Jak AI mění design: Co musí dnešní designér vědět

Jak umělá inteligence mění designérskou praxi a proč je rok 2025 zlomovým bodem

Revoluce, která už je tady

Představte si, že můžete provést komplexní uživatelský výzkum za zlomek času, vygenerovat stovky nápadů během minut a vytvořit funkční prototyp bez jediného řádku kódu. To není sci-fi – to je realita designérské práce v roce 2025.

Podle nedávných studií 62 % designérů používá AI minimálně ve třech fázích své práce a 74 % marketérů spoléhá na alespoň jeden AI nástroj při tvorbě grafického designu. Trh s AI nástroji pro kreativní práci přesáhl hodnotu 47 miliard dolarů a jeho růst zrychluje.

Ale pozor – AI nepřichází nahradit designéry. Přichází je posílit, osvobodit od repetitivních úkolů a umožnit jim soustředit se na to, co umí nejlépe: kreativní myšlení, strategii a lidský přístup k řešení problémů.

Tento článek vám ukáže, jak AI integrovat do každé fáze designérského procesu – od výzkumu až po finální implementaci.

1. Základy: Design & byznys s AI

Proč by měl každý designér rozumět AI?

AI není jen další nástroj v toolboxu – je to fundamentální změna způsobu práce. Designéři, kteří AI neovládají, budou v příštích letech čelit stejnému osudu jako ti, kteří odmítli přejít z tužky na Photoshop.

Designerův AI slovník: Co potřebujete vědět

Large Language Models (LLM) – modely jako GPT-4, Claude nebo Gemini, které rozumí a generují text. Pro designéry jsou klíčové pro:

• Generování copy a UX textů
• Analýzu výzkumných dat
• Brainstorming a ideaci
• Tvorbu dokumentace

Prompt engineering – umění formulovat požadavky na AI tak, aby dávala kvalitní výstupy. To je nová core skill každého designéra.

Tokens – jednotky, kterými AI „myslí“. Pochopení tokenů vám pomůže efektivněji pracovat s náklady a limity AI nástrojů.

Embeddings – způsob, jakým AI reprezentuje význam slov a konceptů. Využívá se při vyhledávání v dokumentech a knowledge base.

Rozdíly mezi hlavními AI modely

Osobní AI asistent: Váš digitální spolupracovník

30 % designérů potvrzuje, že AI výrazně zvyšuje jejich efektivitu – ale jen pokud ji správně nastavíte.

Jak vytvořit efektivního AI asistenta:

1. Definujte svůj styl práce

• Jaké projekty děláte nejčastěji?
• Jaký je váš designový jazyk?
• S jakými frameworky pracujete?

1. Vytvořte custom instructions

   Jsem UX designér specializující se na B2B SaaS produkty.
   Preferuji minimalistický design a data-driven přístup.
   Používám Design Thinking a Jobs To Be Done framework.
   Při nápadech chci vidět 3-5 variant s pros/cons.

3. Vybudujte knihovnu promptů

• Prompty pro výzkumné rozhovory
• Prompty pro analýzu dat
• Prompty pro generování nápadů
• Prompty pro tvorbu dokumentace

3. Integrujte do workflow

• Napojte na Figmu, Notion, Slack
• Automatizujte opakující se úkoly
• Vytvořte shortcuts pro časté operace

Byznys case: ROI AI v designu

Reálný příklad z praxe:

Středně velká designová agentura implementovala AI do svého workflow:

Před AI:

• Výzkumná fáze: 2 týdny
• Analýza a sense-making: 1 týden
• Ideace: 3 dny
• Prototypování: 2 týdny
• Celkem: 5,5 týdne

S AI:

• Výzkumná fáze: 3 dny (automatizovaný OSINT, AI rozhovory)
• Analýza: 2 dny (AI-powered analytics)
• Ideace: 1 den (AI brainstorming)
• Prototypování: 3 dny (vibe coding)
• Celkem: 9 dní

Výsledek:

• Úspora času: 70 %
• Zvýšení kapacity: 3× více projektů
• Vyšší kvalita: Více času na strategii a kreativu

Rizika a jejich řešení

2. Výzkum: AI jako váš výzkumný tým

OSINT: Získávání dat o zákaznících a konkurenci

Open Source Intelligence (OSINT) je disciplína, která se díky AI stala dostupnou každému designérovi. Už nepotřebujete specializovaný tým – stačí správné nástroje a techniky.

Co můžete zjistit pomocí AI-powered OSINT:

O zákaznících:

• Jaké problémy řeší na fórech a sociálních sítích
• Jaký jazyk používají (klíčové pro UX copy)
• Jaké alternativní řešení zkoušeli
• Sentiment vůči vaší kategorii produktů

O konkurenci:

• Analýza jejich produktových stránek a landing pages
• Změny v jejich UX/UI za posledních 6 měsíců
• Recenze a feedback uživatelů
• Cenové strategie a positioning

Praktický postup:

1. Definujte výzkumné otázky

   - Jaké jsou hlavní pain pointy našich zákazníků?
   - Jak konkurence řeší feature X?
   - Jaké trendy se objevují v našem odvětví?

2. Použijte AI pro automatizovaný sběr

• Perplexity pro agregaci informací z webu
• ChatGPT s browsing pro analýzu konkurenčních stránek
• Specializované OSINT nástroje (Maltego, SpiderFoot)

2. Strukturujte a analyzujte data

• AI pomůže kategorizovat nálezy
• Identifikuje vzory a trendy
• Vytvoří přehledné reporty

Příklad promptu pro OSINT:

Analyzuj diskuze na Redditu, ProductHunt a Twitter za posledních 6 měsíců 
týkající se [vaší kategorie produktu]. Zaměř se na:
1. Nejčastější stížnosti uživatelů
2. Požadované funkce, které chybí
3. Pozitivní zmínky o konkurenčních řešeních
4. Emerging trendy a nové přístupy

Výstup strukturuj jako:
- Top 10 pain pointů (s frekvencí zmínek)
- Top 5 missing features
- Competitive insights
- Trend report

Crawling, scraping a čištění dat

Web crawling a scraping jsou techniky, které AI dramaticky zjednodušila. Už nemusíte být programátor – AI vám pomůže s celým procesem.

Praktické použití pro designéry:

Analýza konkurenčních UI patternů:

• Scrapněte 50 konkurenčních landing pages
• AI identifikuje společné UI prvky
• Vytvoří přehled best practices

Trend research:

• Crawlujte Dribbble, Behance, Awwwards
• AI analyzuje vizuální trendy
• Generuje mood boardy a style guides

Sentiment analysis:

• Scrapněte recenze z App Store, Google Play
• AI vyhodnotí sentiment a kategorizuje feedback
• Identifikuje priority pro redesign

Nástroje a techniky:

Pro non-kodéry:

• Browse AI – no-code web scraping
• Octoparse – vizuální scraping tool
• Apify – marketplace s ready-made scrapery

S pomocí AI:

Prompt pro ChatGPT/Claude:
"Napiš mi Python script, který:
1. Scrapne produktové stránky z [seznam URL]
2. Extrahuje: nadpisy, CTA texty, použité barvy, layout strukturu
3. Uloží data do CSV
4. Vytvoří summary report s nejčastějšími patterns"

Čištění dat s AI:

Surová data jsou často nekonzistentní a obsahují chyby. AI je dokáže vyčistit a normalizovat:

Prompt:
"Mám dataset s 500 uživatelskými komentáři. Proveď:
1. Odstranění duplicit
2. Opravu překlepů
3. Kategorizaci do témat (UX, funkce, cena, support...)
4. Sentiment scoring (pozitivní/neutrální/negativní)
5. Identifikaci klíčových citací pro každou kategorii"

Rozhovory s AI: Nová dimenze výzkumu

AI otevírá tři revoluční přístupy k výzkumu:

1. AI jako výzkumný konzultant

Před rozhovorem:

Prompt:
"Plánuji uživatelský výzkum pro [popis produktu].
Cílová skupina: [popis]
Výzkumné otázky: [seznam]

Pomoz mi:
1. Zrevidovat výzkumné otázky (jsou dostatečně otevřené?)
2. Navrhnout strukturu rozhovoru
3. Připravit follow-up otázky pro různé scénáře
4. Identifikovat potenciální biasy v mých otázkách"

Během analýzy:
AI vám pomůže s transkriptem, kódováním a identifikací vzorů napříč rozhovory.

2. Syntetický výzkum

Kontroverzní, ale užitečná technika: AI může simulovat odpovědi různých person na základě existujících dat.

Kdy použít:

• Pro rychlé testování hypotéz
• Jako doplněk k reálnému výzkumu
• Když nemáte přístup k reálným uživatelům
• NIKDY jako náhradu skutečného výzkumu
• Ne pro finální rozhodnutí

Příklad:

"Simuluj rozhovor s 35letým CFO středně velké firmy,
který řeší [problém]. Zaměř se na:
- Jeho denní workflow
- Pain pointy při používání současných řešení
- Rozhodovací kritéria při výběru nového nástroje
- Budget considerations

Odpovídej realisticky, včetně váhání a nejasností."

3. AI-powered interview analysis

Největší časová úspora ve výzkumu:

Po provedení 10 rozhovorů máte 10 hodin nahrávek. Tradiční analýza zabere další týden. S AI to zvládnete za den.

Workflow:

1. Transkripce (Otter.ai, Fireflies.ai)
2. Nahrání do AI s instrukcemi:

"Analyzuj těchto 10 transkriptů uživatelských rozhovorů.
Vytvoř:

1. THEMATIC ANALYSIS
   - Identifikuj 5-7 hlavních témat
   - Pro každé téma uveď frekvenci a příklady citací

2. PAIN POINTS RANKING
   - Seřaď podle závažnosti a frekvence
   - Uveď, kolik respondentů zmínilo každý pain point

3. JOBS TO BE DONE
   - Jaké "práce" uživatelé najímají produkt udělat?
   - Funkční, emocionální a sociální jobs

4. OPPORTUNITY AREAS
   - Kde vidíš největší příležitosti pro inovaci?

5. QUOTES LIBRARY
   - Nejsilnější citace pro každou kategorii
   - Použitelné pro prezentace a reporty"

3. Iterativní dotazování:

"Zaměř se hlouběji na téma [X]. 
Jaké nuance jsem možná přehlédl?
Jsou tam nějaké protichůdné názory?"

Výsledek: Komplexní analýza za zlomek času s insights, které byste manuálně možná přehlédli.

3. Sense-making: Od dat k insights

Analýza dat s AI: Když čísla začnou mluvit

Kvalitativní analýza:

AI exceluje v práci s nestrukturovanými daty – rozhovory, feedback, poznámky z testování.

Praktický příklad:

Máte 200 kusů feedbacku z beta testování. Manuální analýza = 2 dny práce.

S AI:

Prompt:
"Analyzuj tento feedback z beta testování [paste data].

Vytvoř:
1. SENTIMENT BREAKDOWN
   - % pozitivních/neutrálních/negativních reakcí
   - Sentiment trend v čase

2. FEATURE REQUESTS PRIORITIZATION
   - Frekvence zmínek
   - Urgency (jak moc to uživatele blokuje)
   - Impact (kolik uživatelů to ovlivní)

3. BUG SEVERITY MATRIX
   - Critical/High/Medium/Low
   - Affected user segments

4. UX FRICTION POINTS
   - Kde uživatelé "ztroskotávají"
   - Citace ilustrující problém

5. POSITIVE HIGHLIGHTS
   - Co funguje výborně
   - Unexpected delights"

Kvantitativní analýza:

AI dokáže zpracovat i statistická data a vytvořit vizualizace.

"Mám dataset s [popis dat]. Proveď:
1. Exploratory data analysis
2. Identifikuj korelace a anomálie
3. Vytvoř vizualizace (Python/matplotlib)
4. Navrhni další analytické kroky"

Opportunity mapping s AI

Opportunity mapping je framework pro identifikaci příležitostí k inovaci. AI ho dělá mnohem efektivnější.

Tradiční proces:

1. Sběr dat (týdny)
2. Analýza (dny)
3. Workshop s týmem (hodiny)
4. Prioritizace (hodiny)

S AI:

1. Sběr dat (automatizovaný)
2. AI analýza (minuty)
3. AI-facilitated workshop (efektivnější)
4. AI-powered prioritizace (minuty)

Prompt pro opportunity mapping:

"Na základě těchto výzkumných dat [paste data] vytvoř opportunity map:

STRUKTURA:
Pro každou příležitost uveď:
- Popis příležitosti
- Velikost trhu / počet ovlivněných uživatelů
- Současná řešení a jejich limity
- Naše schopnost realizovat (1-10)
- Potenciální impact (1-10)
- Effort estimate (S/M/L/XL)
- Priority score (vypočti jako: Impact × Ability / Effort)

VÝSTUP:
1. Top 10 příležitostí seřazených podle priority
2. Quick wins (high impact, low effort)
3. Strategic bets (high impact, high effort)
4. Fill-ins (low impact, low effort)
5. Money pits (low impact, high effort) - vyvarovat se"

Jobs To Be Done framework s AI

JTBD je mocný framework pro pochopení motivací uživatelů. AI ho dělá dostupnějším.

Klasický JTBD formát:
„When [situation], I want to [motivation], so I can [expected outcome]“

AI vám pomůže:

1. Identifikovat jobs z výzkumných dat:

"Analyzuj tyto rozhovory a identifikuj všechny 'jobs' které uživatelé 
najímají náš produkt udělat. Pro každý job specifikuj:

- Functional job (co konkrétně chtějí udělat)
- Emotional job (jak se chtějí cítit)
- Social job (jak chtějí být vnímáni)
- Situational context (kdy tento job vzniká)
- Success criteria (jak poznají, že je job hotový)
- Current solutions (co teď používají)
- Frustrations (co je na současných řešeních špatně)"

2. Mapovat konkurenci na jobs:

"Pro každý identifikovaný job:
- Jak ho řeší konkurence A, B, C?
- Kde jsou mezery v jejich řešení?
- Jaké jobs jsou underserved?
- Kde máme competitive advantage?"

3. Generovat solution ideas:

"Pro top 5 underserved jobs navrhni:
- 3 evoluční řešení (vylepšení existujících přístupů)
- 2 revoluční řešení (zcela nové přístupy)
Pro každé řešení uveď pros/cons a implementation complexity"

Custom designové frameworky s AI

Někdy potřebujete framework šitý na míru vašemu projektu. AI vám ho pomůže vytvořit.

Příklad:

"Potřebuji vytvořit framework pro hodnocení AI features v našem produktu.
Framework by měl zohlednit:
- Užitečnost pro uživatele
- Technickou složitost
- Etické implikace
- Explainability (jak moc je AI transparentní)
- Fallback možnosti (co když AI selže)
- Privacy concerns

Navrhni:
1. Strukturu frameworku (dimenze, škály)
2. Scoring systém
3. Vizuální reprezentaci (matice, radar chart?)
4. Decision tree pro prioritizaci
5. Template pro dokumentaci každého feature"

Výzkumné reporty: Od dat k příběhu

Největší výzva výzkumu: Transformovat data v přesvědčivý příběh, který povede k akci.

AI vám pomůže s:

1. Strukturování reportu

"Mám tyto výzkumné nálezy [paste findings].
Vytvoř strukturu reportu pro executive audience:

- Executive summary (1 strana)
- Key findings (3-5 hlavních zjištění)
- Detailed insights (s daty a citacemi)
- Recommendations (konkrétní akční kroky)
- Appendix (metodologie, raw data)

Pro každou sekci navrhni:
- Klíčové body
- Vhodné vizualizace
- Storytelling flow"

2. Vytvoření vizualizací

"Pro tyto data vytvoř Python script s matplotlib/seaborn:

[paste data]

Potřebuji: – Bar chart pro srovnání kategorií – Heatmap pro korelace – Sankey diagram pro user journey – Word cloud z kvalitativního feedbacku Použij naši brand color palette: [colors]“

3. Copywriting

"Přepiš tyto technické findings do executive-friendly jazyka:

[paste findings]

Požadavky: – Jasné, konkrétní formulace – Business impact v popředí – Žádný jargon – Akční doporučení – Storytelling přístup“

4. Automatizace reportingu

Pro pravidelné reporty (např. měsíční UX metriky) můžete vytvořit automatizovaný pipeline:

1. Data se automaticky sbírají (analytics, feedback forms)
2. AI je analyzuje podle vašich šablon
3. Generuje report v konzistentním formátu
4. Rozesílá stakeholderům

Výsledek: Z týdenní práce na reportu se stane hodinová kontrola AI výstupu.

4. Ideace: Vymýšlení nápadů v AI éře

Efektivní brainstorming s AI

Tradiční brainstorming má problémy:

• Groupthink (všichni myslí podobně)
• Dominantní osobnosti potlačují ostatní
• Mentální bloky
• Omezený čas = omezené nápady

AI řeší všechny tyto problémy:

1. Divergentní myšlení na steroidech

"Potřebuji vymyslet nové způsoby, jak [problém].

CONSTRAINS:
- Cílová skupina: [popis]
- Budget: [rozsah]
- Timeline: [časový rámec]
- Tech stack: [omezení]

PROCESS:
1. Vygeneruj 50 nápadů (ano, 50!)
2. Použij různé thinking frameworks:
   - SCAMPER (Substitute, Combine, Adapt, Modify, Put to other use, Eliminate, Reverse)
   - First Principles thinking
   - Analogies z jiných odvětví
   - Provokativní otázky
3. Pro každý nápad uveď:
   - Stručný popis (1 věta)
   - Klíčová inovace
   - Wow factor (1-10)

Nechci bezpečné nápady. Chci wild ideas, které mě překvapí."

2. Kombinování konceptů

AI exceluje v neočekávaných kombinacích:

"Vezmi tyto tři koncepty:
1. [koncept A z vašeho odvětví]
2. [koncept B z úplně jiného odvětví]
3. [emerging tech trend]

Vytvoř 10 inovativních nápadů jejich kombinací.
Pro každý nápad vysvětli:
- Jak tyto koncepty spojuje
- Proč by to mohlo fungovat
- Jaký problém to řeší jinak než současná řešení"

3. Perspektivy různých person

"Vygeneruj nápady na [problém] z perspektivy:

1. Tech-savvy millennial
2. Non-technical baby boomer
3. Busy working parent
4. Accessibility advocate
5. Privacy-conscious user
6. Cost-conscious small business owner

Pro každou perspektivu:
- Jaké jsou jejich priority?
- Jaké řešení by preferovali?
- Co je pro ně deal-breaker?"

Prompt engineering pro skvělé nápady

Kvalita nápadů = kvalita promptu

Špatný prompt:

"Vymysli nápady na nový feature."

Dobrý prompt:

"CONTEXT:
Jsme B2B SaaS produkt pro projektový management.
Naši uživatelé: project manažeři v tech firmách (50-500 zaměstnanců).
Hlavní pain point: Ztráta přehledu při práci s více týmy současně.

GOAL:
Vymyslet feature, který radikálně zlepší cross-team collaboration.

CONSTRAINTS:
- Musí fungovat s našim současným tech stackem (React, Node.js, PostgreSQL)
- Implementace max 3 měsíce
- Nesmí komplikovat současné workflow
- Musí být intuitivní (onboarding max 5 minut)

INSPIRATION:
Líbí se nám přístupy z: Figma (real-time collaboration), Notion (flexibility), Linear (speed)

PROCESS:
1. Analyzuj problém z různých úhlů
2. Vygeneruj 15 nápadů (mix evolučních a revolučních)
3. Pro každý nápad uveď:
   - Elevator pitch (2 věty)
   - Key innovation
   - User value proposition
   - Technical complexity (1-10)
   - Wow factor (1-10)
   - Potential risks
4. Vyber top 3 a rozveď je podrobněji

OUTPUT FORMAT:
Markdown s jasnou strukturou, bullet points, bold pro klíčové informace."

Rozdíl je dramatický.

AI oponentura nápadů

Každý nápad potřebuje kritické zhodnocení. AI může simulovat různé perspektivy:

"Mám tento nápad: [popis nápadu]

Proveď důkladnou oponenturu z těchto perspektiv:

1. UŽIVATEL
   - Bude to opravdu používat?
   - Je to dostatečně intuitivní?
   - Řeší to skutečný problém nebo jen symptom?

2. BUSINESS
   - Jaký je revenue potential?
   - Jak to ovlivní churn rate?
   - Konkurenční výhoda?
   - Monetization strategy?

3. TECH
   - Technická feasibility?
   - Scalability concerns?
   - Maintenance overhead?
   - Security implications?

4. DESIGN
   - Konzistence s design systémem?
   - Accessibility?
   - Edge cases?
   - Cognitive load?

5. LEGAL/ETHICS
   - Privacy concerns?
   - GDPR compliance?
   - Ethical implications?
   - Potential misuse?

Pro každou perspektivu:
- Identifikuj 3-5 největších rizik/problémů
- Navrhni možná řešení/mitigace
- Dej overall assessment (Go / No-go / Needs work)"

Red team thinking:

"Představ si, že jsi konkurence a chceš náš nápad zničit.
Jak bys to udělal? Kde jsou slabá místa?

Pak přepni a navrhni, jak tato slabá místa eliminovat."

Prioritizace nápadů s AI

Máte 50 nápadů. Který realizovat první?

RICE framework s AI

RICE = Reach × Impact × Confidence / Effort

"Mám těchto 15 nápadů: [seznam nápadů]

Pro každý nápad odhadni:

REACH (kolik uživatelů to ovlivní za kvartál)
- Estimate based on our user base: [číslo uživatelů]
- Consider adoption rate

IMPACT (jak moc to ovlivní každého uživatele)
- 3 = Massive impact
- 2 = High impact
- 1 = Medium impact
- 0.5 = Low impact
- 0.25 = Minimal impact

CONFIDENCE (jak si jsme jistí odhady)
- 100% = High confidence (máme data)
- 80% = Medium confidence (máme nějaké indicie)
- 50% = Low confidence (educated guess)

EFFORT (person-months)
- Consider: design, development, testing, documentation

Vypočti RICE score pro každý nápad a seřaď je.
Vytvoř vizualizaci (2×2 matrix: Impact vs Effort)."

Value vs Effort matrix

"Umísti těchto 15 nápadů do Value vs Effort matrixu:

VALUE (business + user value):
- High: Řeší critical pain point, high revenue potential
- Medium: Nice to have, moderate revenue potential
- Low: Minor improvement, low revenue potential

EFFORT (time + resources):
- Low: < 2 týdny, 1-2 lidé
- Medium: 2-6 týdnů, 2-4 lidé
- High: > 6 týdnů, 4+ lidí

Výstup:
1. Quick wins (high value, low effort) - PRIORITA
2. Big bets (high value, high effort) - plánovat
3. Fill-ins (low value, low effort) - když máme čas
4. Time sinks (low value, high effort) - VYHNOUT SE

Pro každou kategorii doporuč konkrétní akci."

5. Prototypování: Od nápadu k funkčnímu produktu za hodiny

Vibe coding: Nová éra prototypování

Vibe coding = popisujete, co chcete, místo psaní kódu.

Tradiční prototypování:

Designer → Figma mockup → Handoff → Developer → Code → Review → Iterate
Timeline: týdny

Vibe coding:

Designer → Natural language prompt → AI → Functional prototype → Iterate
Timeline: hodiny

Principy vibe coding:

1. Konverzační vývoj

• Mluvíte s AI jako s vývojářem
• Iterujete v real-time
• Okamžitá vizuální feedback

1. Deklarativní přístup

• Popisujete „co“ ne „jak“
• AI řeší implementační detaily
• Vy se soustředíte na UX

1. Rychlé iterace

• Změna za sekundy místo hodin
• A/B testování variant
• Experimentování bez rizika

Kdy použít vibe coding:

✅ ANO:

• Rychlé prototypy pro testování
• Landing pages
• Internal tools
• MVP produktů
• Design explorace

❌ NE:

• Production-ready aplikace (zatím)
• Komplexní backend logika
• High-security aplikace
• Real-time systémy

Pokročilé prototypování s AI

Top nástroje pro rok 2025:

1. v.dev (Vercel)

• Specializace: React komponenty a web apps
• Síla: Generuje production-quality kód
• Best for: SaaS produkty, dashboardy

Příklad použití:

"Vytvoř dashboard pro project management s:
- Sidebar navigation (Projects, Tasks, Team, Settings)
- Main area: Kanban board s 3 columns (To Do, In Progress, Done)
- Každá karta má: title, assignee avatar, due date, priority badge
- Top bar: search, notifications, user menu
- Použij Tailwind CSS, dark mode support
- Responsive design"

2. Bolt.new

• Specializace: Full-stack aplikace
• Síla: Integruje frontend i backend
• Best for: Komplexnější prototypy s databází

3. Cursor / GitHub Copilot

• Specializace: AI-assisted coding
• Síla: Pomáhá s custom logikou
• Best for: Když potřebujete více kontroly

4. Framer AI

• Specializace: Marketing websites
• Síla: Krásný design out of the box
• Best for: Landing pages, portfolia

Tvorba zadání pro AI prototyp

Kvalita prototypu = kvalita zadání

Špatné zadání:

"Udělej mi e-shop."

Dobré zadání:

"PROJEKT: E-shop s vintage oblečením

TARGET AUDIENCE:
- Ženy 25-40 let
- Fashion-conscious
- Environmentally aware
- Mid-high income

BRAND VIBE:
- Elegant, minimalist
- Sustainable, authentic
- Premium but accessible

KEY PAGES:
1. Homepage
   - Hero s rotating featured items
   - Category grid (Dresses, Tops, Bottoms, Accessories)
   - Featured collections
   - Instagram feed integration
   - Newsletter signup

2. Product Listing
   - Filter sidebar (size, color, price, era, condition)
   - Grid view (3 columns desktop, 1 mobile)
   - Quick view on hover
   - Wishlist functionality

3. Product Detail
   - Image gallery (5-8 photos)
   - Size guide
   - Condition description
   - Sustainability info
   - Similar items
   - Reviews

4. Cart & Checkout
   - Mini cart in header
   - Full cart page
   - Guest checkout option
   - Multiple payment methods

DESIGN SYSTEM:
- Colors: #F5F5DC (cream), #2C3E50 (navy), #E8D5C4 (beige)
- Typography: Playfair Display (headings), Inter (body)
- Spacing: 8px grid
- Border radius: 4px
- Shadows: subtle, elegant

FUNCTIONALITY:
- Search with autocomplete
- Wishlist (localStorage)
- Size recommendations
- Estimated delivery
- Social sharing

TECH PREFERENCES:
- React + Next.js
- Tailwind CSS
- Framer Motion for animations
- Mock data (JSON)

INSPIRATION:
- Vestiaire Collective (UX flow)
- Reformation (visual style)
- Etsy (product presentation)"

Iterování nad AI prototypy

Workflow pro efektivní iterace:

1. Generuj první verzi

• Použij detailní prompt
• Nechej AI vytvořit základ

1. Review a identifikace issues

"Analyzuj tento prototyp a identifikuj:
- UX friction pointy
- Accessibility issues
- Responsive design problémy
- Performance bottlenecks
- Missing edge cases"

3. Iterativní vylepšování

"Změň:
1. Navbar má být sticky
2. Product cards potřebují hover effect
3. Přidej loading states
4. Zlepši mobile navigation
5. Přidej error states pro formuláře"

4. A/B testování variant

"Vytvoř 3 varianty homepage hero sekce:
A) Minimalistická s velkým obrazem
B) Split-screen s textem vlevo
C) Video background s overlay

Pro každou variantu optimalizuj pro konverzi."

5. Refinement details

"Vylaď:
- Spacing mezi elementy (použij 8px grid)
- Typography hierarchy (větší kontrast mezi úrovněmi)
- Color accessibility (všechny kombinace min. WCAG AA)
- Micro-interactions (subtle hover effects, transitions)
- Loading animations (skeleton screens)"

Generování landing pages

Landing pages jsou ideální use case pro AI – jasná struktura, známé best practices, rychlá iterace.

Kompletní prompt pro landing page:

"PROJEKT: Landing page pro [název produktu]

PRODUCT:
- Co to je: [jednoduchý popis]
- Pro koho: [target audience]
- Hlavní benefit: [value proposition]
- Diferenciátor: [co vás odlišuje]

STRUCTURE:

1. HERO SECTION
   - Headline: [návrh nebo nech AI vygenerovat]
   - Subheadline: [doplňující info]
   - CTA: [text buttonu]
   - Visual: [popis nebo placeholder]
   - Social proof: [logos, testimonial, stats]

2. PROBLEM SECTION
   - Headline: "The Problem"
   - 3 pain pointy našich zákazníků
   - Vizuální reprezentace (icons, illustrations)

3. SOLUTION SECTION
   - Headline: "The Solution"
   - Jak náš produkt řeší každý pain point
   - Screenshots nebo mockupy

4. FEATURES
   - 6 key features
   - Pro každý: icon, headline, description
   - Layout: 3 columns desktop, 1 mobile

5. HOW IT WORKS
   - 3-4 kroky
   - Numbered, s vizuály
   - Jednoduchý, srozumitelný proces

6. SOCIAL PROOF
   - 3-4 testimonials
   - Jméno, pozice, foto, quote
   - Případně video testimonials

7. PRICING (pokud relevantní)
   - 2-3 tiers
   - Highlight recommended tier
   - Feature comparison

8. FAQ
   - 5-8 nejčastějších otázek
   - Stručné, jasné odpovědi

9. FINAL CTA
   - Silný call-to-action
   - Benefit-focused
   - Low friction (free trial, demo, etc.)

COPYWRITING STYLE:
- Tone: [professional/casual/playful/...]
- Voice: [authoritative/friendly/inspiring/...]
- Avoid: jargon, buzzwords, vague claims
- Focus: konkrétní benefits, měřitelné výsledky

DESIGN:
- Style: [modern/minimal/bold/elegant/...]
- Colors: [brand colors nebo nech AI navrhnout]
- Typography: [preferences nebo nech AI]
- Imagery: [photos/illustrations/3D/...]

OPTIMIZATION:
- Mobile-first
- Fast loading (optimized images)
- Clear visual hierarchy
- Accessible (WCAG AA)
- SEO-friendly (semantic HTML, meta tags)

CONVERSIONS:
- Multiple CTAs (above fold, middle, bottom)
- Exit-intent popup
- Chat widget
- Email capture

Vygeneruj kompletní landing page s:
- HTML/CSS/JS (nebo React)
- Placeholder content (nebo real copy)
- Responsive design
- Animations (subtle, professional)
- Analytics ready (GA4 tags)"

Výsledek: Funkční landing page za 10-30 minut místo dnů.

6. AI Stack: Postavte si svůj designový ekosystém

AI governance: Bezpečnost, etika, právo

Než začnete používat AI naplno, musíte vyřešit governance.

Bezpečnost dat

Co NIKDY neposílejte do veřejných AI:

• ❌ Osobní údaje zákazníků (jména, emaily, adresy)
• ❌ Citlivá business data (revenue, strategie)
• ❌ Nesdílený kód nebo design
• ❌ Confidential výzkum
• ❌ Interní dokumenty

Řešení:

1. Anonymizace dat

"Před odesláním do AI:
- Nahraď jména → User A, User B
- Nahraď firmy → Company X, Company Y
- Odstraň konkrétní čísla → [NUMBER]
- Generalizuj lokace → [CITY], [COUNTRY]"

2. Enterprise AI řešení

• ChatGPT Enterprise (data se netrénují)
• Claude for Work
• On-premise AI modely

2. Data retention policies

• Pravidelně mažte AI konverzace
• Neukládejte citlivá data v AI tools
• Používejte temporary chats

Etické principy

AI Ethics Checklist pro designéry:

Transparentnost

• Uživatelé vědí, kdy interagují s AI?
• Je jasné, jak AI dělá rozhodnutí?
• Můžou uživatelé oponovat AI rozhodnutí?

Fairness

• Testovali jsme AI na různých demografických skupinách?
• Nejsou v datech biasy?
• Neznevýhodňuje AI nějakou skupinu?

Privacy

• Jaká data AI sbírá?
• Jak jsou data používána?
• Můžou uživatelé data smazat?

Accountability

• Kdo je zodpovědný za AI chyby?
• Jak řešíme stížnosti?
• Máme fallback pro AI failures?

Human oversight

• Jsou kritická rozhodnutí kontrolována lidmi?
• Může uživatel požádat o human review?
• Máme eskalační proces?

Praktický příklad:

"Navrhujeme AI feature pro screening job aplikací.

ETHICAL REVIEW:
1. Bias check:
   - Trénovali jsme na diverse datasetu?
   - Testovali jsme na různých demografiích?
   - Jsou výsledky fair across groups?

2. Transparency:
   - Kandidáti vědí, že používáme AI?
   - Můžeme vysvětlit, proč byl někdo odmítnut?
   - Je možné požádat o human review?

3. Privacy:
   - Jaká data AI analyzuje?
   - Jak dlouho je uchováváme?
   - Můžou kandidáti požádat o smazání?

4. Fallback:
   - Co když AI selže?
   - Máme manuální proces?
   - Jak rychle můžeme eskalovat?

Vytvoř checklist pro každou AI implementaci."

Právní rámec

GDPR a AI:

Klíčové povinnosti:

1. Právní základ pro zpracování

• Souhlas uživatele
• Legitimní zájem
• Plnění smlouvy

1. Informační povinnost

• Uživatelé musí vědět o AI použití
• Musí znát účel zpracování
• Musí mít právo na vysvětlení

1. Práva uživatelů

• Právo na přístup k datům
• Právo na opravu
• Právo na výmaz
• Právo na přenositelnost

Autorská práva a AI:

Kontroverzní otázky:

• Kdo vlastní AI-generovaný obsah?
• Můžete použít AI výstupy komerčně?
• Co když AI „zkopíruje“ existující design?

Best practices:

1. Dokumentujte AI použití

• Jaké nástroje jste použili
• Jaké prompty
• Jak moc jste editovali výstup

1. Kontrolujte originality

• Používejte reverse image search
• Ověřujte unikátnost
• V pochybnostech konzultujte právníka

1. Čtěte Terms of Service

• Každý AI nástroj má jiné podmínky
• Některé si nárokují práva na výstupy
• Některé zakazují komerční použití

Design AI Stack: Nástroje a workflow

Postavte si kompletní AI ekosystém pro design.

Kategorie nástrojů

1. VÝZKUM & ANALÝZA

2. IDEACE & KREATIVA

3. PROTOTYPOVÁNÍ

4. AUTOMATIZACE

5. KNOWLEDGE MANAGEMENT

Workflow design

Příklad kompletního AI workflow:

FÁZE 1: VÝZKUM

Input: Výzkumná otázka
↓
Perplexity: Desk research
↓
ChatGPT: Příprava interview guide
↓
Otter.ai: Transkripce rozhovorů
↓
Claude: Analýza transkriptů
↓
Output: Research report

FÁZE 2: IDEACE

Input: Research insights
↓
ChatGPT: Brainstorming (50 nápadů)
↓
Claude: Kritické zhodnocení
↓
Midjourney: Vizuální explorace top nápadů
↓
ChatGPT: Prioritizace (RICE framework)
↓
Output: Top 5 konceptů s vizuály

FÁZE 3: PROTOTYPOVÁNÍ

Input: Vybraný koncept
↓
ChatGPT: Detailní specifikace
↓
v0.dev: Generování prototypu
↓
Cursor: Refinement a custom logika
↓
Output: Funkční prototyp

FÁZE 4: TESTOVÁNÍ

Input: Prototyp
↓
Maze/UserTesting: User testing
↓
Claude: Analýza feedbacku
↓
ChatGPT: Prioritizace změn
↓
v0.dev: Iterace
↓
Output: Vylepšený prototyp

Knihovna promptů

Organizujte své prompty systematicky:

Struktura:

/prompts
  /research
    - interview-guide.md
    - data-analysis.md
    - report-generation.md
  /ideation
    - brainstorming.md
    - critique.md
    - prioritization.md
  /prototyping
    - component-generation.md
    - landing-page.md
    - dashboard.md
  /documentation
    - user-story.md
    - technical-spec.md
    - design-rationale.md

Template pro prompt:

# [Název promptu]

## Účel
[Co tento prompt dělá]

## Kdy použít
[Situace, kdy je prompt užitečný]

## Input
[Co potřebujete připravit]

## Prompt

[Samotný prompt]

## Output
[Co očekávat]

## Tips
[Best practices, common pitfalls]

## Příklad
[Konkrétní use case]

Custom AI asistenti (GPTs)

Vytvořte specializované asistenty pro opakující se úkoly:

Příklad: UX Research Analyst GPT

ROLE:
Jsi expert na UX research s 10+ lety zkušeností.
Specializuješ se na kvalitativní analýzu a Jobs To Be Done framework.

CAPABILITIES:
- Analýza interview transkriptů
- Identifikace patterns a themes
- JTBD mapping
- Opportunity identification
- Report generation

INSTRUCTIONS:
1. Vždy začni shrnutím klíčových zjištění
2. Používej konkrétní citace jako důkazy
3. Strukturuj výstupy do jasných sekcí
4. Navrhuj actionable recommendations
5. Vizualizuj data když je to možné

TONE:
Profesionální, ale přístupný. Jasný a konkrétní.

OUTPUT FORMAT:
- Markdown formatting
- Bullet points pro přehlednost
- Bold pro klíčové informace
- Tabulky pro srovnání
- Číslované seznamy pro kroky

KNOWLEDGE BASE:
[Nahrajte své research frameworky, templates, best practices]

Další užitečné custom GPTs:

• Design Critic – kritické zhodnocení designů
• Copywriter – UX copy a marketing texty
• Accessibility Auditor – kontrola přístupnosti
• Prototype Generator – generování kódu
• Meeting Summarizer – summary z meetingů

Knowledge management s AI

Největší výzva AI éry: Jak organizovat explodující množství informací?

Centralizace znalostí

Problém:

• Prompty rozházené v různých AI tools
• Research findings v různých dokumentech
• Insights ztracené v chat historii
• Žádný single source of truth

Řešení: Knowledge Hub

Struktura:

/knowledge-hub
  /research
    /2024-Q4-user-research
      - raw-data/
      - analysis/
      - insights/
      - reports/
  /prompts
    - [organizované podle kategorií]
  /frameworks
    - design-process.md
    - research-methods.md
    - prioritization-frameworks.md
  /case-studies
    - [dokumentované projekty]
  /learnings
    - what-worked.md
    - what-didnt.md
    - best-practices.md

Vektorové databáze

Pro pokročilé: RAG (Retrieval-Augmented Generation)

Co to je:
AI s přístupem k vaší firemní knowledge base. Odpovídá na základě vašich dokumentů, ne jen obecných znalostí.

Use cases:

• „Jak jsme řešili podobný problém v projektu X?“
• „Jaké jsou naše design guidelines pro [téma]?“
• „Co jsme se naučili z minulého user testingu?“

Implementace:

1. Jednoduchá (no-code):

• ChatGPT Enterprise (native RAG)
• Notion AI (prohledává vaši Notion workspace)
• Mem (automaticky propojuje poznámky)

1. Pokročilá (custom):

• Pinecone + OpenAI embeddings
• Weaviate
• Chroma

Příklad workflow:

1. Nahrajete všechny research reporty do vektorové DB
2. Zeptáte se: "Jaké pain pointy se opakují napříč projekty?"
3. AI prohledá všechny reporty a vytvoří summary
4. Dostanete odpověď s odkazy na konkrétní dokumenty

Continuous learning

AI se vyvíjí rychle. Jak udržet krok?

Strategie:

1. Týdenní AI digest

• Nastavte si Google Alerts na „AI design tools“
• Sledujte klíčové newslettery (Ben’s Bites, TLDR AI)
• 30 minut týdně na update

1. Měsíční tool review

• Otestujte 1-2 nové AI nástroje
• Porovnejte s vašimi současnými
• Rozhodněte: adopt / wait / ignore

1. Kvartální stack audit

• Které nástroje skutečně používáte?
• Kde jsou duplicity?
• Co můžete konsolidovat?
• Kde jsou mezery?

1. Sdílení v týmu

• Týdenní „AI show & tell“
• Sdílení zajímavých promptů
• Dokumentování learnings

Template pro tool evaluation:

# [Název nástroje]

## Co to dělá
[Stručný popis]

## Testovali jsme
- Use case: [konkrétní úkol]
- Výsledek: [co nástroj vytvořil]
- Čas: [jak dlouho to trvalo]

## Pros
- [co se líbilo]

## Cons
- [co se nelíbilo]

## Srovnání s [současné řešení]
- Rychlost: [rychlejší/pomalejší]
- Kvalita: [lepší/horší]
- Cena: [dražší/levnější]
- Learning curve: [jednodušší/složitější]

## Rozhodnutí
[ ] Adopt (nahradí současné řešení)
[ ] Supplement (doplní současné řešení)
[ ] Wait (sledovat vývoj)
[ ] Ignore (není pro nás)

## Action items
[Konkrétní kroky pokud adoptujeme]

Závěr: Budoucnost designu je tady

AI není hrozba pro designéry. Je to největší příležitost v historii profese.

Co se mění

Designéři 2025 tráví čas:

• Strategickým myšlením
• Pochopením uživatelských potřeb
• Kreativním řešením problémů
• Storytellingem a komunikací
• Méně: pixelpushingem
• Méně: repetitivními úkoly
• Méně: manuální analýzou dat

Nové skills pro AI éru

Must-have:

1. Prompt engineering – umění komunikace s AI
2. AI literacy – pochopení možností a limitů
3. Data thinking – práce s daty a insights
4. Systems thinking – propojování nástrojů do workflow
5. Ethical reasoning – zodpovědné použití AI

Nice-to-have:

6. Basic coding – pochopení technických možností
7. Automation – vytváření efektivních workflow
8. AI governance – bezpečnost a compliance

Jak začít

Týden 1: Základy

• Zaregistrujte se do ChatGPT Plus a Claude Pro
• Projděte si základní prompt engineering
• Vyzkoušejte 5 základních use cases

Týden 2-4: Experimentování

• Integrujte AI do jedné fáze vašeho procesu
• Dokumentujte, co funguje a co ne
• Sdílejte learnings s týmem

Měsíc 2-3: Rozšiřování

• Přidejte AI do dalších fází
• Vytvořte knihovnu promptů
• Automatizujte první workflow

Měsíc 4+: Optimalizace

• Vybudujte kompletní AI stack
• Vytvořte custom GPTs
• Implementujte knowledge management

Finální myšlenky

AI nenahradí designéry, kteří umí AI používat.

Designéři, kteří AI zvládnou, budou:

• 10× produktivnější než jejich kolegové
• Schopní řešit komplexnější problémy
• Cennější pro firmy
• Kreativnější (více času na kreativu)
• Strategičtější (méně času na execution)

Otázka není, jestli AI použít. Otázka je, jak rychle začnete.

Budoucnost designu není o AI vs. lidech. Je o lidech s AI vs. lidech bez AI.

Začněte dnes. Experimentujte. Učte se. Sdílejte.

Revoluce už běží. Jste v ní?

AI nástroje a techniky se rychle vyvíjejí – sledujte aktualizace a experimentujte s novými možnostmi.