最近两年，设计师最常问我的问题是：AI越来越强，设计师未来还有什么价值？

我一直觉得，这个问题问得不够准确。

因为AI首先替代的不是某个职业，而是职业中的一部分任务。过去一个设计师要花两天完成的页面、原型、动效和前端实现，现在可能半小时就能生成。于是很多人自然会得出一个结论：既然产出正在变得廉价，设计师的价值也在下降。

但真实情况恰恰相反。

当页面、代码和内容都可以低成本生成，组织真正稀缺的东西会从“生产能力”转向“判断能力”：应该解决什么问题，服务谁，为什么这样做而不是那样做，什么结果才算成功，什么时候应该继续，什么时候应该停止。

所以，我对AI时代设计师的核心判断是：

AI正在淘汰以产出为中心的设计师，同时放大以问题、判断和结果为中心的设计师。

以下十个问题，是从最近内外部交流时搜集上来的几十个问题中，筛选整理出高频的问题，在这个时间点做一个回答专题，既是我对设计师职业变化的判断，也是我认为每个设计团队都应该认真回答的问题。

未来还会持续收集设计师的问题，不定期发一些回答，供大家交流。

第一问：当AI已经能够完成大量基础设计工作，设计师真正不可替代的能力是什么？

我的答案很明确：不是创意，不是审美，也不是会使用某个AI工具，而是设计判断。

什么是设计判断？

设计判断不是说“我觉得这个方案更好看”，而是在信息不完整、目标有冲突、资源有限的情况下，依然能够回答四个问题：

第一，真正应该解决的问题是什么？第二，哪些人的利益应该被优先考虑？第三，多个方案之间应该如何取舍？第四，这个决定可能产生什么长期后果？

AI可以快速生成十个方案，却不能天然知道哪个问题值得解决。它可以模仿大量成熟风格，却不知道某个品牌此刻应该强化什么、放弃什么。它可以根据已有数据进行推理，却无法替组织承担决策责任。

这也是为什么，AI越强，判断反而越重要。

Figma产品设计负责人Noah Levin曾提出，当AI让产品开发和高保真原型越来越普及，设计会成为真正的差异化来源。这里所说的设计，已经不是把页面做得更漂亮，而是理解什么才是“好的”、为什么好，以及它是否值得被建造。

微软在讨论AI时代的工作方式时也强调，即使AI接管越来越多“手放在键盘上”的执行工作，人类组织和驾驭这些工作的判断力反而会更加重要。

所以，AI时代最有价值的设计师，不是出图最快的人，而是以下几种人：

能够从一堆需求中识别出真正矛盾的人；能够看到用户没有表达出来的问题的人；能够在短期指标和长期体验之间做取舍的人；能够在所有人都说“可以做”的时候，指出“这件事不该做”的人。

给设计师的建议：

不要只在作品集中展示最终方案。要开始记录你删除了什么、拒绝了什么、为什么改变方向、哪些证据推翻了最初判断。未来真正能够证明你能力的，不只是结果，而是你形成结果的判断过程。

第二问：如何使用AI提升效率，同时避免自己的思考能力、审美能力和设计判断力退化？

我认为，关键不是少用AI，而是不要过早使用AI。

很多设计师现在的工作方式是：刚收到需求，就让AI总结；还没理解问题，就让AI发散；还没有自己的判断，就让AI给方案。

结果看起来效率很高，实际上是把最关键的认知过程外包了。

一旦一个人长期跳过观察、理解、推理和取舍，直接从问题进入答案，他的能力一定会退化。AI给出的内容越流畅，这种退化越不容易被察觉，因为人会把“看起来合理”误认为“经过思考”。

微软关于AI过度依赖的研究整理指出，人们在与AI协作时可能出现自动化偏误、过度信任和判断力下降，而且使用者越自信，并不一定表现越好。

所以，我建议设计师建立一个基本原则：

AI可以参与思考，但不能代替你形成第一判断。

在调用AI之前，先用自己的话写下三个东西：

我认为真正的问题是什么；我目前掌握了哪些事实；我最不确定的地方是什么。

完成这一步之后，再让AI挑战你，而不是替你思考。

AI最有价值的角色，不是“替我给答案”，而是：

帮我寻找反例；指出我忽略的利益相关方；模拟不同用户的反应；攻击方案中的薄弱环节；把一个模糊判断转化成可以验证的假设。

微软对Human-in-the-Loop的定义也强调，应当在关键节点设置人为介入，让人的判断补足AI输出中的风险、歧义与上下文缺失。

一个简单的行为方法：

把工作分成三个阶段。

第一阶段，人先独立判断。第二阶段，AI进行扩展、反驳和压力测试。第三阶段，人重新决策并承担结果。

不要使用“人提问、AI回答、人接受”的单向模式，而要形成“人判断、AI挑战、人再判断”的闭环。

AI真正应该增强的是你的判断，而不是替换你的判断。

第三问：在AI快速改变设计风向的今天，哪些能力只是短期红利，哪些能力具有长期价值？

短期红利通常来自工具，长期价值一定来自能力结构。

今天会使用Claude Code、Figma Make、图像生成和各种Agent，当然重要。但任何具体工具的红利都会迅速消失。因为工具会变简单，模型会变强，使用门槛会持续下降。

2026年的设计师会用的工具，到了2027年很可能已经成为产品默认能力。

所以，真正值得长期投资的不是“我会哪个工具”，而是四类底层能力。

第一，理解复杂系统的能力

未来设计对象不再只是一个界面，而是一整套由模型、Agent、数据、规则、人工节点和业务流程组成的动态系统。设计师必须理解信息如何流动、决策在哪里发生、错误如何被发现、结果如何形成。

第二，问题定义能力

AI极其擅长解决一个被清楚描述的问题，但现实中的高价值问题往往没有被清楚描述。谁能够把混乱转化为结构，谁就拥有上游价值。

第三，跨领域学习迁移能力

AI产品会同时涉及技术、业务、交互、内容、安全、伦理和组织流程。设计师不能只懂设计语言，还要能快速理解陌生行业，建立必要的领域模型。

第四，品位与方向感

品位不是知道什么好看，而是知道什么值得存在。它来自长期观察、比较、实践和价值选择。

未来大量方案都可以达到“及格”，真正稀缺的是从一百个及格方案里选出一个有方向、有立场、有长期价值的方案。

因此，我把能力分成三层：

最底层是工具使用能力，决定你能不能进入新工作方式；中间层是专业能力，决定你能不能稳定交付；最上层是判断、学习和系统能力，决定你的职业上限。

给普通设计师的建议：

不要把半年时间全部用于学习十种AI工具。选择一到两个工具深入使用，把更多时间用于复盘真实问题：我是否比过去更早进入决策？是否解决了更复杂的问题？是否获得了新的用户事实？是否影响了业务结果？

工具熟练度不等于职业进步。你能够承担的问题复杂度提高，才是真正的进步。

第四问：AI最适合进入设计流程的哪些环节，才能提高效率，又不限制创意探索？

我不赞成用一句话回答“AI应该放在哪个环节”。

因为AI不是一个环节，而是一种可以进入多个环节的能力。问题不是“用不用”，而是每个阶段让AI承担什么角色。

我通常把设计过程拆成五个阶段。

第一阶段：理解问题

AI可以帮助整理资料、归纳访谈、分析数据、建立竞争地图，但不能直接替团队定义问题。

因为资料中的高频内容不等于最重要的问题，用户表达的诉求也不等于真实需要。问题定义仍然要结合业务目标、组织约束和现场判断。

第二阶段：方案探索

这一阶段最适合大量使用AI。

AI可以快速生成不同方向、极端方案和组合方案，帮助设计师扩大搜索空间。但这里的目标不是让AI替你选，而是避免团队过早收敛。

第三阶段：原型实现

这是当前AI提效最明显的阶段。界面、交互、代码和内容可以快速被生成，使设计师在更短时间内看到接近真实的体验。

Figma持续将AI辅助设计与开发能力整合进产品，Figma Make也在强化从想法到可交互实现的能力。这意味着原型正在从“展示方案”变成“直接验证方案”。

第四阶段：验证与批判

AI可以模拟测试路径、发现一致性问题、检查遗漏，并作为第一轮评审者。但真正涉及用户情绪、信任、文化语境和利益冲突的问题，依然需要真实用户和真实环境。

第五阶段：沉淀与复用

AI可以把项目中的规则、方法、组件、错误和评估标准整理成可复用资产，让一次项目经验进入下一次工作。

所以，最合理的AI工作流不是“AI先行”，而是：

人定义方向，AI扩大探索；人作出选择，AI加速实现；真实使用产生证据，人和AI共同修正。

OpenAI对企业AI使用的观察也显示，组织正在从一次性的总结、写作和问答，转向可重复、包含标准交接和真实约束的工作流。

AI的最大价值不在某个单点提效，而在于把设计过程从线性交付变成持续循环。

第五问：为什么使用Claude Code、Vibe Coding后，设计师反而会产生拉扯感、失控感和返工？

因为很多人把Vibe Coding理解成“用自然语言代替代码”，但它真正要求的是更强的系统管理能力。

过去设计师交付一张设计稿，研发负责把它变成系统。现在设计师直接进入实现，实际上也接管了部分工程决策，包括组件关系、状态管理、数据结构、异常处理和长期维护。

你以为自己只是让AI改一个按钮，但AI可能同时改变了多个依赖关系。你以为它在局部优化，实际上它并不了解哪些历史逻辑不能动。

所以，Vibe Coding的拉扯感通常来自五个问题：

目标描述不清；上下文不完整；任务拆解过大；缺乏明确验收标准；每次修改都没有回归验证。

这不是模型单方面的问题，而是工作流没有升级。

Anthropic对Claude Code的定位，是让它理解代码库、完成开发任务并支持自动化；其文档同时强调上下文管理、通用工作流、代码审查和专用子Agent。这实际上说明，复杂任务不能只依靠一次对话，而需要结构化分工和持续验证。

OpenAI的模型使用指南同样建议，把彼此独立的复杂任务拆分到不同轮次中，而不是让模型一次处理全部问题。

我的建议是，设计师在使用Claude Code前，至少准备四份最小上下文：

任务说明：要解决什么问题，不解决什么问题。系统地图：主要页面、组件、状态与依赖关系。设计约束：品牌、交互、响应式、无障碍和技术边界。验收清单：什么情况下算完成，哪些旧能力不能被破坏。

然后坚持一个原则：小步修改，每步验证。

不要说“帮我把这个网站重新设计一下”，而要说“先梳理现有结构，不修改代码；识别组件关系；提出改造计划；我确认后再逐步实施”。

Vibe Coding不是随意表达，而是一种新的工程协作方式。自然语言降低了写代码的门槛，却提高了定义问题、组织上下文和验收结果的门槛。

第六问：面对复杂项目，设计师应该如何与AI分工，而不是把完整任务一次性交给AI？

我的判断是：任务越复杂，越不能按照人和AI各自完成一半来分工，而要按照决策权来分工。

什么工作可以交给AI？

信息量大但判断标准清楚的工作；可以通过规则检查的工作；失败成本低、能够快速重试的工作；大量重复但需要一定变化的工作。

什么工作必须由人掌握？

目标定义；价值冲突；高风险决策；不可逆选择；涉及用户信任和组织责任的决策。

这就是我常说的：

AI负责搜索空间，人负责价值函数。

AI可以寻找大量可能性，但什么结果值得追求、什么代价不能接受，必须由人决定。

OpenAI的推理模型实践建议区分规划和执行：复杂、模糊、强调可靠性的任务更适合使用推理模型进行规划与决策，明确、重复的任务则可以交给更快速的模型执行。(OpenAI Developers)

对于设计项目，可以建立六步人机分工：

第一步，人确定目标和边界。第二步，AI收集信息、识别缺口。第三步，人定义关键矛盾和评估标准。第四步，AI生成、组合和实现不同方案。第五步，人完成关键取舍。第六步，AI执行检查、记录和沉淀。

需要特别注意的是，“人负责最终确认”并不等于有效的人机协作。

如果人只在最后看一眼，而此前没有参与问题定义、约束设定和阶段检查，那么所谓Human-in-the-Loop只是形式上的审批。

真正有效的分工是，人始终控制目标、标准和停止条件。

设计师未来不仅是方案作者，还会成为一组智能能力的导演、编辑和验收者。你的产出不再只是一个界面，而是一套能够持续产生正确结果的协作系统。

第七问：一个功能复杂、历史包袱重的老平台，前30天如何快速建立设计全局观？

面对老平台，我最反对的做法是上来就做页面走查。

因为页面只告诉你系统现在长什么样，却不告诉你为什么变成这样。很多看起来“不合理”的设计，背后可能是权限、商业模式、历史数据或组织协作造成的。

接手复杂系统，前30天最重要的不是改设计，而是建立五张地图。

第一张：业务地图

这个平台为谁创造什么价值？收入、成本、效率、风险和战略目标分别是什么？

第二张：用户与角色地图

有哪些角色？每个角色要完成什么任务？谁使用系统，谁做决策，谁承担结果？

To B系统里，使用者、购买者、管理者和受益者往往不是同一个人。

第三张：任务流程地图

关键任务如何从开始走到结束？中间经过哪些系统、部门和人工节点？在哪里等待、返工、出错？

第四张：系统结构地图

页面、模块、数据、权限、组件和上下游系统是什么关系？哪些是局部问题，哪些是结构问题？

第五张：历史决策地图

过去做过哪些重要改动？为什么成功或失败？有哪些不能碰的约束？哪些约束其实已经失效？

前10天不要急着给答案，先补足上下文；第二个10天寻找高频摩擦、关键断点和业务损失；最后10天选择一个“小而关键”的问题完成验证。

所谓“小而关键”，不是简单改一个页面，而是找到一个范围可控、结果可观察，同时能够证明设计判断的切入口。

例如，减少一个高频任务中的无效等待；解决一个跨角色交接问题；修复一个长期造成客诉或流失的关键断点。

早期不要试图通过大改版建立权威，而要通过正确的问题和可验证的结果建立可信度。

设计师在复杂项目中的第一价值，不是提供答案，而是帮助团队第一次看清系统。

第八问：当需求模糊、目标多变、各方意见不一致时，设计师如何找到真正的问题和设计切入点？

先接受一个事实：很多所谓“需求模糊”，并不是需求没有写清楚，而是各方追求的目标本来就不一致。

业务希望增长，研发希望降低复杂度，运营希望拥有更多配置能力，用户希望流程简单，管理者希望短期看到结果。

如果设计师直接进入方案，就会被各种意见不断拉扯。

所以，面对混乱，我不会先问“页面怎么设计”，而会先问四个问题：

这次变化希望改变谁的什么行为？为什么这种行为值得改变？我们用什么证据判断改变发生了？实现过程中有什么代价不能接受？

这四个问题分别对应用户、价值、指标和约束。

当各方意见不一致时，不要试图用审美或职位说服，而要把争论转化为可以验证的假设。

例如，不要争论“这个入口应该放首页还是二级页”，而要明确：

我们认为首页入口会提高某类用户的发现率；同时可能增加其他用户的认知负担；我们将通过曝光、点击、任务完成和负反馈验证。

一旦讨论从观点冲突进入假设验证，设计师就不再只是方案表达者，而成为决策结构的建立者。

我常用一个判断公式：

设计机会的优先级＝用户痛苦程度 × 业务影响 × 发生频率 × 可改变程度。

四项都高的问题优先解决。只有“用户抱怨很多”，但无法改变；或者“业务很重视”，但用户根本没有真实问题，都不应该成为最高优先级。

设计切入点从来不是“哪里可以设计”，而是“哪里改变之后，会推动系统产生更好的结果”。

第九问：设计师如何让自己的判断被业务方采纳，并真正推动方案落地？

很多设计师把“说服业务”理解为提高表达能力、把PPT讲得更精彩。

表达当然重要，但真正决定方案能否被采纳的，是你能否把设计判断翻译成对方关心的结果。

业务方通常不会因为“体验更统一”“视觉更高级”而投入资源。他们关心的是增长、效率、成本、风险、品牌和战略机会。

所以，设计师必须建立一条完整的价值链：

设计变化了什么；用户行为因此如何变化；用户行为变化如何影响业务结果；这个结果是否值得投入相应资源。

例如，不要只说“我们简化了登录流程”，而要说明：

减少了多少步骤；降低了多少失败；提升了多少完成率；减少了多少客诉；这些变化对新增、留存或服务成本意味着什么。

设计价值量化不一定都要转化为收入，但必须转化为可观察结果。常见的设计价值包括：

提高任务完成率；缩短完成时间；降低错误与返工；减少客服和培训成本；提升转化与留存；降低用户风险；增强品牌识别和信任。

同时，我也反对只拿最终数据证明设计价值。

业务结果通常由产品、技术、运营、市场和环境共同决定，设计师不能把所有增长都归功于自己。更专业的表达方式，是明确设计影响链条，并说明其中哪些证据能够支持设计贡献。

最有说服力的不是一句“设计带来了增长”，而是：

我们发现了什么问题；提出了什么假设；改变了什么关键变量；数据和用户反馈是否支持这个假设；下一步准备如何继续验证。

设计话语权不是争取来的，而是通过持续提供高质量判断和真实结果积累出来的。

第十问：如何证明设计创造了价值，并把一次项目经验沉淀为可以复用的组织资产？

我认为，大部分所谓设计沉淀价值很低，原因是大家沉淀的是“发生了什么”，而不是“以后可以怎样复用”。

一份几十页的项目复盘，如果只记录背景、过程、方案和结果，它仍然只是项目档案，不是组织资产。

真正可以复用的设计资产至少分四层。

第一层：认知与判断资产

我们对用户、行业、业务和问题形成了什么新的理解？哪些过去的假设被证明是错误的？哪些判断可以迁移到其他场景？

第二层：规则与上下文资产

品牌规则、体验原则、业务约束、角色权限、数据定义和决策边界是什么？

这些内容决定AI和新人能否正确理解任务。

第三层：方法与执行资产

可复用的组件、模板、代码、工作流、Skill、提示结构、检查清单和协作SOP。

第四层：证据与验证资产

哪些方案被验证有效？在哪些条件下有效？失败案例是什么？评估指标、测试数据和用户反馈是什么？

只有四层同时存在，经验才可能真正复利。

Anthropic在Claude Code中支持创建和共享Skills，本质上就是把任务上下文、执行方式和专门能力封装起来，让能力可以被重复调用。(Claude Platform Docs)

企业AI的使用趋势也正在从个人的临时问答，走向可重复、可治理的流程和组织资产。OpenAI公布的企业使用情况显示，Projects、Custom GPTs等结构化工作方式的使用显著增长，这说明组织真正需要的不是更多零散Prompt，而是稳定的上下文、标准和工作流。(OpenAI)

所以，每个项目结束后，不要只问“这次做得怎么样”，而要问：

我们新增了什么组织认知？形成了什么可复用规则？哪些步骤可以交给AI或工具？留下了什么证据帮助下一次判断？下一个人能否在不依赖原项目成员的情况下复用？

如果只有原来的人会用，这不是资产；如果只能在原项目中使用，这也不是资产；如果无法根据新证据持续更新，它仍然不是AI时代的资产。

设计沉淀的终点，不是一份文档，而是一个可以被人和Agent调用、能够被真实结果持续修正的能力系统。

结语：AI时代，设计师要从方案生产者变成结果经营者

回到最初的问题：AI时代，设计师还有没有价值？

当然有。

但设计师的价值正在发生一次非常彻底的迁移。

过去，我们的价值更多体现在亲自完成多少页面、原型、视觉和交互。未来，越来越多执行工作会被模型和Agent接管，设计师必须向上游和下游同时移动。

向上游移动，是进入问题定义、目标选择、价值判断和资源取舍。

向下游移动，是进入真实实现、运行验证、数据反馈和持续优化。

中间的“出方案”仍然存在，但它不再是设计工作的全部，甚至不再是最有价值的部分。

我越来越相信，AI时代优秀设计师会具备五个特征：

能够在混乱中定义正确的问题；能够在大量可能性中作出有质量的选择；能够组织人与AI共同完成复杂任务；能够让设计推动真实业务和用户结果；能够把个人经验转化为组织可以持续复用的资产。

所以，不要再把自己定义成一个画页面的人，也不要把AI仅仅看成一个提高出图速度的工具。

你真正要经营的，是问题、判断、协作、结果与资产。

AI生成的是方案，设计师决定什么值得被生成；AI完成的是任务，设计师决定什么结果值得被追求。

这才是AI时代设计师真正的不可替代性。

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧。

如果想第一时间收到推送，也可以给我个星标⭐。

谢谢你看我的文章，我们下次再见。

欢迎关注公众号「爽爷带你秒懂」，AI 时代的设计自媒体。