Эксперимент с Claude Design — новым инструментом Anthropic для прототипирования визуального дизайна — показал, что ИИ-дашборды не решают главную проблему аналитики: отсутствие понимания аудитории и целей. Набор данных каталога LEGO от Brickset, включающий около 18 500 наборов за последние пятьдесят лет, позволил проверить, как ИИ справляется с созданием дашбордов при разной степени продуманности промпта.
Автор эксперимента дал Claude Design три промпта с постепенно возрастающей продуманностью. Первый, наивный, звучал как «Собери мне дашборд по этим данным каталога LEGO». Инструмент задал уточняющие вопросы — о аудитории, целях и временном периоде, — но автор намеренно выбрал «Реши за меня», имитируя неопытного пользователя. Результат выглядел профессионально: длинная прокручиваемая страница с карточками KPI и пятью разделами, включая рост каталога и рейтинг серий. Однако как инструмент для принятия решений он оказался бесполезен: дашборд просто проводил экскурсию по данным, не отвечая на конкретные вопросы, которые могли бы волновать бизнес.
Вторая итерация, с более детальным промптом, уже учитывала аудиторию и цели, но всё равно требовала ручной доработки. Третья, максимально продуманная, приблизилась к тому, что сделал бы опытный аналитик, но даже она не заменила человеческого суждения. Автор подчёркивает: ИИ ускоряет создание дашбордов, но не избавляет от необходимости понимать основы визуальной аналитики. Напротив, люди, не знающие этих основ, используют ИИ, чтобы перепрыгнуть через критически важные этапы цикла разработки, что лишь быстрее пополняет «кладбище дашбордов».
Проблема усугубляется тем, что дашборды, созданные с помощью ИИ, могут выглядеть убедительно, но содержать ошибки в интерпретации данных. Как отмечает автор, «красивые графики и эффективная коммуникация — не одно и то же». Эдвард Тафти, известный специалист по визуализации данных, всю карьеру доказывал, что визуальное качество неотделимо от содержательного. Опытные аналитики знают: хороший дашборд — это средство коммуникации, которое доносит нужную информацию до нужного человека с нужным уровнем детализации. ИИ справляется с первой частью — отрисовкой графиков, но не со второй — пониманием контекста.
Для российских компаний, где аналитикам часто не хватает опыта или стандартов визуальной аналитики, это особенно актуально. Инструменты вроде Claude Design, а также аналоги от OpenAI и Google, становятся доступнее, но они не заменяют базовые навыки. Специалист должен уметь формулировать промпт, задавать правильные вопросы и проверять результаты. Иначе цена ошибки — не просто мёртвые дашборды, а решения, принятые с неоправданной уверенностью в визуальной аналитике, которая не заслуживает такого доверия.
В итоге, ИИ-дашборды не опустошат кладбище дашбордов, а, возможно, сделают его больше. Но для тех, кто готов учиться, они открывают новые возможности: быстрее создавать прототипы, экспериментировать с дизайном и сосредоточиться на содержательной части. Ключевой вывод эксперимента: знание основ визуальной аналитики становится не менее, а более важным в эпоху ИИ.
