Figma Make (FM) — это встроенный в Figma инструмент, который использует ИИ для генерации интерфейсов и сайтов по текстовому описанию. Он позволяет оперативно собрать прототип, наметить структуру экранов или создать лендинг без необходимости вручную прорабатывать каждый элемент.
На первый взгляд Figma Make выглядит универсальным решением для быстрого старта. Однако при более глубоком и длительном использовании становятся заметны его ограничения — особенно в проектах средней и высокой сложности.
Где Figma Make показывает себя лучше всего
Инструмент наиболее эффективен в простых сценариях:
— создание лендингов;
— проработка UX/UI одного экрана;
— быстрые визуальные концепты;
— небольшие проекты с минимальной логикой и количеством страниц.
В таких задачах Figma Make действительно помогает быстро визуализировать идею и получить рабочий результат с минимальными затратами времени.
Сложности при масштабировании
Когда проект начинает расти — появляются новые экраны, сложная логика, множество итераций и правок — эффективность Figma Make заметно снижается. Это проявляется в нескольких ключевых моментах:
— инструмент начинает «тормозить» при увеличении объёма задач;
— хуже обрабатывает уточняющие и последовательные запросы;
— допускает логические несостыковки;
— усложняется контроль структуры и изменений проекта.
В итоге Figma Make перестаёт быть удобным инструментом для средних и крупных продуктов, где важны стабильность и управляемость.
Причина ограничений — используемые языковые модели
При более детальном анализе становится очевидно, что ключевое отличие между ИИ-инструментами для прототипирования и разработки заключается в используемых языковых моделях (LLM).
Условно такие инструменты можно разделить на две категории.
Инструменты для простых задач:
— Figma Make
— Lovable
— Bolt
Они хорошо справляются с базовыми сценариями, но имеют ограничения по глубине обработки запросов и работе с большим контекстом.
Инструменты для сложных продуктов:
— Cursor
— Claude Code
— Google Antigravity
Эти решения ориентированы на разработку программного обеспечения, ботов и веб-сервисов. У них больше контекстное окно, что позволяет работать с объёмными задачами и сложной логикой.
Принципиальное различие — в доступе к мощным LLM. Например, Cursor даёт возможность выбирать между топовыми моделями вроде GPT и Claude, что обеспечивает больший «запас мышления» и более точную работу с контекстом.
В случае с Figma Make информация о конкретной модели не раскрывается. По поведению инструмента можно предположить, что используется собственная или ограниченная версия сторонней модели, что напрямую отражается на качестве работы при росте сложности проекта.
Контекстные ограничения и «объём мышления»
Любая языковая модель имеет предел по объёму контекста — количеству информации, которую она способна удерживать и обрабатывать одновременно.
По мере роста проекта, добавления нового функционала и увеличения числа запросов нагрузка на этот контекст возрастает. Когда предел достигается, модель начинает:
— терять связь с предыдущими требованиями;
— упрощать логику;
— допускать ошибки в деталях.
У более продвинутых моделей, таких как GPT, Claude или Gemini, этот предел значительно выше. Именно поэтому инструменты, построенные на их основе, работают стабильнее и точнее в сложных сценариях.
Возможные способы снизить ограничения
Теоретически нагрузку можно частично уменьшить, если:
— выносить крупные и сложные запросы в отдельные чаты или проекты;
— максимально структурировать задачи;
— использовать системы контроля версий (например, Git) для фиксации изменений.
Тем не менее даже при таком подходе Figma Make остаётся инструментом прежде всего для быстрого прототипирования, а не для полноценной продуктовой разработки.
Вывод
Figma Make — полезный и удобный инструмент для простых задач и быстрого старта. Он отлично подходит для лендингов, концептов и базовых интерфейсов, но плохо масштабируется в проектах, где требуется сложная логика, гибкость и большое количество итераций.
Для более серьёзных продуктов разумнее выбирать инструменты, ориентированные на работу с кодом и построенные на мощных языковых моделях. Именно поэтому всё больше специалистов обращают внимание на решения вроде Cursor или Claude Code.
Окончательные выводы о практической эффективности таких инструментов стоит делать на основе реальных кейсов и длительной работы — рынок ИИ-продуктов развивается слишком быстро, чтобы делать жёсткие выводы заранее.