Я попросила Claude Opus 4.6, GPT 5.2 и Gemini 3.1 Pro сгенерировать один и тот же макет дашборда. Результат оказался намного лучше, чем я ожидала.

Для эксперимента я взяла датасет о продажах BMW с Kaggle и дала всем трем моделям абсолютно одинаковый промпт. В нем были не только пожелания по типам визуализаций и цветовой гамме, но и правила форматирования чисел, сортировки, просьба подсвечивать категории в таблице, объединять небольшие категории в Другое и разместить фильтры слева. Я постаралась максимально подробно описать, что можно делать, а что нельзя, поэтому итоговые дашборды получились довольно похожими.

Лучше всех справился Claude Opus 4.6. Он сгенерировал больше 800 строк кода, тогда как GPT 5.2 и Gemini 3.1 Pro выдали примерно по 400–500 строк. При этом Claude точнее следовал требованиям, поэтому итоговый макет получился самым аккуратным.

На второе место я бы поставила GPT 5.2. Он практически со всем справился, но запутался в сортировке и отсортировал значения от меньшего к большему, хотя в промпте было указано обратное.

Третье место у Gemini 3.1 Pro. Помимо ошибки с сортировкой он проигнорировал еще одно требование и разместил фильтры сверху, хотя в промпте я просила расположить их слева.

Конечно, ни один из этих макетов я не могу отнести к полностью готовым, их еще нужно дорабатывать. Но как основа вполне подойдет.

Важно, что все три результата были получены с одного промпта, без дополнительных уточнений и просьб что-то исправить. Итоговый результат будет лучше, если вы будите по ходу нейронку корректировать. Поправь сортировку, перенеси фильтры влево, добавь динамику к KPI карточкам.

А вы уже пробовали генерировать макеты дашбордов с помощью нейросетей? Если да, то какой моделью пользовались и насколько довольны результатом? Если можете, покажите свои результаты в комментариях. Мне очень интересно сравнить.