrednost leži u brzini divergentnog razmišljanja, a ne u kvalitetu bilo kojeg pojedinačnog rezultata.

2. Korak sinteze istraživačkih podataka najdoslednije profitira od AI-a u zrelim timovima. Sumarizacija transkripta korisničkih intervjua, klasterovanje tema i izvlačenje reprezentativnih citata iz velikih skupova podataka — sve su to zadaci u kojima su trenutni alati dovoljno pouzdani da uštede sate po sprintu.

3. Generisanje vizuelnog dizajna i dalje je neravnomerno. Rezultati se znatno poboljšavaju kada model ima pristup stvarnom dizajn sistemu umesto da generiše stilove od nule. Ograničenje je prednost.

4. Vernost prototipova iz text-to-UI alata poboljšala se do te mere da neki timovi 2026. godine koriste AI-generisane prototipove za rano testiranje upotrebljivosti, ali je konsenzus da dizajner i dalje mora pregledati logiku interakcije pre nego što ih pokaže učesnicima.

5. Kvalitet predaje razvoju zavisi od toga koliko su eksplicitno unapred specificirani pristupačnost, imenovanje komponenti i korišćenje tokena. AI ne izvodi ove stvari dobro samo iz vizuelnog dizajna.

Vredi gledati ako

Pokušavate da odlučite u koje faze svog dizajn procesa da investirate u alate, ili vodite tim koji je neravnomerno prihvatio AI alate i želi strukturiran način da proceni gde se zaista nalazi trenje. Predavanje je manje korisno ako tražite poređenje alata — Ayalon namerno izbegava imenovanje konkretnih proizvoda kako bi analiza ostala aktuelna.