Нейросети в дизайн-поддержке: что мы поняли за год экспериментов

Когда генеративные модели стали массовым инструментом, многие команды — и мы, агентство Uplab, в том числе — начали примерять их для повседневных задач. Среди наших продуктов есть и дизайн-поддержка. Казалось логичным: если Midjourney создаёт картинку за минуты, а дизайнер-человек за два часа, то и дизайн-поддержка должна подешеветь в несколько раз.

На практике всё оказалось сложнее. Нейросети действительно ускоряют работу, но только если перестроить под них весь процесс, от постановки задачи до контроля качества. Иначе можно утонуть в ручных правках, которые сведут на нет выигрыш в скорости отрисовки. Мы решились на перемены и не пожалели; в статье делимся инсайтами и считаем итоговую выгоду.

Зачем мы вообще полезли в ИИ

Те, кто имел дело с дизайн-поддержкой (с любой стороны) знают, что это постоянный поток задач. Баннеры, ресайзы, иллюстрации для рассылок, адаптации под разные каналы и так далее. Когда объём измеряется сотнями единиц в неделю, суммарный эффект от любой оптимизации очень заметен. Нейросети мы внедряли именно для того, чтобы уменьшить время работы с каждой задачей. Это могло бы удешевить наши услуги дизайн-поддержки без потери качества, а ещё оставить команде больше ресурса на задачи, где нужна голова, а не руки.

Первая попытка была наивной: мы просто дали команде доступ к Midjourney и предложили использовать его там, где удобно. Спойлер — в дизайн-поддержке это не работает. Каждый дизайнер экспериментировал по-своему, результаты были нестабильными, а время на эксперименты иногда превышало время на ручную отрисовку.

Что ещё не сработало

Генерация финальных макетов. Мы пробовали получать от нейросети готовые баннеры, которые можно сразу отдавать клиенту. Не получилось ни разу, несмотря на эксперименты с промптами и тщательный подбор референсов. Модели не попадают в гайдлайны бренда, не умеют работать с типографикой и дают непредсказуемую композицию. Генерация — это всегда заготовка, а не финальный продукт.

Мгновенная экономия. Первые два-три месяца мы скорее тратили больше времени, чем экономили: разбирались с инструментами, тестировали подходы, переделывали результаты. Экономия появилась только после того, как процесс стабилизировался, а это потребовало системной работы.

Полное доверие к качеству генерации. Нейросети иногда выдают артефакты, которые на первый взгляд незаметны: странные детали одежды, надписи на несуществующем языке, искажённые лица.

То же касается палитры и шрифта: прописать их в промте — не гарантия того, что нейросеть не добавит что-то «своё». Сейчас у нас есть отлаженная система ревью и насмотренность в поиске таких специфичных деталей.

Типичные артефакты ИИ: неестественные складки и странные детали одежды. Генерации из наших макетов для юридической компании

Как мы в итоге выстроили процесс

Сейчас генерация — только один из этапов нашего рабочего флоу, а не замена всем остальным. Вот логика, к которой мы пришли.

1. Погружение в бренд и фиксация ограничений. Без этого генерация бессмысленна: модель не знает гайдлайны. Все допуски и запреты мы фиксируем в чек-листе приёмки ещё до начала работы. Так и дизайнер, и ревьюер опираются на одни критерии.

2. Работа с промптами. Это итеративный процесс: формулировка гипотезы, тестирование, корректировка, повторение. Мы ведём библиотеку промптов с пометками: какой запрос для какой задачи работает, какая модель лучше справляется, какие параметры стоит менять. Библиотека живёт в общем хранилище команды, и любой дизайнер может взять готовый промпт как отправную точку. Мы пока остановились на проекте в Figma, структурированном по типам задач.

3. Собственно генерация. В сложных макетах мы можем использовать несколько ИИ-моделей и сервисов с разными «способностями».

4. Постпродакшен — обязательный этап, который по трудозатратам сопоставим с генерацией, а иногда и превышает её. Цветокоррекция, ретушь артефактов, подгонка под фирменный стиль, вёрстка макета — всё это делает дизайнер вручную.

5. Финальный контроль: ревью арт-директора с прохождением чек-листа. Мы добавили в чек-лист отдельный блок именно про ИИ-артефакты.

Как мы выбираем инструменты

У нас нет «любимой» нейросети. Разные генеративные модели лучше справляются с разными задачами, и это нормально. Принцип, по которому мы распределяем работу: генерация иллюстраций и персонажей — одни инструменты (Midjourney, KreaAI), фоновые текстуры и абстрактная графика — другие (Nano Banana), доработка и улучшение исходников — третьи (Cleanup Pictures, Recraft).

Ограничения, с которыми мы столкнулись: Midjourney плохо управляется с конкретными брендовыми элементами и плохо воспроизводит текст; KreaAI даёт интересные результаты для стилизации, но нестабилен на сложных композициях; Recraft хорош для улучшения качества, но при сильном апскейле может «додумывать» детали. Мы не претендуем на исчерпывающий обзор — это просто наш опыт на конкретных проектах. Инструменты быстро меняются, и то, что не работало полгода назад, может работать сейчас.

Что изменилось внутри команды

Честный ответ: изменилось многое, и не всё мы предвидели.

Роль дизайнера сместилась. Раньше основное время уходило на отрисовку — теперь значительная часть занята промпт-инжинирингом, отбором вариантов и постпродакшеном. Навыки работы в Figma и Photoshop никуда не делись — без них невозможна финальная сборка. Но к ним добавилось умение формулировать запросы, оценивать пригодность генерации и быстро определять, что проще нарисовать руками, а что — сгенерировать.

Изображения, созданные нейросетью, в одном из наших проектов — дизайн-поддержке крупного маркетплейса

Выросло значение насмотренности. Когда модель выдаёт десять вариантов, нужно мгновенно отличить жизнеспособный от тупикового. Это не формализуемый навык — он нарабатывается опытом. Мы заметили, что сильные дизайнеры получают из нейросетей заметно лучшие результаты, чем начинающие, — и дело не в промптах, а именно в умении отбирать и дорабатывать.

Онбординг новых людей стал проще в одном отношении (есть библиотека промптов, чек-листы, примеры) и сложнее в другом (нужно объяснять логику работы с ИИ, а не просто показывать макет и говорить «делай похоже»). Мы пока не нашли идеальный формат обучения и пробуем разные подходы.

Про экономию: без маркетинга, с оговорками

На потоковых задачах с однотипными визуалами (например, серия баннеров в едином стиле) мы наблюдаем сокращение времени дизайнера примерно на 30–50% по сравнению с полностью ручной работой. Но это — при налаженном процессе, с готовыми промптами и отработанным пайплайном.

На сложных креативных задачах, где нужна уникальная композиция и нестандартный стиль, выигрыш не так велик, потому что дизайнер тратит время на попытки «вытянуть» из модели нужный результат.

Есть и менее очевидный эффект: перераспределение нагрузки внутри команды. Арт-директор тратит меньше времени на каждый отдельный макет (отбирает лучшие варианты вместо детального ревью одного), но больше — на настройку процесса и контроль качества ИИ-контента. Менеджер быстрее получает варианты для согласования с клиентом, но должен учитывать, что этап постпродакшена не сокращается.

Для этого баннера понадобилось провести цветокоррекцию изображений, созданных ИИ

Что мы пока не решили

Было бы нечестно завершить статью так, будто мы во всём разобрались. Вот вопросы, которые у нас остаются открытыми.

Масштабирование библиотеки промптов. Когда проектов несколько, библиотека разрастается. Пока мы не нашли удобного способа её структурировать так, чтобы дизайнер из одного проекта мог легко переиспользовать наработки из другого. Теги, папки, базы данных — всё пробовали, идеального решения нет.

Обучение новых сотрудников. Как передать не только промпты, но и интуицию отбора? Мы экспериментируем с парной работой (опытный + новичок), с разборами «почему этот вариант хороший, а этот нет», но системного подхода пока не сложилось.

Быстрая смена инструментов. Модели обновляются каждые несколько месяцев. Промпт, отлично работавший в одной версии, может давать совершенно другой результат в следующей. Как поддерживать библиотеку актуальной и не тратить на это непропорционально много времени — вопрос без ответа.

Граница «генерировать или рисовать». У нас до сих пор нет чёткого критерия, когда быстрее обратиться к нейросети, а когда — к Figma. Опытные дизайнеры определяют это интуитивно, но для новичков нужен более формальный ориентир, и мы его пока не сформулировали.

Мнение редакции может не совпадать с мнением автора. Ваши статьи присылайте нам на 42@cossa.ru. А наши требования к ним — вот тут.