Робота з AI · для продуктового дизайнера

Як виконувати задачі з AI: підхід 3+1 для продуктового дизайнера

Лонгрід для досвідченого продуктового дизайнера, який уже вміє все у своєму ремеслі — і хоче навчитися керувати AI-агентом як інструментом, а не сподіватися на «магію».

~17 хв читання Метод 3+1
З чого починаються проблеми

Не закидайте все одразу й не кажіть «зроби»

Найпоширеніший спосіб працювати з AI — і найгірший — виглядає так: відкрити чат, скинути туди специфікацію, нотатки зі kick-off зустрічі, пів-Notion і дошку в Miro, а потім написати «зроби мені CJM» або «спроєктуй цей екран».

Щось ви отримаєте. Воно навіть виглядатиме охайно. Але візьміть це в реальну роботу — і виявиться, що сценарій неповний, цифри взяті зі стелі, а половина контексту, який ви тримаєте в голові, моделі просто не дісталася.

Проблема не в тому, що AI «тупий». AI має кілька особливостей, які не дозволяють йому стати повноцінною заміною людині-працівнику. Є такі, з якими ми нічого не можемо вдіяти, але є й те, на що ми можемо вплинути, щоб суттєво покращити результат роботи AI. Одна з тих речей, на які ми можемо вплинути, — це те, як саме ми ставимо AI задачі. Проблема в тому, що у прикладах, зазначених вище, йому дали задачу так, як не дали б її жодній живій людині. Цей матеріал — про те, як давати її правильно: розкласти підготовку на три окремі етапи й лише потім запускати саму роботу.

Правильний образ інструмента

AI — це найневтомніший junior-помічник, а не «найкращий у світі дизайнер»

Уявіть, що вам дали junior-помічника. Він молодий, енергійний, миттю береться до справи: «Давайте роботу, я готовий». Але він сьогодні перший день у компанії. Він не знає, не лише що це за фіча, на що вона впливає, які є обмеження й чого робити точно не треба, а й що це взагалі за продукт, для кого він.

Ви ж не кажете такому помічнику просто «зроби екран». Ви спершу пояснюєте: ось продукт, ось як він працює, ось для кого, ось для чого ми це робимо, ось чому ця частина важлива, ось обмеження. І тільки тоді даєте задачу.

З AI — та сама логіка. Він не має у голові вашого контексту: знання продукту, історії рішень, очікувань стейкхолдерів, відчуття користувача, потреб бізнесу. Навіть якщо ви напишете в промпті «ти product designer extra class», модель від цього не отримає жодного факту про ваш продукт. Роль міняє стиль відповіді, а не наповнює її знанням. LLM-модель знає лише те, на чому її навчали, а інформація про ваш продукт та фічу, яку ви задумали, навряд чи була в тих даних.

Тому AI корисний не тим, що «зробить дизайн замість вас». Він може бути корисний тим, що швидко й невтомно робить чорнову розумову роботу: читає великі специфікації, зіставляє інформацію в джерелах, шукає суперечності, перевіряє, чи нічого не пропущено, структурує хаос. Автор рішення — ви. AI готує інформацію для вас, щоб вам було простіше зробити ваше рішення.

Тримайте цей образ у голові до кінця: найневтомніший junior, а не магічний дизайнер. До нього ми повертатимемося на кожному етапі.

Як влаштований інструмент

Чому модель «дурнішає» й часом вигадує

Перш ніж розкладати процес, треба зрозуміти три головні речі про те, як влаштований інструмент (і два менші ефекти на додачу). Без складної математики — рівно стільки, щоб приймати правильні рішення.

LLM — це модель, яка достроює найбільш правдоподібне продовження тексту. Не «думає» в людському сенсі, не звіряється з істиною — добирає те, що статистично найкраще пасує далі. Як старий T9 на мобільних телефонах, але «на стероїдах». Звідси все інше.

Context window — обмежений обсяг інформації, який модель «тримає в голові» у межах однієї сесії. Уявіть робочий стіл обмеженого розміру. Усе, що ви на нього кладете — ваш контекст, файли, кожне попереднє повідомлення й кожна відповідь, — займає місце. Коли стіл захаращений, знайти потрібне стає важко. Так само й модель: що довша й брудніша сесія, то вищий ризик, що вона почне «забувати» ранні частини розмови або суперечити сама собі. Важливо: більшість чат-інтерфейсів не дають чіткого попередження, коли вікно починає заповнюватися. Різні інструменти — і навіть різні версії одного інструмента — поводяться по-різному: деякі показують індикатор заповнення, деякі ні. Правило одне для всіх: довгі сесії з купою чорнового матеріалу підвищують ризик деградації якості. Саме тому цей підхід розбиває роботу на окремі чисті сесії.

Hallucination — коли модель упевнено генерує правдоподібну, але неправильну інформацію: вигадує факт, посилання чи цифру, якої немає в наданих даних. Це не баг, а нормальний режим роботи інструмента, який «достроює правдоподібне». Класичний приклад: модель пише «18% користувачів не проходять сценарій через цю кнопку». Звідки 18%? Якщо запитати — модель або визнає, що це припущення, або, що небезпечніше, підкріпить цифру ще однією вигадкою, вже з псевдоджерелом. Правдоподібне ≠ правильне.

Два менші ефекти варто назвати тут одним рядком, бо далі вони знадобляться:

Головна метафора

Аналогія з борщем: кожна робота дає складник, що йде далі

Тепер головна метафора всього підходу.

Борщ не варять, кинувши все одразу в одну каструлю. Спершу — окремі підготовчі роботи: десь чистите й нарізаєте буряк, десь пасеруєте овочі, десь варите бульйон. Кожна робота дає свій проміжний результат — готовий складник, який потім іде в страву: тушковані овочі лягають у бульйон, а не варяться окремо у власній воді. Сміття — лушпиння, обрізки, брудну воду — далі не несете: передається тільки чистий складник. Головне, що це не робиться все одночасно: спочатку готуються складники, кожен зі своєю роботою, і їхні результати використовуються далі.

Підхід, який пропонується тут, використовує таку саму логіку. Робота розкладається на кілька підготовчих етапів, і на кожному ви виносите один чистий проміжний артефакт — а всю сиру кухню (чернетки, помилки моделі, ваші виправлення, зайві документи, проміжні уточнення) лишаєте позаду. З кожного етапу забирається лише цінне та перевірене, що буде використовуватися далі, на наступних етапах. На першому етапі формується context brief; на етапі 2 ви обробляєте та нормалізуєте дані й виносите лише корисну та перевірену інформацію, а на етапі 3 обговорюєте, що саме є задачею, і на виході маєте чітко сформульовану задачу. А скільки саме кожного складника передавати на наступний крок — про це окремий розділ нижче. Перед фінальним запуском у вас на руках три готові складники:

  1. Окреслений контекст.
  2. Нормалізовані та перевірені дані.
  3. Формалізовану постановку задачі.

І лише після цього ви зводите їх разом і запускаєте основну роботу — після того як в окремих сесіях було проведено підготовчу. Кожен з підготовчих етапів має задачею відділити важливе та цінне, позбувшись сміття та проміжного матеріалу, — забрати з кожного етапу лише те, що потрібно в процесі далі.

Карта методу

Огляд: чотири етапи (три підготовчі + запуск)

Звідси й назва — підхід 3+1:

ЕтапЩо робитеНа виході
1. Окреслення контекстуПояснюєте AI базовий контекст, як новачку в командіЧистовий context brief
2. Нормалізація данихОпрацьовуєте сирі матеріали: відсіюєте зайве, шукаєте протиріччя й білі плямиNormalized data pack
3. Формалізація задачіВиводите чітку постановку задачі — ще не виконуючи їїЧіткий промпт формалізованої задачі
4. Запуск метапромптаСкладаєте метапромпт із трьох частин і запускаєте як чітку задачу з окресленим контекстом та перевіреними данимиГотовий результат — ціль роботи
Етап 1

Контекст

Ввести AI в курс справи, як новачка.

→ context brief
Етап 2

Дані

Відсіяти зайве, знайти протиріччя.

→ data pack
Етап 3

Формалізація

Постановка задачі через IFR.

→ чіткий промпт
Етап 4

Запуск

Звести метапромпт і виконати.

→ результат

Перші три етапи — підготовчі. Четвертий — це вже запуск задачі на виконання. Тут одна по-справжньому важлива деталь, яку легко проґавити: формалізувати задачу (етап 3) і виконати її (етап 4) — це різні кроки. Спокуса злити їх в один — велика, але саме розділення дає якість. Спершу ви начисто формулюєте, що́ і в якому вигляді потрібно. Аж потім — окремо, у чистій сесії — модель це виконує.

Кожен етап необхідно робити в окремій сесії. Логіка проста: на кожному ви ведете діалог, уточнюєте, прибираєте зайве — і виносите чистовий артефакт, не тягнучи бруд далі.

Етап 1Окреслення контексту

Етап 1 — Окреслення контексту: поясніть AI, як новачку

Перший крок — пояснити AI контекст так, ніби ви вводите в курс справи новачка, який сьогодні вперше на роботі. Що це за продукт, що за фіча, хто користувачі, у якому домені все відбувається, які базові обмеження, що вже відомо, чого робити точно не треба.

Це ще не постановка задачі. Це підготовка ґрунту, щоб модель не сприймала майбутню роботу абстрактно й не генерувала щось, відірване від реального продукту.

Робиться це через діалог, а не монолог. Ключовий хід — свідомо попросити AI ставити уточнюючі питання: якщо щось незрозуміле, двозначне, нечітке або чогось бракує. Це найкорисніша частина етапу. Часто модель ставить питання, на яке ви самі не знаєте відповіді — і це добре: одразу видно прогалину, пропустивши яку ви потенційно зіткнулися б з нею вже під час дизайну, розробки або навіть після релізу.

Коли AI щось зрозумів неправильно, не залишайте це в розрахунку, що ви потім виправите це самостійно у кінцевому файлі. Поверніть помилку в діалог: «ось це правильно, а ось це ні, тому що…». Тоді модель не просто перепише результат, а збереже в сесії знання про помилку й краще врахує його далі.

Зручність роботи з AI у форматі діалогу полягає в тому, що вам не потрібно одразу ідеально формулювати весь контекст з усіма нюансами. Ви можете поступово додавати факти, уточнювати деталі, згадувати важливі аспекти вже в процесі розмови й не переписувати все вручну з нуля. AI швидко враховує ці доповнення, допомагає впорядкувати розрізнену інформацію і перетворити її на структурований документ.

Маленький, але важливий нюанс. Загальну мету згадати можна — одним реченням, щоб агент не пішов не в ту предметну область. Але повну постановку задачі не формулюйте тут: для неї є окремий третій етап. Не дайте етапу контексту проковтнути постановку.

Коли контекст пропрацьований, не копіюйте всю розмову. Попросіть чистовик: зібрати важливе як структурований документ, підготовлений для вставки в нову сесію, без проміжних обговорень, помилок і зайвих деталей. Це і є ваш context brief — артефакт-результат етапу 1.

Чому цей етап треба виконувати окремо

Під час такого діалогу ви витрачаєте багато місця в context window — первинний опис, уточнення, відповіді, виправлення. Це нормально, але це засмічує «стіл». Задача цієї сесії — не виконати фінальну роботу, а перетворити сумбурний контекст у структурований опис.

Збережений context brief окупається двічі. По-перше, кожна нова сесія перестає бути «днем бабака», де ви знову пояснюєте, що таке компанія, продукт і фіча. По-друге, контекст можна перевикористовувати між дизайнерами: якщо хтось уже пропрацьовував суміжну тему й зберіг опис, ви берете його готовим — особливо цінно для редизайну, коли «це все є в Superhuman Docs чи Notion», але насправді там нічого не зрозуміло.

Етап 2Нормалізація даних

Етап 2 — Нормалізація даних: перетворіть сирі матеріали на корисні дані

Цей етап відкривається не з нуля: ви входите в нову чисту сесію з готовим context brief з етапу 1 — він і є фільтром, за яким «важливе» взагалі має сенс. Без нього нормалізація скочується до випадкового переказу.

У реальній роботі майже ніколи не буває так, що вся потрібна інформація вже чітко зібрана. Зазвичай вам дають сторінки в Superhuman Docs чи Notion, таблиці, технічні документи, записи зустрічей, Miro-дошки, старі артефакти — і кажуть: «ось файли, розбирайся». У документі на 30 сторінок важливими можуть бути три абзаци, але ніхто не вирізає для вас саме потрібне.

Задача етапу 2 — не «прочитати папку», а проаналізувати сирі матеріали та відібрати з них те, що дійсно валідне.

Чому не можна просто скинути все в AI? Бо модель сприйме все, що ви дасте, і не завжди сама зрозуміє, що́ актуальне, що́ застаріле, а що́ суперечливе — якщо ви про це явно не скажете. Чим чистіші й структурованіші дані ви передасте далі, тим змістовніший результат.

Тут AI знову працює як junior-помічник, якому ви дали документи й маркер: «Перечитай усе. Що незрозуміле, суперечливе чи має подвійне тлумачення — познач і покажи мені». Конкретно його можна попросити: переглянути всі документи, виділити важливе, позначити нерелевантне, позначити застаріле, знайти суперечності й білі плями, перевірити, чи всі сценарії описані, зібрати список питань до команди по тих місцях, які потребують уточнень. Отримавши відповіді — уточнювати дані доти, доки їх не можна буде вважати цілісними та такими, що не мають протиріч.

Дві речі роблять цей етап надійним.

Недовіра до матеріалів

Прямо попросіть модель не вважати документи автоматично правдивими — інакше вона за звичкою згенерує правдоподібну відповідь замість того, щоб сумніватися в джерелах. «Стався до матеріалів критично. Шукай суперечності, застаріле, подвійні тлумачення, місця, що потребують уточнення».

Оцінка впевненості

Просіть оцінювати ступінь упевненості в кожному ключовому твердженні: висока / середня / низька / потребує перевірки / суперечить іншому джерелу / ймовірно застаріле. Це витягує модель із бінарного «правда/неправда» в реальні сірі зони, де живуть припущення й неповні дані.

В результаті первинної обробки даних ви можете отримати аналіз даних: перелік неточностей чи не до кінця зрозумілих тверджень чи даних, білих плям тощо. Це не є кінцевим результатом цього етапу — все це ми вишукуємо не для того, щоб просто позначити у фінальному артефакті; ми збираємо це для того, щоб виправити, доповнити — зібрати в результаті дані, на які можна спиратися, а не довідку про те, що дані, які містяться в артефакті, поганої якості. Особливо на цьому кроці вам може знадобитися кілька хвиль уточнень, доопрацювань, консультацій з BA, стейкхолдерами, розробниками, оскільки ви можете не знати відповідей на питання.

Практична порада

Для роботи під час цього етапу може бути корисним одразу залучити вашого BA, розробника — тих членів вашої команди, які можуть бути джерелом знань та допоможуть швидко перевірити та уточнити дані. В такий спосіб ви зможете швидше пройти цей етап, оскільки всі будуть в одному контексті й їм буде простіше відповідати на питання одразу, ніж у кілька сесій отримувати питання, що ви для них зберете, і кожного разу «входити в контекст», щоб на них відповісти.

І перевіряйте саму роботу AI — він може швидко проскочити частину матеріалів і видати висновок. «Чи справді ти пройшовся по всіх документах? Чи нічого не пропустив?» Якщо пропустив — поверніть: «Повернися і пропрацюй усе».

На виході — normalized data pack: не переказ документів, а чистий набір даних із чотирма опорними категоріями:

confirmed facts

підтверджене

assumptions

припущення (позначені як припущення, а не факти)

open questions

що треба дослідити та зʼясувати

risks

де щось може зламатися

Зверніть увагу — так, у вас в кінцевих артефактах можуть бути assumptions та open questions, оскільки задачею етапу є зібрати ті дані, які можливо зібрати, але сама подальша робота по дизайн-процесу може потребувати досліджень, тестувань. Це нормально. Тут ми збираємо те, що відомо зараз.

Плюс список джерел і позначки впевненості. Як і на етапі 1, цю сесію робіть окремо: у ній буде багато сміття — повні документи, неактуальні фрагменти, чернетки, — і тягнути його в основну роботу не можна.

Етап 3Формалізація задачі

Етап 3 — Формалізація задачі через IFR

І цей етап стартує не з порожнього аркуша: на вхід ідуть обидва попередні чистовики — context brief і normalized data pack. Маючи їх на руках, ви формулюєте задачу не у вакуумі, а проти реального продукту й реальних даних.

Здається, ніби тут усе просто: «ми ж знаємо, чого хочемо». Але саме формулювання задачі сильно впливає на результат. Напишете «зроби мені flow diagram» — AI щось зробить, але ви не знаєте, який саме flow diagram і чи можна буде взяти його в роботу.

На цьому етапі важливо не виконувати задачу, а сформувати її так, щоб на четвертому кроці AI виконав її якісно.

Найкращий інструмент тут — IFR (ideal final result, ідеальний кінцевий результат): описати не дії, а результат і його призначення. Не «зроби flow diagram», а: який саме артефакт потрібен, у якому форматі, для кого він і як ви його використаєте далі. Коли ви описуєте кінцевий результат, модель розуміє ціль, а не вгадує її.

Порівняйте:

Неефективно

«Зроби flow diagram для поповнення рахунку.»

Ефективно

«Мені потрібен flow diagram сценарію поповнення особового рахунку — від точки входу до підтвердження оплати. Включи всі стани та переходи між ними, гілки розгалуження (успішний шлях / відмова банку / timeout / відсутній спосіб оплати), а також edge cases, де сценарій може зламатися. Спирайся тільки на наданий контекст і дані; де є припущення — познач їх окремо.»

Постановку теж краще доводити через діалог:

Промпт Формалізація постановки через діалог

У відповідь зринуть питання, про які ви могли не подумати: web це чи mobile, B2C чи B2B, що входить у scope, а що ні, які критерії якості, який результат вважати неприйнятним.

На цьому етапі AI добре генерує саме підготовчі матеріали — швидко й багато: переліки use cases й corner cases, jobs to be done, сценарії, flow diagrams, lifecycle фічі, чеклісти для self-review, списки ризиків і відкритих питань. Цінність не в тому, що він пише ідеально, а в тому, що переглянути 30 згенерованих варіантів і лишити 5 хороших та доопрацювати їх можна швидше, ніж писати ці 5 з нуля. AI тут — «тупенький, але з моторчиком»: швидко читає, зіставляє, перебирає. Рішення лишається за вами.

Цей етап працює за тією ж логікою, що й етапи 1–2. Робіть його в окремій сесії й доводьте постановку у форматі діалогу — питання, уточнення, відкинуті формулювання. А артефактом забирайте лише кінцевий чистовик постановки; усе «сміття» — чернетки, проміжні уточнення, помилкові варіанти — далі не несіть.

На виході етапу 3 — чіткий промпт або структурована постановка: описана задача, очікуваний результат і формат, що брати з контексту й даних, чого не робити, як поводитися з припущеннями, як позначати невпевненість, що перевірити перед фінальною відповіддю.

Етап 4Запуск метапромпта

Етап 4 — Запуск метапромпта із контекстом та нормалізованими даними

Четвертий етап — не ще одна підготовка, а запуск основної задачі. Тут варто побачити, що саме ви робили на трьох попередніх етапах: ви по частинах збирали один метапромпт із трьох складників — context brief (контекст), normalized data pack (нормалізовані дані) і формалізовану постановку. Кожен підготовчий етап давав один чистовий складник цього метапромпта.

Коли всі три чистовики на руках, ви складаєте потрібні складники схеми разом і запускаєте. Робиться це, як і кожен етап, у новій чистій сесії: ви відкриваєте її й передаєте туди зібраний метапромпт — усі три частини.

Чому нову й чисту? Бо це дає значно кращий результат, ніж одна довга сесія, де змішані сирий контекст, помилки, уточнення, зайві документи, чернетки й гілки діалогу. Кожен етап і так стартує з чистого аркуша — це не привілей лише фінального запуску, а наскрізне правило підходу. Чистий старт передає моделі тільки те, що справді потрібно для виконання: зібраний метапромпт, без кухні, на якій його готували.

Після виконання — обов'язково перевірте результат. Якщо вийшло не те, не виправляйте нескінченно в тому самому чаті: кожна ітерація в одній сесії знову нарощує context window, як снігову кулю. Краще зрозуміти, де корінь проблеми, — у контексті, у даних чи в постановці, — оновити відповідну чистову частину й перезапустити в новій сесії.

І окремий, легко пропущений крок — перевірка завершеності. Модель схильна сказати «задача виконана», маючи на увазі лише частину більшої задачі. Просте питання «чи все готово?» тут не рятує: спрацьовує та сама схильність догоджати (sycophancy), про яку ми згадали на початку, — модель радо підтвердить «так, усе зробили», не звіривши результат із вимогами. Тому не питайте про підсумок — змусьте модель спершу перелічити, а вже потім судити.

Промпт Перевірка завершеності (проти sycophancy)

Так ви не опинитеся в ситуації, коли все «готово», а насправді висять невиконані підзадачі й неперевірені припущення.

Зрілість підходу

Як саме передавати результат між етапами: від простого до зрілого

Ми домовилися, що кожен етап дає чистий складник, який іде далі. Лишилося одне питання, від якого залежить якість: скільки саме передавати наступному кроку? Тут немає однієї відповіді на всі випадки — як часто буває, «it depends». З досвідом ви прийдете до розуміння, який з підходів вам краще використовувати в тій чи іншій ситуації.

Підхід 1 — ізольований
Кожен етап працює в чистій сесії й нічого не несе з попереднього: три підготовчі виходи зустрічаються вперше аж на запуску. Найпростіше тримати в голові — і правильний вибір, коли кроки справді незалежні або коли ви тільки починаєте й хочете один чистий крок за раз. Ізоляція має й захисний сенс: помилковий ранній артефакт не заразить решту ланцюга.
Підхід 2 — послідовний
Кожен чистовий складник тече в наступну сесію: етап 2 отримує brief, етап 3 — brief плюс data pack, етап 4 збирає всі три. Природний вибір, коли кроки залежать один від одного — а підготовка 3+1 саме така: не можна нормалізувати дані, не знаючи контекст, і не можна формалізувати задачу проти даних, яких немає на столі. Найпростіша з «накопичувальних» моделей, і її достатньо, поки даних небагато.
Підхід 3 — варіативний
Несіть рівно стільки, скільки потрібно наступному крокові — не стільки, скільки видав попередній. Етапу 3 часто не треба читати самі дані — достатньо знати їхню форму/структуру. Тому в етап 3 ви передаєте маніфест (скільки сценаріїв, які групи, що суперечливе, де білі плями), а повний вміст пакета йде туди, де його справді опрацьовують — в етап 4. Зріла модель: варта використання, коли data pack стає достатньо великим.
Ізолюй незалежні кроки; передавай залежні — на тому рівні деталізації, який потрібен наступному кроку, а не на тому, який видав попередній.

І заземлення для нашого випадку: підготовка 3+1 має залежні кроки, тому ви передаєте результат далі — послідовно за замовчуванням, а коли data pack виростає настільки, що завантажувати його цілком у формалізацію стає накладно, переходите на варіативну (маніфест в етап 3, повний пакет в етап 4). Ізольована модель — не помилка: це робоча перша сходинка для незалежних кроків і для старту. Просто цей конкретний пайплайн її переростає.

Покрокові промпти під кожну модель — у практичному посібнику «Підхід 3+1 по етапах». Він за замовчуванням показує послідовну модель і прямо вказує, де перемикатися на варіативну.
Дисципліна й межі

Межа: де AI ненадійний і це треба перевіряти з людьми

Є зона, де AI варто притримати. Не покладайтеся на нього там, де потрібне реальне розуміння людського досвіду, потреб і поведінки. Модель радо згенерує personas, customer pains, customer journey map, «вигадані потреби», «вигадані інсайти» й ті самі вигадані відсотки. Виглядатиме красиво — але це фейк, якщо не спирається на реальні дослідження або дані.

Уявіть persona: мати трьох дітей, яка хоче зайняти їх на дві години, щоб піти до перукаря. Модель красиво опише болі й сценарій. Але якщо одна така жінка живе у Львові, а інша — у Херсоні чи Маріуполі, їхні реальні життєві контексти можуть бути зовсім різні. Для AI-моделі різниця між ними («просто різні назви українських міст») може бути абсолютно незрозумілою, тоді як життя в них для цих personas буде радикально іншим. Навіть живій людині — дизайнеру — не варто описувати потреби, базуючись на власному розумінні чи «відчутті»: їх перевіряють дослідженням. На відміну від живої людини, AI значно гірше розуміється на тому, що формує умови життя, потреби та сприйняття людей. «Синтетичні персони» цікаві як концепт, але покладатися на них можна лише за умови, що ці синтетичні персони могли б користуватися вашими послугами чи купувати продукти, які ви під них розробите.

Тому питання на кшталт «чи буде користувачам зрозумілий цей інтерфейс?», «які реальні потреби цієї персони?», «що відчуває користувач?» — не віддавайте AI як джерелу істини. Це треба перевіряти з реальними користувачами.

Важливий виняток

Різниця між «AI без даних» і «AI як аналізатор наданих даних». Якщо у вас є реальні дані досліджень — транскрипти інтерв'ю, записи спостережень, — AI може допомогти їх структурувати й знайти патерни. Це вже не вигадка, а аналіз наданого. Але навіть тоді перевіряйте висновки проти джерел.

Заодно про приватність

Персональні дані клієнтів і будь-що під вимогами захисту даних (наприклад, GDPR у ЄС) — не мають використовуватися в роботі з AI, якщо це не ваша власна ізольована локальна система. За замовчуванням сумніваєтеся — не додавайте; знеособлені або синтетичні приклади закривають більшість задач. Технічна активація доступного у вашій компанії AI-агента — поза цим матеріалом; важливий принцип, а не конкретний інструмент.

Закріплення

Реальна користь від AI

Останнє — про настанову. Це не та історія, де, на відміну від хайпових роликів на YouTube, у яких за промптом у три рядки «AI створює готовий дизайн», ми тут ніби займаємося чимось скучним та нецікавим, без яскравих AI-інтерфейсів. Окреслення контексту, нормалізація даних, перевірка сценаріїв, пошук прогалин, підготовка артефактів — це частина дизайн-роботи. Зроблена якісно, вона дає швидший старт наступним етапам дизайну, зменшує кількість помилок, легший handoff, простіший редизайн і знання, яке перевикористовує вся команда.

Є проста перевірка якості підготовки: якщо ви не можете відповісти на питання про власне дизайн-рішення, значить, prerequisites були слабкі. Можливо, пропущене питання некритичне. А можливо — критичне. Підхід 3+1 допомагає виловити такі прогалини до того, як вони стануть проблемою в дизайні, розробці чи після релізу.

AI не замінює продуктового дизайнера. Він може бути супер-енергійним помічником, який швидко й невтомно виконує чорнову роботу, яку майже всі дизайнери роблять. На словах.

Головне — ви віддаєте AI виконувати скучну рутинну роботу, щоб допомогти вам приймати якісніші рішення. Не навпаки.

Prompt скопійовано в буфер