Я передал один и тот же UI‑запрос одной и той же модели и прогнал его 9 раз: без Skill, apple-design, ui-ux-pro-max — по 3 раза каждое.

Результат заставил меня поменять способ оценки: одна и та же связка Skill может один раз сработать отлично, а в другой раз — провалиться.
После анонимизации 9 результатов и передачи их на независимую оценку двум людям средние баллы по трём группам составили:
apple-design 91,3
ui-ux-pro-max 89,0
без Skill 85,8
Но ни одна группа не набрала 3/3 без единого дефекта.
В apple-design и без Skill по одному разу «пережало» главную кнопку в экране с деталями телефона; в ui-ux-pro-max один раз случился горизонтальный выход за пределы на узком экране 375px — правая часть контента была обрезана. В каждой группе также были упущены детали доступности: в одном случае у формы не было меток, в другом — у иконок-кнопок не было названий.
На этот раз apple-design показал самый высокий средний балл, а ui-ux-pro-max — наименьшую вариативность. Я буду повторно использовать именно метод приёмки, который у нас получился.
В будущем я больше не буду судить Skill по одной красивой скриншотной картинке: сначала прогоню 3 раза, а затем проверю телефон, клавиатуру, уменьшение анимаций и провалы по списку. Для меня Skill — это скорее смещение в сторону дизайна, а не гарантия стабильности.