UX 體驗設計 - Handy UX

為什麼導入 AI 好像省了點力，可是公司卻還在原地踏步？

[大衛選讀] 過去這半年，很多中小企業的老闆都在煩惱同一件事：公司到底要怎麼「全面 AI 化」？

我也常被問這一題。但仔細想想，大家說不定還沒搞清楚，自己要追求的是什麼。

多數人想像的「AI 公司」，是員工每個人都很會用 AI，產出速度能快個兩三成。這當然很不錯，可是它離真正的目標還很遠。

新創加速器 YC 的合夥人 Tom Blomfield 分享過一個說法，他把那個真正的目標叫做「holy shit 時刻」。那不是 AI 把工作做得更快，而是 AI 自己跑完了一整個迴圈，自主發現哪裡出錯、想出怎麼改、然後直接動手修掉。

我自己帶過不少設計團隊，最近認真想清楚這件事的時候，確實有點被打醒的感覺。

接下來想拆解的，就是這個時刻的本質：它到底是什麼、為什麼難，以及為什麼對一家三十人以上、有好幾個團隊的中小企業來說，它的意義特別深刻。

先試著分清楚：是開環，還是閉環

要理解 Tom Blomfield 說的 holy shit 時刻，得先看懂它的反面。

絕大多數公司，本質上都還是「開環組織, Open-Loop Organization」。即使是那些已經導入一堆 AI 工具的公司，也一樣。

這是什麼意思？AI 產出一份初稿，設計師改完、交件，結束。這次改稿學到的東西，留在那個設計師的腦袋裡，沒有回流到任何系統。

下一次別的同事遇到同樣的問題，還是得從頭再撞一次牆。這個學習反饋的迴圈是斷掉的。

「閉環」則完全不同。系統感測到訊號（像是提案被退、客戶抱怨、專案延誤等），就自己分析原因、調整做法，然後再把結果餵回去做比對跟分析。

關鍵差別不在「有沒有用 AI」，而在「那條學習的路徑，有沒有接起來」。

閱讀全文

在設計競賽評審桌上，我發現 AI 時代最缺的是「摩擦力」

[大衛選讀] 話說這一兩年我參加了不少設計培育競賽的評審，常常會遇到同一種失望。提案簡報打開，視覺震撼得不得了。Midjourney 生成的概念圖、Figma Make 跑出來的原型、Sora 做的情境影片，一個比一個還精緻。

但只要稍微追問一下：

「這個長照裝置，照服員加班到晚上 10 點還會想用嗎？」

「這個流程總共有七步，使用者如果中途放棄了會怎麼辦？」

整個提案就塌了。

這不是學生不認真，而是他們從來沒有被逼著，去好好想過這些問題。接下來我想聊的是：這件事為什麼在 AI 時代會變得特別嚴重，以及這些年親手帶人、做設計之後的一點反思。

沒了摩擦力，設計的判斷力也容易一起弄丟

做設計這件事，以前有一層很重要的摩擦力。

你腦袋裡想到一個很炫的概念，這時候必須手繪、必須做模型、必須用繪圖軟體一頁一頁刻出來。過程中會自然遇到各種「做不出來」、「邏輯不通」、「比例怪怪的」。

這些卡關，會逼你在動手的過程中，默默把腦袋裡的概念打磨修調成真正的現實。

換句話說，設計師的判斷力不是讀理論讀出來的。它是在一次又一次「做出來發現不對、再改、再做」的過程中長出來的。沒有這些過程，你永遠不會知道什麼叫「這個比例怪怪的」、什麼叫「這個互動用起來腦袋會打結」。

AI 來了之後，把這層摩擦力幾乎全部拿掉了。

Nielsen Norman Group 去年一篇文章標題下得很精準：「Good from Afar, But Far from Good」，意思是：遠看很好，近看完全不行。AI 產出的原型外觀上像成品，但底下缺乏真實產品需要的結構、邏輯和實用考量。

說白了，這就是大家常常感覺到的「AI 很豐滿，但現實很骨感」。

科技圈追求無縫流暢的使用體驗，追了十幾年，確實一切越順越好、越無感越好。但把同樣的邏輯套到學習上，災難就發生了。

當你想到什麼、AI 就給你什麼，一路超順的狀況下，你根本沒機會發現「這個想法哪裡不太對」。

久了，你不只是沒學到，而是連「分辨什麼是真的好」的能力，都一起弄丟了。

AI 是好是壞，取決於你踩過了多少坑

講到這裡，你可能會想問：那 AI 到底是不是壞東西？

閱讀全文

設計原則不是口號，是用來結束吵架的

[大衛選讀] 每次做設計提案，要寫體驗設計原則 (Design Principles) 時，設計師總會傷透腦筋，因為怎麼寫都是那幾個：「簡潔俐落、架構分明、隨心懂你」之類的。

PM 看了點點頭，客戶看了也覺得挺有道理的，但大家心裡都清楚，這些原則在遇到真正的問題時，就會顯得毫無用處。當 PM 跟設計師對某個功能吵了起來，沒有人會說「等等，讓我看看設計原則是怎麼講的」。

尤其在 AI 大量生成的狀況下，設計原則講屁話的情況就更常見了。叫 AI 幫你寫一版設計原則？它三秒鐘就能吐出一份看起來無懈可擊、但其實什麼都沒說的東西。

說實在的，我自己也寫過這種東西。帶團隊的時候常常會開個工作坊、搜集便利貼、濃縮出 3-5 條聽起來很專業的設計策略方向。結果呢？這些共識下寫出來的文字，從來沒在後續真正困難的設計決策中，幫上過什麼忙。

後來我才想通：問題不在於團隊不認真，而在於那些原則從一開始就「不敢做取捨」。

好的設計原則，本質上不是在宣告我們重視什麼，而是一份「犧牲聲明, Sacrifice Statement」：為了達成設計目標，我們願意放棄些什麼？

接下來談談，怎樣才是一份好的設計原則。

原則一：如果反過來說就沒人要支持，那它就不是有用的設計原則

怎麼判斷一條設計原則好不好？有一個很簡單的方法：把它反過來說。

「介面要簡潔」，反過來就是「介面要複雜」。有人會主張這個嗎？沒有。所以這不是設計原則，徹徹底底是一句廢話。

好的原則不是告訴你什麼是對的，而是在兩個都不錯的選項之間，幫助你更好地選邊站。它的核心功能是協助團隊，在面對「取捨, tradeoff」時，能做出一致有共識的選擇。

來看一個好的例子。Intercom 的設計原則之一是「有預設的立場，但底層保持彈性, Opinionated by default, flexible under the hood」。

反面是什麼？「不預設立場，讓使用者自己決定一切」，這恰恰是很多時候，看起來不會犯大錯的設計方向。

閱讀全文

從 Anthropic 研究數據看設計產業：強者更強的時代來了

[大衛選讀] 聊到 AI 對設計產業的影響，我們很容易被兩種情緒牽著走。一種是「超級創作者」的美好想像，彷彿工具一上手，人人都能效能倍增。另一種則是「人類會被取代」的悲觀預言，好像創意工作的末日已經開始倒數。

但這兩種說法講得再熱鬧，終究都帶著主觀情緒。真的值得我們停下來看的，還是近期的研究資料到底怎麼說，因為實證數據通常比口號可靠得多。

Anthropic 在 2026 年 1 月發布的《Anthropic Economic Index: economic primitives》，把討論從抽象拉回到可觀測分析的實際使用樣貌。這份報告不只是在分析「大家用 AI 做什麼」，而是把 AI 工作拆成幾個底層的概念，例如 autonomy、skills 等，讓我們可以更清楚看到「AI 是如何帶來改變的」。

研究結果發現，AI 不只是把創造力變得更容易，它也像一面鏡子，會直接映射使用者本人，把腦中本來就有的知識厚度、認知能力與判斷力加以放大。

所以，真正違反直覺的地方在這裡。AI 不一定是在拯救平庸，它更像是在加速分化。

當工具讓「做出來」變得很便宜，甚至接近零成本時，真正稀缺的價值就會變成「想清楚、看得準、說明白」。

我們或許可以把這種現象叫做「能力倒置, Competence Inversion」。技術執行的價值正在往下掉，而邏輯架構、系統性分析跟品味的價值，反而變得更關鍵，而且更難被複製。

為什麼會這麼說，我們往下看下去。

數據告訴你：設計圈早就在用 AI，但強弱差距只會更大

如果只看熱度，你可能會以為設計產業只是順手用 AI 產圖、改文案，算是跟風而已。但從 Anthropic Economic Index 的觀測來看，創意設計類的使用量其實一直都不小。早在 2025 年 2 月的 Index 初版裡，「Arts, Design, and Media」就已經是第二大類別，佔比 10.3%，只輸給程式類別。

到了 2026 年 1 月這份 economic primitives 報告，它改用更完整的名稱「Arts, Design, Entertainment, Sports, and Media」。以 2025 年 8 月到 11 月來看，這個類別在 Claude 網頁端的使用佔比是往上走的，到了 11 月大約是接近一成左右。

但最讓人有感的，其實不是「大家有沒有在用 AI 做創意」，而是「本來就強的人，會用得更好」。

閱讀全文

為什麼 AI 工具很強，團隊卻很累？反思設計界的「生產力悖論」

[大衛選讀] 當我們試圖拿通用的工具，去解決高度專業問題；繼續用傳統績效管理的指標，去衡量新的創意價值時，我們就迷路了。

過去這一年，如果你待在設計顧問公司或產品設計團隊，很可能都有這種矛盾感：明明已經導入了一整套強大的 AI 工具，每個人也多少學會了 Prompting，專案執行起來卻沒有變得比較輕鬆，公司的利潤也沒有因此明顯改善。甚至，花在修圖、校對、整理檔案，以及在各種軟體之間來回切換的時間，比起過去反而更多。

別懷疑，你並不是一個人。經濟學家早就替這種現象取了名字，叫做「生產力悖論」(Productivity Paradox)。

就像 90 年代個人電腦剛普及，或更早電力首次導入工廠的年代一樣，新技術剛上線的那幾年，生產力往往不是立刻飛升，而是會先下滑一段時間。

我們正處於那條著名 J 型曲線的底部：已經訂閱了一堆付費服務、上了各種 AI 線上課程 (投入了成本)，卻還沒真正學會如何重組整個工作流 (尚未回收價值)。

為什麼會卡在這裡？多份研究其實已經點出，設計產業普遍遇到兩個結構性的錯位：一方面，硬是想用「水平式工具」去處理各種「垂直型問題」；另一方面，又把「做得快不快」誤當成「做得好不好」。這兩件事疊在一起，就構成了今天的生產力悖論。

問題一：試圖用「水平式工具」解決「垂直型問題」

這大概是目前設計團隊最常見、也最隱性的痛點。

當我們說要在團隊裡「導入 AI」，在實務上往往只是：幫設計師開了 ChatGPT、Gemini 帳號，然後再配一套給視覺團隊用的 Midjourney、Stable Diffusion 或其他繪圖工具。

但這些，其實都屬於水平式的 Horizontal AI。

它們就像一把功能琳瑯滿目的瑞士刀，什麼都能做一點：寫信、畫圖、改文案、做前端，看起來無所不能。但它們有一個關鍵特性：這些工具本質上是「缺乏脈絡」(Low Context) 的。

閱讀全文

最好的介面，就是沒有介面：Generative UI 時代的設計反思

如果在 2020 年左右，有人告訴一位資深 UI 設計師：「你引以為傲的 Pixel Perfect 將在幾年後變得毫無意義。」他大概會嗤之以鼻。

然而，隨著 Google Gemini 3.0 的發佈，這句預言正在逐步成為現實。這一次的技術迭代，擾動了人機互動 HCI 最底層的邏輯：這將會是一場從「形式 Form」到「意圖 Intent」的重心轉移。

從 20 年前還沒有 UX 這個詞彙，一路打滾至今，我必須誠實地說：曾經熟悉的「介面設計」時代即將結束。Generative UI (GenUI) 所展示的未來，是一個介面隨需而生、體驗具備記憶的新時代。而設計師的角色，必須從「工匠」轉型為「策展人」。

意圖凌駕形式：Pixel Perfect 的終結

過去二十年，我們花費無數個夜晚在 Figma/Sketch 裡調整 1px 的間距，爭論圓角該是 4px 還是 8px。但在 GenUI 時代，這種對靜態頁面的精雕細琢，在動態生成的潮流面前將顯得微不足道。

過去：設想幾十種使用情境 (Use Cases) → 繪製數百張關鍵頁面 (Key Screens)
未來：理解用戶意圖 (Intent) → 即時「編譯」出專屬介面

舉例來說，當用戶說：「我下週五要去台中參加研討會，需要安排交通跟住宿。」AI 將利用推理能力，即時生成一個整合高鐵票務、飯店推薦、天氣預報的介面。

設計師的戰場正在轉移：我們不再設計個別的「結果」，而是設計一套泛用的「規則」；不再糾結於按鈕顏色，而是專注於如何讓 AI 準確回應人類意圖。

正如 Google 策略設計師 Golden Krishna 曾預言：「最好的介面就是沒有介面（The Best Interface is No Interface）」

如今，這句話有了新的註腳：最好的介面，是完全順應用戶意圖而流動的介面。

往後的體驗設計重點，將是新的「結果導向設計 (Outcome-Oriented Design)」——我們將從設計導覽系統 & 操作流程，轉向設計「確認畫面」與「錯誤恢復機制」。

告別「失憶」的 App：邁向 Stateful UI

現今的 App 大多是「無狀態 (Stateless)」的。無論你打開 Uber 多少次，首頁佈局幾乎一模一樣。它不記得你昨天的焦慮，也不知道你明天的計畫。

但在 AI 數百萬 Token 的長程記憶能力加持下，未來的 UI 將是「可累積的 (Accumulative)」與「具狀態的 (Stateful)」。

閱讀全文

設計師別搞錯了，Lovart 的最終用戶不是你，而是甲方

[大衛選讀] 剛聽完 Lovart 創辦人陳冕的訪談。本來就很好奇這個設計工具的發展脈絡，聽完之後還真是蠻有趣味的。

根據陳冕自述的產品發展歷史，Lovart 的現況只是個過渡，隨著模型能力逐步增強，它就會立刻把握機會，從工具到代理，再從代理到直接販售價值。

在工具跟代理階段，設計師族群是早期用戶，是操作數據的來源跟融資談判的籌碼。一旦成熟到可以直接販售價值的階段，那設計師就變成是競業。

從技術發展來看，Lovart 的最大對手不是其他 AI 產品，而是 AGI。這像的人工智慧新創，一方面要賭 AI 模型會大幅提昇，另一方面要賭 AGI 不會在五年內到來。

很有趣的業內訪談。把幾個重點整理如下，原始 Podcast 連結則放在留言中。

AI 是全新的創作手段，會徹底改變創作

我們從第一天定的題目就是要做的是創作，我們相信的是：AI 會徹底改變創作。

陳冕將 AI 比喻成「新的照相機和新的畫板」，它不僅改變創作工具，更將顛覆創作的生產關係本身。

本質上，在上一波資訊化時代，其實帶來的只是工具的數位化。不論是圖像和視覺內容的創作，都還是依賴實體的相機，或是在物理或數位的畫板上進行手動繪製。要使用這些工具，都還是需要人類掌握特定的操作技能。

但是這一波 AI 變革，創作的手段整個變了。

AI 幫你拍照，它不需要一個相機就能幫你拍照，它是用擴散模型幫你拍照。而且 AI 不僅幫你照相，它也幫你畫畫，它是一種過往沒有見過、全新的創作手段。

近期新模型的能力提昇，帶來了 Agentic 設計流程自動化的機會

畫布 (Canvas) 的部分我們準備的很早，因為很早就判斷到，未來的 AI 工具的中期形態應該是一個畫布。

其實ㄧ開始我們想做的是 workflow，但是說白了就是當時模型的 Agentic 的能力其實不夠的。

後來也發現 workflow 這個東西在設計師那兒根本就不管用。因為設計師不講邏輯，講感覺。如果搭節點是你要自己把這工作流搭出來，對設計師來講，這是很難接受的。

轉折點出現在2024年12月左右，隨著像 Claude 3.5 這樣更強大模型的出現，模型的 Agentic 能力得到了顯著提升。我們就想到一個非常簡單的事情，這樣就可以用 AI 來幫設計師和創作者規劃工作流，不用自己動手了。

閱讀全文

那些錄音筆錄不到的事：乙方PM的專案溝通課

[大衛選讀] 昨天去上了一堂，扎扎實實的 PM 專案溝通課。這是悠識學院的 Richard 特別開給設計顧問同業的閉門交流課。

因為關起門來，大夥聊起甲乙雙方的愛恨糾葛，總是特別真實深刻。由於收穫太多了，我特別把互動問答當中，特別有共鳴的觀念整理出來，結合自己的經驗反思，寫成一篇專文。

對於這堂課有興趣的朋友，歡迎直接聯繫 Richard。

客戶總是變來變去，有什麼不變的對應原則？

首先，你的個人動機很重要。

如果你做這個案子沒有想清楚自己的動機，那會很容易變得沒有動力跟韌性，也很難調適各種困難與變化。專案開始前，得要先找到個人的動機，那將會是在變動中，評估自己該如何做的不變核心。

這就要順便分享我自己帶專案，常會跟團隊討論的四個目標，也就是專案、客戶、團隊，以及個人目標。

專案目標最簡單，要達成的目標跟交付物，都寫在RFP跟開案簡報裡了。

客戶目標則要主動去考慮，他們除了順順做完專案之外，希望能順便建立結構、訓練培力、還是升官前的考驗？知道了就能幫忙，會去考慮客戶心裡要什麼，也才有機會經營夥伴關係。

團隊目標則是，我們自己的團隊想要完成些什麼。也許是想要挑戰新的領域，也或許是面對舊專案想要嘗試新作法？設好團隊目標，大家做起專案來會比較有共識，什麼要多做一點，什麼得要放掉。

個人目標是常常被忽略，但是很重要的部份。我通常會在專案啟動前，一對一跟團隊成員討論個人的目標。無論是要挑戰資深崗位、轉換不同角色，還是累積特定的作品經歷都好。討論確定了，就讓團隊裡的每個人都知道彼此的個人目標，這就有機會讓大家互相幫忙。

總之，個人的動機很重要。有值得追求的目標放心裡，才不會浪費青春，白白做一個案子。

溝通不良，無法改善，甚至對方失去了溝通意願？

專案上的溝通，不是為了當好人、討好客戶，或是維持私人關係。

溝通只有一個目的，就是設法達成既定的專案目標。

所以遇到溝通的問題時，得要回到根本去檢視專案的目的 (Goal, 為什麼要起這案子) 跟目標 (Objective, 要達成什麼)，然後盤點人事物的現況，看看到底中間發生了什麼問題。

回到個人經驗，通常在專案初期的內部訪談過後，我會帶團隊在客戶公司樓下大廳快速retro, 交流剛剛聽到了什麼「錄音筆錄不到的事情」。

有些事情不好說、有困難，在面對面的場合裡，就會形成錄音筆錄不到的無聲互動。這裡頭藏的可能就是關鍵的 hidden agenda，若能早點發現應變，就可以省掉中後期的大量溝通成本。

此外，溝通的原則技巧，除了順藤摸瓜 + 對等溝通外，有一個態度上的建議，那就是：「我是來幫你的，你有什麼問題，都可以跟我說。」我的親身經驗是，即使碰到合作意願低落的窗口，只要把這來幫忙的態度擺好，多溝通幾次，總是會有機會切進去的。

客戶只簡略介紹需求，就要求估價？

PM 常常碰到這狀況，那該怎麼辦呢？簡單講，硬著頭皮報價是很不負責任的作法。要不害死自己，要不報價含風險溢價就會高到沒天理，開頭就留下一個壞印象。

預算 vs. 估價 vs. 報價，這是三個不同的字眼。

閱讀全文

Tesler’s law, 複雜性守恆定律

[大衛選讀] 設計師會不會想太複雜了，有必要在系統上做到這樣複雜的判斷跟處理嗎？在產品規劃時，這是很常出現的來回思辨跟角力。

我的經驗是：表面上看起來簡單，其實裡頭通常並不簡單。一開始想簡單了，最後很可能用起來就會複雜到爆炸。

複雜與否，這當中的權衡一直是很有趣的議題。Tesler’s law 複雜性守恆定律，正是這樣的洞見，有助於我們理解整體的複雜性，並且更好地思考該如何應對。

這個定律簡單講，就是根本的複雜性是不可能消滅的。要麼這個複雜性在規劃階段由設計跟開發來承擔，要麼就是丟給使用者來自己面對。

但仔細去思考，就會發現人性偏好在未知懵懂的狀況下，去選擇複雜的解法以求得安心；過度的簡單，可能會造成體驗的反效果；以及如何利用建立概念模型、漸進式揭示等設計技巧，去有效承載消化不必要的複雜性。

本文選讀彙整了多篇文章。內容整理如下，原文連結則放在留言中。

在應用程式或流程中，誰應該承擔起這樣的複雜性？是使用者，還是設計師和開發人員？這是在做介面設計，以及更廣泛地考慮人類如何與技術互動時，必須面對的一個基本問題。

體驗設計師的其中一個關鍵目標是，為人們降低複雜性，讓產品和服務能夠變得更簡單易用。

但是每個流程都有一些固有的複雜性。不可避免地，當複雜性無法進一步降低時，只能將它其從一個地方，轉移到另一個地方。在這個時候，複雜性要麼進入使用者界面中，要麼進入設計師和開發人員的工作流程中。

The origins of Tesler’s law

複雜性守恆定律 (Tesler’s Law, Law of conservation of complexity) 的起源可以追溯到 1980 年代中期，當時全錄 PARC 的計算機科學家 Larry Tesler 正在協助開發全新的互動設計語言。這是一套定義互動系統結構的原則與標準，對桌上型電腦和排版技術的發展至關重要。後來又到了蘋果電腦，協助開發 Mac 物件導向的軟體框架。

Tesler 意識到，介面的一致性不僅會讓使用者受益，也能夠讓開發人員受益，因為共通的標準可以內建在共享的軟體庫中。很快速有效地導入，並且發揮綜效。

Tesler 將複雜性守恆定律，定義為一種向公司管理層以及獨立軟體供應商，推銷這個想法的說服方法，希望能在大眾市場軟體中建立標準，以減少終端客戶面臨的複雜性。

Tesler 認為：「工程師應該多花一週時間，來試圖降低使用端的複雜性，而不是讓數百萬的用戶因為這不必要的複雜性，而每天得多花一分鐘。這樣做是讓工程師輕鬆了，但是反過來懲罰了使用者。」

Complexity bias leads to more complex solutions 人們天生偏好看起來複雜精細的解法，結果往往導致更複雜的解決方案

人類有相當多的認知偏差，它是一種心理捷徑，讓我們能夠快速做出決定而不需徹底分析情況，進而提高了我們的效率。

複雜性偏差 (complexity bias) 則是我們傾向選擇那些複雜和精細的解決方案，而非直接簡單的解決方案。這通常是因為複雜性會讓人聯想到：智慧、專業知識，或是有著深度的理解。

簡單來說，我們經常過分讚許那些聽起來複雜的概念，或者當我們感到困惑或沒有花時間真正理解時，會將原本很容易理解的事物，視為是相對複雜和困難。

當我們選擇更複雜的解決方案時，我們就逃避了真正理解關鍵問題的必要性。但結果往往是，解決方案中的複雜性和假設越多，失敗的可能性就越大。

閱讀全文

AI 時代的設計品味 vs. 技術能力

[大衛選讀] AI 時代的設計品味 vs. 技術能力

總不會讓設計師失望的，Nielsen Norman Group 最新的文章，再次為設計師的不可取代性，有條有理地大聲疾呼。

我確實也認同，品味跟鑒別度是創造極致的關鍵。但是有多少普羅大眾分得出來80分跟90分的差別，這個我就沒有把握了。

我更好奇在意的會是，是否有機會結合 AI，讓設計師作對選擇 (make right choice) 的鑒別度提高，更好地理解問題，以及更客觀地去評估解法。

無論如何，內容整理如下，原文連結：https://www.nngroup.com/articles/taste-vs-technical-skills-ai/

Design Taste vs. Technical Skills in the Era of AI

生成式 AI 工具正在賦予人們前所未有的創作能力。你不需要擁有相機就能創作照片，不需要任何視覺設計技能就能製作插圖，也不需要了解任何韻律就能創作詩歌。只需點擊幾下，任何人都可以打破傳統障礙，生成幾乎所有你想要的東西。

這是 AI 工具令人興奮的好處之一，它們彌補了技能的差距 (fill skill gaps)，減少了設計中常見的乏味且依賴手頭功夫的任務 (reduce the boring, technically tedious tasks).

然而，僅僅因為某人能夠創造出他們以前無法創造的事物，並不意味著這就是好東西。

技術能力 ≠ 品味 (Technical Capability ≠ Taste)

雖然 AI 可以輸出各種東西，但並不保證品質。技術能力並不等於創造力 (Technical capability does not equal creative ability).

創意策略總監 Oisin Hurst 對此提出了一個完美的比喻：AI 之於創造力，就像微波爐之於烹飪 (AI is to creativity what microwaves are to cooking).

如果你是一個糟糕的廚師，微波爐可以完成工作。但輸出的品質絕對無法與廚師製作的精緻餐點相提並論。微波爐不允許太多創意實驗。你可以改變烹飪時間和強度，但僅此而已。

因此，如果你是一位有天賦的廚師，使用微波爐可能會讓你感到沮喪，因為你對輸出的精確控制較少，而且產品的品質將遜於大多數其他烹飪方法的結果。

隨著 genAI 的廣泛應用，設計師不再是唯一能夠產生設計輸出的人。你不必是視覺設計師就能創建插圖，不必是內容設計師就能創建內容，甚至不必是互動設計師就能創建網站。

我們預計，在未來，設計師將不再能靠著擁有產生設計物所需的技術技能，就因此與眾不同。任何人都能夠製作各種內容類型，無論他們的技能高低。

那麼，為什麼還需要設計師呢？

我們認為，創造一個好的設計所需要的，不僅僅是技術技能。因為設計在技術層次上做得出來，並不意味著它就是正確的設計。

閱讀全文