This article examines a new paradigm of generative user interfaces, in which large-scale language models generate not only content but also the interface structure itself in real time based on user natural-language queries. The article substantiates the relevance of implementing generative AI in information system interfaces due to the growing complexity of business processes and data, as well as in the context of the strategic objectives of the technological sovereignty of the Russian Federation in the field of artificial intelligence. The evolution of user interfaces is analyzed, highlighting the key differences between generative and traditional interfaces. A classification of generative AI use cases in interfaces is proposed: chat-oriented interfaces, generator interfaces, and adaptive workspaces. A five-component architectural model for integrating generative AI into information systems is developed, including a frontend, API gateway, prompt orchestrator, LLM, and interface renderer, with an emphasis on the role of RAG technologies in improving accuracy and reducing hallucinations. Practical Russian case studies are provided: website block generation in Tilda, the SyncPoint platform, corporate solutions at Severstal, and Cloud.ru. Issues of security, privacy, and cultural asymmetry of generative models are considered, requiring adaptation to Russian datasets and visual patterns. A prototype of a generative widget for an analytical platform and a methodology for evaluating its effectiveness are proposed. It is concluded that generative interfaces represent a qualitative shift in the design of human-information system interactions, and their development in Russia must take into account the challenges of cultural adaptation and import substitution.

Keywords: generative artificial intelligence, generative user interfaces, large language models, information systems, RAG, integration architecture, ontological design, cultural asymmetry, technological sovereignty, Russian LLMs, industrial engineering, adaptive interfaces.

Современные информационные системы сталкиваются с фундаментальным вызовом: рост сложности бизнес-процессов и объемов данных опережает эволюцию пользовательских интерфейсов. Традиционные графические интерфейсы, будучи статичными и предопределенными на этапе разработки, оказываются недостаточно гибкими для удовлетворения разнообразных и быстро меняющихся потребностей пользователей. В ответ на этот вызов возникает новая парадигма — генеративные пользовательские интерфейсы, в которых искусственный интеллект генерирует не только контент, но и сам интерфейс. В Российской Федерации развитие технологий генеративного искусственного интеллекта и их внедрение в информационные системы определены в качестве одного из приоритетных направлений научно-технологического развития. В стране активно ведутся как фундаментальные исследования в области ИИ, так и прикладные разработки, направленные на создание отечественных программных продуктов и платформ. В этом контексте особую актуальность приобретает задача интеграции генеративного ИИ в пользовательские интерфейсы информационных систем, что соответствует стратегическим целям технологического суверенитета России в сфере искусственного интеллекта.

Ключевое противоречие заключается в разрыве между высокой сложностью современных информационных систем и ограниченными возможностями классических интерфейсов по обработке неструктурированных запросов. Пользователь вынужден адаптироваться к заранее заданной логике интерфейса, тогда как генеративный ИИ способен адаптировать интерфейс под логику пользователя. Большинство систем по-прежнему ограничены линейным форматом «запрос-ответ», что делает взаимодействие неэффективным в многошаговых, информационно-насыщенных и исследовательских задачах. В последние годы наблюдается всплеск исследовательского интереса к генеративным интерфейсам как в зарубежной, так и в отечественной науке. Ключевые зарубежные работы включают исследование Pott и соавторов, предлагающее таксономию генеративных пользовательских интерфейсов для информационных систем; работу Leviathan и соавторов, демонстрирующую, что современные большие языковые модели способны надежно генерировать высококачественные пользовательские интерфейсы; исследование Chen и соавторов, показывающее, что генеративные интерфейсы превосходят чат-ориентированные по человеческим предпочтениям; а также работу Cao и соавторов, предлагающую подход на основе task-driven data models.

В отечественной науке значительный вклад в развитие теории интеллектуальных пользовательских интерфейсов внесла член-корреспондент РАН В. В. Грибова, разработавшая модели и методы автоматизации проектирования интеллектуальных пользовательских интерфейсов на основе онтологического подхода. Ее работы закладывают теоретический фундамент для создания интерфейсов, способных адаптироваться к задачам пользователя и контексту взаимодействия. В области практического применения RAG-технологий с большими языковыми моделями для корпоративных информационных систем следует отметить исследования, представленные в «Вестнике НГУ». Цель настоящего исследования — разработка подходов и архитектурных решений для интеграции генеративного ИИ в пользовательский интерфейс информационной системы с целью повышения эффективности взаимодействия. Для достижения этой цели необходимо провести анализ эволюции интерфейсов и определить место генеративного UI, классифицировать методы и сценарии внедрения GenAI в интерфейсы, разработать архитектурную модель интеграции и оценить влияние внедрения на пользовательский опыт и производительность. Объектом исследования выступают информационные системы различного назначения, предметом — методы и средства генерации пользовательских интерфейсов на основе больших языковых моделей. Научная новизна заключается в систематизации подходов к интеграции генеративного ИИ в интерфейсы ИС и разработке архитектурной модели, учитывающей специфику российских корпоративных систем и вызовы культурной адаптации генеративных моделей.

Эволюция пользовательских интерфейсов прошла несколько ключевых этапов, каждый из которых знаменовал качественный скачок в способах взаимодействия человека с компьютером. Первый этап — интерфейсы командной строки, когда пользователь взаимодействовал с системой посредством текстовых команд, требуя запоминания синтаксиса и точного воспроизведения инструкций. Этот этап характеризовался высокой пороговой сложностью и низкой интуитивностью. Второй этап — графические пользовательские интерфейсы, появление окон, иконок, меню и указателей сделало компьютеры доступными для массового пользователя. Однако графические интерфейсы остаются статичными: все возможные состояния интерфейса должны быть предусмотрены разработчиком на этапе проектирования. Третий этап — естественно-языковые и адаптивные интерфейсы, когда современные системы начинают понимать естественный язык, голосовые команды и жесты. Однако даже в этом случае интерфейс часто остается статической оболочкой вокруг динамического контента.

Четвертый этап — генеративные интерфейсы, принципиально новая парадигма, в которой генеративный пользовательский интерфейс определяется как интерфейс, динамически создаваемый ИИ-моделью в реальном времени в ответ на запрос пользователя. Модель генерирует не только контент, но и саму структуру интерфейса — расположение элементов, навигацию, интерактивные компоненты. Как отмечают Pott и соавторы, эта парадигма знаменует сдвиг от предопределенных, статичных интерфейсов к динамически генерируемым и контекстуально адаптивным пользовательским средам. В российской научной школе значительный вклад в развитие методологии проектирования интеллектуальных интерфейсов внесла работа В. В. Грибовой и А. С. Клещева, в которой предлагается подход к разработке пользовательского интерфейса, основанный на онтологиях. Данный подход учитывает требования современного этапа к разработке программных систем и преодолевает недостатки существующего инструментария. Как отмечают исследователи, онтологическое проектирование подразумевает выделение системы понятий, относящихся к пользовательскому интерфейсу, построение модели интерфейса в терминах этих понятий и автоматическое преобразование её в программный код. Этот методологический фундамент становится особенно актуальным в контексте генеративных интерфейсов, где модель интерфейса также создается автоматически, но уже на основе естественно-языковых запросов.

Большие языковые модели выступают в роли «мозга» генеративного интерфейса. Их ключевая функция — интерпретация запроса пользователя и генерация структурированного описания интерфейса. Современные большие языковые модели, такие как Gemini, GPT, а также российские модели YandexART, GigaChat, демонстрируют способность не только генерировать текст, но и создавать исполняемый код интерфейса или структурированные представления, которые затем преобразуются в визуальные компоненты. Leviathan и соавторы показывают, что при правильном промптировании и оснащении соответствующими инструментами современная LLM способна надежно производить высококачественные пользовательские интерфейсы практически для любого запроса. В России активно развиваются собственные генеративные модели. Так, YandexART — российская генеративная модель, которая, однако, как показывают исследования, сталкивается с феноменом «культурной асимметрии»: при русскоязычном интерфейсе модель генерирует западноевропейские визуальные паттерны. Это фундаментальное противоречие, выявленное в ходе годичного эмпирического исследования, подчеркивает необходимость целенаправленной работы по формированию отечественных датасетов и методов «культурной разметки» для генеративных моделей.

Инженерия промптов является ключевым фактором успеха при генерации интерфейсов. Эффективный промпт должен включать описание задачи с четкой формулировкой того, что должен сделать пользователь и какой интерфейс для этого требуется; ограничения по безопасности, запрещающие генерацию вредоносного или небезопасного кода; требования к стилистике UI, включая соответствие корпоративному стилю и доступность; а также спецификацию формата ответа, определяющую структуру интерфейса. В российском контексте особое значение приобретает учет культурных особенностей — использование привычных для российского пользователя визуальных паттернов, цветовых схем и композиционных решений. Как показывают исследования культурной асимметрии генеративного ИИ, даже русскоязычные модели могут воспроизводить западноевропейские визуальные паттерны. Это требует целенаправленной работы по формированию отечественных датасетов и методов «культурной разметки» для обеспечения аутентичности генерируемых интерфейсов.

Внедрение генеративного ИИ в интерфейсы информационных систем сопряжено с рядом серьезных проблем безопасности и приватности. Обработка пользовательских запросов через внешние LLM-сервисы создает риск утечки конфиденциальной корпоративной информации, поскольку промпты могут содержать чувствительные данные, которые отправляются на серверы провайдера модели. Для минимизации рисков предлагаются следующие подходы: on-premise развертывание — локальное размещение LLM внутри инфраструктуры организации, шифрование данных — сквозное шифрование запросов и ответов, анонимизация — удаление персональных и конфиденциальных данных из промптов перед отправкой, аудит и логирование — отслеживание всех взаимодействий с LLM для выявления аномалий. В российской практике особое значение приобретает возможность on-premise развертывания. Платформа SyncPoint, например, может разворачиваться внутри инфраструктуры компании, не выводя данные во внешнюю среду. Это критически важно для государственных структур и компаний, работающих с конфиденциальной информацией. Платформа внесена в реестр отечественного ПО, что подтверждает ее соответствие российским требованиям к программному обеспечению. Кроме того, генерация исполняемого кода интерфейса создает риск внедрения уязвимостей, поэтому необходима валидация и санация всего генерируемого кода перед выполнением.

Для оценки эффективности внедрения генеративного ИИ в интерфейс используется комплексная система метрик. Метрики оценки включают время выполнения задачи — время, необходимое пользователю для получения нужной информации; точность ответа — соответствие сгенерированного интерфейса и данных запросу пользователя; индекс удовлетворенности пользователей — стандартизированный опросник для оценки юзабилити. Исследования показывают, что генеративные интерфейсы последовательно превосходят традиционные чат-интерфейсы, демонстрируя значительное улучшение по человеческим предпочтениям. При этом, как отмечают Leviathan и соавторы, хотя результаты генеративных UI уступают интерфейсам, созданным экспертами-людьми, они как минимум сравнимы в значительной доле случаев. Ключевые факторы, определяющие предпочтение пользователей: визуальная ясность — структурированное представление данных воспринимается легче, чем текстовое описание; интерактивность — возможность взаимодействовать с элементами интерфейса; адаптивность — интерфейс релевантен конкретной задаче. В российском контексте к этим факторам добавляется важность культурной релевантности — соответствия генерируемых интерфейсов привычным для российского пользователя паттернам восприятия и взаимодействия.

Литература:

1. Гарретт, Дж. Веб-дизайн: элементы опыта взаимодействия: пер. с англ. / Дж. Гарретт. — Санкт-Петербург: Питер, 2024. — 192 с.
2. Круг, С. Не заставляйте меня думать! Веб-юзабилити и здравый смысл: пер. с англ. / С. Круг. — 4-е изд. — Санкт-Петербург: Питер, 2023. — 256 с.
3. Нильсен, Я. Веб-юзабилити: анализ удобства использования веб-сайтов: пер. с англ. / Я. Нильсен, Х. Лоранжер. — Москва: Вильямс, 2022. — 368 с.
4. Уильямс, Р. Дизайн для недизайнеров. Книга о дизайне, шрифтах и вебе / Р. Уильямс. — 5-е изд. — Санкт-Петербург: Питер, 2025. — 240 с.