ИИ в управлении дизайн-проектами: что помогает менеджеру, а что нет

В 2025 году исследовательская группа METR проверила, как ИИ влияет на работу шестнадцати опытных разработчиков. Им дали 246 реальных задач из их собственных проектов и случайным образом разрешали или запрещали ИИ-инструменты. Перед началом участники ждали ускорения на 24%. Измерение показало обратное: с ИИ задачи занимали на 19% дольше. После эксперимента те же люди говорили, что ИИ сэкономил им около 20% времени.

Для руководителя дизайна вывод простой: ощущение «стало быстрее» плохо измеряет результат. Если вы вводите ИИ в команде, на слово нельзя верить ни энтузиастам, ни скептикам, ни себе. Ниже — что известно из исследований, какие управленческие задачи ИИ берёт на себя уже сейчас, где он ошибается и как внедрять его так, чтобы эффект можно было проверить.

Данные о пользе ИИ противоречат друг другу, и это нормально: измеряют разные задачи. В лабораторном эксперименте Пэна и соавторов (2023) разработчики с GitHub Copilot написали HTTP-сервер на JavaScript на 55,8% быстрее контрольной группы. Задача типовая, результат чёткий. У METR задачи были другими: большие зрелые репозитории, которые участники знали годами. Сами исследователи оговаривают, что это срез возможностей начала 2025 года в одной ситуации, а не приговор ИИ. В феврале 2026 года METR опубликовал новые данные по инструментам конца 2025-го: оценки ускорения составили 18% у прежних участников и 4% у новых, но доверительные интервалы захватывают ноль, а сам институт называет эти данные очень слабым доказательством размера ускорения из-за отбора участников.

Среди дизайнеров картина похожая. В опросе Figma 2025 года (2500 участников) 78% согласились, что ИИ заметно повышает их эффективность, но удовлетворённость инструментами у дизайнеров ниже, чем у разработчиков: 69% против более чем 80%. Только 31% дизайнеров применяют ИИ для основной дизайнерской работы. Отчёт Figma 2026 показывает, что доля людей, по словам которых ИИ меняет способ совместной работы команды, выросла с 7% до 41% за два года.

Термин ввели Фабрицио Дель’Аква, Итан Моллик и соавторы в рабочей статье 2023 года. Они дали 758 консультантам BCG 18 задач с GPT-4. На задачах внутри границы консультанты с ИИ выполнили на 12,2% больше задач, на 25,1% быстрее, и качество выросло более чем на 40%. На задаче снаружи границы люди без ИИ отвечали верно в 84% случаев, а с ИИ — в 60–70%. Моллик пересказывает эти цифры в своём блоге. Для менеджера отсюда следует практика: проверять на небольших задачах, где именно в вашей работе проходит эта граница.

Отдельных исследований по задачам дизайн-менеджера пока мало, поэтому опираемся на общий принцип из данных выше: ИИ надёжнее там, где задача типовая, а ошибку вы заметите за минуту. По этому признаку к нему можно отправлять:

• Декомпозицию. Из брифа получить черновой список работ, зависимостей и вопросов к заказчику. Модель часто вспоминает то, что вы забыли, например состояния интерфейса или согласование с юристами.
• Сводки встреч и статусы. Из ваших заметок или расшифровки собрать структуру: решения, открытые вопросы, ответственные, сроки.
• Подготовку дизайн-ревью. Список вопросов и черновик критериев по брифу и принципам продукта. Вы редактируете, команда договаривается.
• Документацию дизайн-системы. Черновое описание компонента по его вариантам и состояниям. Описание сверяют с макетом и кодом.
• DesignOps-рутину. Шаблоны писем и повесток, вопросы для ретро, чек-листы передачи в разработку.

Синтез исследований кажется естественной задачей для ИИ, но здесь ошибки труднее всего заметить. Лора Кляйн из Nielsen Norman Group в интервью подкасту User Interviews хвалит ИИ за расшифровки и поиск в архиве старых исследований. А вот выводы и инсайты из сырых расшифровок, по её словам, нужно принимать с большой осторожностью: на выходе часто получается пересказ, а не инсайт, и он только похож на настоящий. Кляйн советует использовать ИИ как второй взгляд, а думать самим, и проверять результат тем, кто сам умеет делать такой синтез. Ещё один аргумент у неё: когда команда разбирает данные вместе, у людей возникает общее понимание, а список готовых выводов его не создаёт.

Оценка сроков — отдельный случай. ИИ действительно полезен, когда просит перечислить скрытую работу и риски. Но число, которое он называет, звучит уверенно и не опирается на историю вашей команды. Вспомните эксперимент METR: разработчики ждали ускорения на 24%, получили замедление на 19% и даже после этого считали, что выиграли около 20%. Оценку сроков лучше строить как диапазон из ваших прошлых проектов, а ИИ использовать для списка рисков и пропущенных задач.

Галлюцинации. Пейдж Лаубхаймер из NN/g в статье 2025 года объясняет: модель выдаёт статистически вероятный текст и не проверяет истинность, поэтому галлюцинации — следствие устройства, а не случайный баг. NN/g приводит данные Columbia Journalism Review: ChatGPT неверно приписал источник 76% из 200 цитат, а о сомнении сообщил лишь в 7 из 153 ошибочных ответов. В отчёте это выглядит как неверная дата решения или приписанная не тому человеку фраза.

Атрофия навыков. В опросе Microsoft Research и Carnegie Mellon (CHI 2025) 319 специалистов описали 936 случаев использования ИИ. Чем больше человек доверял ИИ, тем меньше критического мышления он применял, а уверенность в собственных силах вела к более тщательной проверке. В эксперименте Anthropic 2026 года 52 программиста, в основном начинающих, осваивали незнакомую библиотеку: группа с ИИ набрала в проверочном тесте 50%, группа без него — 67%, а значимого выигрыша во времени не получили. Те, кто спрашивал у ИИ объяснения, а не готовый код, запоминали лучше.

Рабочий шлак (workslop). Исследователи Stanford Social Media Lab и BetterUp Labs в Harvard Business Review (2025) так назвали сгенерированный контент, который выглядит хорошо, но не содержит сути. По опросу 1150 американских офисных работников, 40% получили такой материал за последний месяц, а разбираться с каждым случаем приходилось почти два часа. Страдает тот, кто получает: ему переделывать чужое. Для менеджера это значит, что бесконтрольный поток ИИ-статусов и ИИ-документов не разгружает команду, а перекладывает работу на читателей.

Конфиденциальность. В мае 2023 года, как сообщал Bloomberg, Samsung запретил сотрудникам генеративные ИИ-сервисы на рабочих устройствах и в сети после того, как инженер загрузил во внешний чат внутренний исходный код. Ваш аналог — записи интервью с пользователями, бриф с коммерческими условиями, неопубликованные макеты.

По опросу Designer Fund 2026 года (больше 900 дизайнеров из 60 с лишним стран и разборы работы команд Anthropic, Notion, Shopify, Stripe и других), еженедельно ИИ в работе используют 91% дизайнеров против 54% годом раньше. Главная трудность — ненадёжное качество результата, а 73% дизайнеров чувствуют растущие ожидания по объёму, качеству и скорости. Доля случаев, когда ИИ снижает совместную работу, выросла с 5% до 20%: люди чаще остаются один на один с запросами и терминалом. При этом лишь 28% руководителей сообщили о формальных изменениях в оценке, найме или компенсациях. Команды меняют практику быстрее, чем компании меняют правила.

В обзоре State of UX 2026 NN/g называет 2026-й годом усталости от ИИ и ждёт от специалистов широты и суждения, а не только готовых артефактов.

Рабочая схема примерно на шесть недель. Это наша рабочая схема, а не вывод из исследования, но каждый шаг отвечает на риск из предыдущих разделов.

1. Договоритесь о данных. Составьте короткий список: что можно, что нельзя отправлять и через какие аккаунты.
2. Выберите две-три задачи внутри границы. Например, декомпозиция и черновик статуса. Не начинайте с синтеза исследований и оценок.
3. Замерьте до пилота. Сколько часов уходит на задачу сейчас и сколько правок обычно просят читатели. Без этого вы сравните впечатление с впечатлением.
4. Назначьте ответственного за каждый документ. Автор отвечает за текст, как за свой. Фраза «так написал ИИ» не оправдание.
5. Проверяйте факты по источнику. Числа, имена, сроки сверяются с трекером и протоколом. В итоговом документе пометка, где использовался ИИ.
6. Оставьте задачи без ИИ там, где команда учится. Начинающим дизайнерам полезно сначала самим разобрать исследование, а потом сравнить с версией модели.
7. Через четыре недели сравните с замером. Обсудите на ретро, что сэкономило время, а что добавило проверок. Расширяйте то, что подтвердилось, и закрывайте остальное.