Как Deep Research и MCP Mobbin помогли найти решение для каталога событий
Поиск референсов обычно не вызывает сложностей, когда речь идёт о знакомых сценариях: авторизации, оформлении заказа или переводе денег. Однако при работе с нестандартными интерфейсами привычный подход быстро перестаёт помогать. Решения конкурентов могут быть неприменимы, а похожих примеров в популярных продуктах оказывается недостаточно.
С такой задачей столкнулся Женя Горбач, продуктовый дизайнер в Альфа-Метрике — аналитическом продукте Альфа-банка. Во время редизайна каталога событий команде нужно было разобраться, почему пользователи не завершают загрузку событий, и изменить сценарий так, чтобы он стал понятнее.
Проблема каталога событий
На момент работы над интерфейсом около 70% пользователей бросали загрузку событий. Это означало, что проблема заключалась не только в визуальном оформлении отдельных элементов: сам сценарий требовал дополнительного исследования и поиска новых вариантов решения.
Прямых аналогов для такого интерфейса оказалось недостаточно. Обычный поиск по конкурентным продуктам не давал нужного набора примеров, поэтому дизайнеру пришлось расширить подход к исследованию и посмотреть на задачу через более широкий контекст пользовательских сценариев.
Связка ChatGPT, Deep Research и Mobbin
Для поиска и анализа референсов использовались ChatGPT, режим Deep Research и библиотека интерфейсных решений Mobbin. Доступ к Mobbin был организован через MCP — протокол, который позволяет подключать внешние инструменты и данные к AI-системам.
Такая связка помогла ускорить работу с примерами интерфейсов и сделать поиск более содержательным. Вместо ручного просмотра большого числа экранов можно было сосредоточиться на формулировке задачи, сравнении подходов и отборе решений, которые потенциально подходили для каталога событий.
При этом нейросетевые инструменты не заменяли продуктовый анализ. Они стали дополнительным способом исследовать пространство решений: найти неожиданные аналогии, рассмотреть сценарий с разных сторон и быстрее перейти от общей проблемы к конкретным гипотезам для интерфейса.
Результат: меньше интерфейса
Главный вывод работы оказался неочевидным: более удобное решение удалось получить за счёт удаления части интерфейса. Вместо того чтобы добавлять новые подсказки и элементы управления, команда пересмотрела сам сценарий и отказалась от компонентов, которые мешали пользователю двигаться дальше.
Этот пример показывает, что поиск референсов полезен не только для визуального оформления. В нестандартных задачах он помогает проверить логику сценария, найти альтернативные модели взаимодействия и понять, какие элементы действительно нужны пользователю. А инструменты вроде Deep Research и MCP Mobbin могут заметно ускорить этот процесс, если использовать их как часть дизайнерского исследования, а не как автоматический генератор готовых решений.
