Применение AI в пресейле

Меня зовут Никита, я дизайнер интерфейсов и дизайн-лид. Последние годы я много времени провожу не только в продукте, но и на пресейле: помогаю команде разбирать RFP, формулировать решение и упаковывать его так, чтобы заказчику было понятно, что именно мы предлагаем и почему это имеет смысл. Статья будет не совсем про дизайн в его чистом виде, но про то как наш дизайн вообще может появиться и как он участвует в процессе продажи услуг по разработке софта.

AI в этот процесс вписался довольно органично, не как "магическая кнопка, которая сама напишет КП и сделает все за вас", а как набор инструментов, которые:

В этом своем тексте я хочу провести вас через вымышленный, но очень близкий к реальному кейс: от RFP до интерактивного прототипа в Figma Make.

Начнем мы с того что придумаем некий абстрактный RFP над которым мог работать я или вы. Допустим что это будет система для записи пациентов в гос-клиниках

Структурируем сеттинг:

Тут мы можем столкнуться с типичными проблемами:

Сейчас я все чаще вижу что в linkedin и других соцсетах часто говорят о использовании LLM для автоматизации первичного анализа RFP: модели выжимают требования, подсвечивают риски и формируют вопросы.

Но тут у нас сразу два ограничения:

Чтобы решить обе этих задачи я делю свой процесс на два контура:

В локальном контуре у меня два основных варианта:

Обе модели из семейства Qwen3:

Но на самом деле вы можете развернуть у себя все что угодно из современных моделей. Я также пробовал glm, deepseek и t-lite немного погонял, все справляются неплохо с преимуществами в тех или иных задачах (возможно разберу позднее)

Берем на вооружение базу промпт-инженеринга – фреймворки CRISPE + CoT

Для крупных задач я стараюсь не писать "разовый монолитный промпт", а использовать, например, CRISPE (Context, Role, Instruction, Subject, Preset, Exceptions) плюс сверху Chain-of-Thought (CoT) или просто по умному просим модель думать по шагам.

Пример промпта для первого прохода:

Чтобы понимать более предметно о чем речь можете посмотреть примеры этих документов (сгенерированы нейронкой, но структура и некоторые формулировки близки к реальным)

Пример того, что может вернуть Qwen3-8B Сильно упрощаю формат чтобы не растянуть статью:

Здесь CoT обычно проявляется в том, что модель сначала разматывает в голове "о чем вообще документ", а потом структурирует ответы – и это видно по более чистым и полным спискам по сравнению с "дай мне просто summary".

Следующий шаг – превратить текст в функциональные блоки и понять, что для заказчика "must-have", а что можно двигать. Для этого я подмешиваю RICE-логику – Reach, Impact, Confidence, Effort.

Пример условного промпта:

Пример ответа, опять же чисто фрагмент, для общего понимания повествования:

То что вы тут получите это будет не "истина в последней инстанции", но хороший старт для обсуждения, что точно попадает в прототип и "первую фазу", а что может ждать. Естественно никто не принимает оценки ИИ за факт и не берет в работу)

Даже локальная модель может наплодить уверенной ерунды. Чтобы снизить шанс этого я часто использую паттерн Chain-of-Verification (CoV): сначала модель делает черновик, потом сама придумывает проверочные вопросы, отвечает на них и только потом уточняет ответ.

Промпт-надстройка к предыдущему:

Пример того, как это может выглядеть в ответе (сильно сокращаю):

Здесь мне важно не то, что модель внезапно дала идеальный ответ, а то, что она сама подсветила спорные зоны – это считай готовый список редфлагов к пресейл-встрече.

Локальная модель прекрасно разбирает документы, но живет в границах того, что я ей скормил и ограничена в производительности (по крайней мере у меня не слишком производительное железо). Чтобы не продумывать все с нуля, а свободно пользоваться благами человечества и интеллектом всего интернета я все же подключаю облачные обычные модели:

Здесь важно: ни один из этих сервисов не видит исходный RFP. В облако уезжает только:

Еще пару-тройку лет назад изучение рынка и конкурентов требовало просто коллосальное количество времени, но сейчас достаточно большую часть рутинных процессов мы можем переложить на плечи ИИ.

Помогут нам в этом “три кита” хорошего исследования – CRISPE + CoT + CoV

Пример промпта к ChatGPT/Gemini в с использованием этого подхода:

На выходе получается что-то такого вида, но, понятное дело, сильно большего объема:

Здесь CoV работает как встроенный фильтр: модель сама придумала проверочные вопросы, прошлась по ним и немного подчистила вывод.

Полезный трюк – попросить модель приоритизировать боли и возможности тоже через RICE: не для финального roadmap, а чтобы понять, куда стоит вложиться в прототипе. Это валидно, потому что если у целевой аудитории и конкурентов что-то болит, то вероятнее всего ваш потенциальный заказчик знает об этом или у него тоже болит, а значит прототип попадет что называется “в самое сердечко”

Пример промпта:

Небольшой фрагмент ответа:

Это уже не просто "боли", а карта, к чему стоит привязать сценарии в прототипе.

На этом шаге внешний мир для меня снова отключается – я возвращаюсь в локальный контур с Qwen и работаю только с тем, что уже собрал:

На этом этапе перед нами и ИИ стоит задача – собрать черновой набор юзкейсов и пользовательских потоков, из которых потом родится и структура системы, и прототип.

Здесь поверх CoT имеет смысл использовать что-то из мира causal chain-of-thought (CauCoT). Идея в том, чтобы строить сценарий как цепочку причинно-следственных связей, а не просто последовательность шагов.

Пример запроса к локальной Qwen3-14B упрощенно:

Очень сильно упрощенный фрагмент ответа:

Дальше я уже руками:

К этому моменту у нас есть:

Дальше моя задача как дизайнера – собрать из этого все то, что можно показать заказчику, и превратить в прототип.

Здесь в ход идет Figma Make: я использую ее не как "нарисуй мне красивый UI из воздуха", а как ускоритель, который из детального текстового описания может собрать:

Тут мы все еще находясь в локальном контуре просим помочь модель с генерацией промпта для ее собрата. Сейчас упрощаю, но будет что-то похожее на:

Результат – обычно, гигантский промпт, типа такого (добавил файлом потому что тут точно не уберется)

В нем описаны:

Этот промпт пойдет в Figma Make → на выходе получается первый вариант прототипа, который:

Дальше чаще всего идут несколько “веселых” часов за уточнением прототипа. Обычно я правлю:

Посмотреть что получилось можно вот тут: тык

Не сказал бы что это пример какого-то идеального прототипа и уж тем более не пример дизайна, но уверяю вас что это уже значительно больше чем сделают 80% ваших конкурентов на бидах

В реальном пресейле на этом история естественно не заканчивается:

Но это уже территория с большим количеством сенситив данных конкретных клиентов и нашей внутренней кухни, да и не так она полезна вам будет, так как завязанна на конкретные бизнес-процессы.

В этом тексте мне хотелось показать именно дизайнерский и продуктовый кусок процесса:

Если вы участвуете в пресейлах как дизайнер, PM или BA, многие штуки из этого пайплайна можно аккуратно адаптировать под ваши задачи или обсудить какие-то вопросы в комментах.

Надеюсь было интересно и не слишком нудно)