Saya memberi kebutuhan UI yang sama ke model yang sama sebanyak 9 kali: tanpa Skill, apple-design, ui-ux-pro-max masing-masing 3 kali.

Hasilnya membuat saya mengubah cara menilai: satu set Skill yang sama bisa sekali bagus, sekali gagal.
Setelah 9 hasil tersebut dianonimkan lalu diberikan ke dua orang untuk menilai secara independen, rata-rata untuk tiga kelompok adalah:
apple-design 91,3
ui-ux-pro-max 89,0
tanpa Skill 85,8
Tapi ketiganya juga tidak mencapai 3/3 tanpa cacat.
apple-design dan tanpa Skill masing-masing punya satu kejadian tombol utama di halaman detail ponsel penyempitan; ui-ux-pro-max punya satu kejadian pada layar horizontal sempit 375px mengalami luapan, sehingga konten di sisi kanan terpotong.
Setiap kelompok juga sama-sama melewatkan detail aksesibilitas: ada yang form-nya tidak punya label, ada yang tombol ikon tidak punya nama.
Kali ini apple-design punya nilai rata-rata tertinggi, sedangkan ui-ux-pro-max paling minim fluktuasi. Yang akan saya pakai ulang adalah metode verifikasi dari yang belakangan.
Ke depannya saya tidak akan lagi menilai Skill dari satu screenshot yang terlihat bagus: jalankan dulu 3 kali, lalu verifikasi ponsel, keyboard, kurangi efek dinamis, dan item-item yang gagal. Bagi saya, Skill lebih seperti bias desain, bukan jaminan stabilitas.