設計師似乎從未如此強大。
只要輸入幾段指令，生成式 AI 就能協助整理訪談資料、建立人物誌、繪製使用者旅程、提出設計概念、生成視覺風格、製作互動原型，甚至替設計決策補上一段完整而動人的論述。原本需要不同專業、數天乃至數週才能完成的工作，現在可能在幾小時內就產生可供展示的成果。
這種能力令人興奮，也帶來一種奇特的專業感受，彷彿無論面對什麼問題，我們似乎都能先做出一點東西。即使不熟悉某個產業，也能迅速整理市場趨勢；沒有接觸特定使用者，也能要求 AI 模擬其需求；尚未真正理解一套制度，也能先生成一張看似周延的系統圖。AI 不只提升了設計師的產出能力，也讓設計師得以調用遠超過自身教育、經驗與專業範圍的知識。
然而，真正該擔心的，或許不只是 AI 偶爾提供錯誤資訊，而是它讓我們更不容易感受到自己的無知。
當 AI 讓設計師看起來什麼都會
2026 年 6 月，任教於 Olin College 資工系的公共利益科技與工程教育學者 Erhardt Graeff 在「哲學、工程與科技論壇」發表了 〈AI’s Humility Problem〉，提醒我們，生成式 AI 讓人可以使用超出自身理解的知識，卻沒有相應地幫助人認識理解的邊界。AI 因而可能侵蝕的，不只是個人的知識判斷，也包括支撐合作、民主與公共生活的「知識謙遜」（epistemic humility）。所謂「知識謙遜」，並不是要人否定自己的能力，而是能辨認自身能力的邊界，知道自己掌握了什麼、缺少什麼，理解哪些推論仍有待查證，也承認其他人擁有自己無法取代的經驗與知識。
這原本就是設計實踐不可缺少的能力。設計師進入陌生場域時，必須暫時擱置既有判斷；訪談使用者時，需要承認對方的生活經驗不能被自己的專業框架完全概括；參與跨領域合作時，也必須接受問題不一定能由設計單獨定義，更不一定能由設計解決。
但是，生成式 AI 改變了人感受自身有限性的方式。
過去，當一名設計師不了解醫療制度、都市更新、氣候治理或照護勞動時，這種「不知道」通常相當明顯。他必須閱讀、訪談、觀察、請教專家，也必須在一次次碰壁中修正理解。知識缺口不只是工作的障礙，也是學習的起點，甚至是設計研究最有生產力的條件之一。
現在，AI 可以迅速填補這些缺口。它會整理背景、歸納爭議、模擬利害關係人，將零散資訊組織成語言流暢、結構清楚的說明。設計師因而可能產生一種「借來的精通感」，也就是雖然沒有真正經歷知識形成的過程，卻已經取得看似成熟的分析成果。
Graeff 指出，許多運算與創新環境原本就獎勵速度、確定性與掌控感。 AI 進一步強化了這種文化，讓使用者產生一種錯覺，以為個人的教育與生活經驗已不再是限制，因為集體知識隨時都可以藉由 AI 被召喚出來。於是，設計中的危險不只是 AI 給出錯誤答案，而是它太容易給出一個足以讓工作繼續推進的答案。當 persona 已經生成、洞察已被條列、設計機會點也已經出現，我們便較少停下來追問：這些內容來自誰的生活經驗？哪些人並未出現在資料中？哪些衝突被簡化了？哪些文字只是用來填補空白的合理推測？
知識謙遜的價值，正在於保留這些尚未被填滿的部分。承認「我們還不知道」，不是設計失能的表現，而是讓真實的複雜性仍有機會進入設計過程。
一面會說話的鏡子
Graeff 的思考深受科技哲學家 Shannon Vallor 影響。她在 2024 年出版的 《The AI Mirror》 中，以「鏡子」比喻當代生成式 AI。因為她拒絕把 AI 想像成另一個逐漸甦醒、開始理解世界的心智。
Vallor 認為，大型語言模型以人類留下的大量文字、圖像與行為資料為材料，從中辨識模式並生成新的組合，它可以反射人類的語言、偏好、分類方式與價值判斷，甚至比一般鏡子更具迷惑性。因為這副魔鏡不只呈現影像，還會回應問題，以第一人稱說明理由，模擬理解、關心與判斷的語氣。
但鏡子不曾生活在世界裡。
它可以生成一段關於照護者壓力的描述，卻沒有照顧過失能家人；可以模擬都市邊緣居民反對開發的聲音，卻沒有面臨拆遷；可以寫出關於無障礙設計的同理敘事，卻沒有在城市中經歷身體移動的阻礙。
這個差異對設計師的重要性，不只是「內容夠不夠真實」，更關鍵的是，模型生成的他者並不具有獨立於設計師之外的社會位置。真實的使用者可以否定設計師的詮釋、拒絕被特定語言代表、要求重新定義問題，甚至直接退出合作。這種反駁與拒絕的能力，是設計研究得以修正自身的重要條件，因為它迫使設計師面對原有框架無法容納的現實。
AI 當然也能生成「你問錯問題了」這樣的句子，但它的反駁仍發生在設計師設定的提示與模型可用的資料之中。它不會因為被錯誤代表而抗議，也不會因設計結果而承受實際後果。到最後，螢幕上或許呈現了五種不同的使用者立場，卻沒有任何一個具體的人能拒絕被代表，或提出模型框架之外的問題。這或許可以稱為一種「無人在場的多元性」，多種聲音看似都已出現，真正能改變設計關係的人卻沒有進場。
這也涉及 Vallor 長期關注的「道德技能退化」，也就是技術系統在減輕人類某種負擔的同時，也可能侵蝕與那個負擔共生的能力。例如，導航工具替我們規劃所有路線之後，人們在城市中自行辨認方向的能力，也可能隨之鈍化。在設計研究中，AI 改變的不只是設計師做哪些工作，也包括設計師還有能力感受什麼。田野調查、深度訪談與參與式觀察的價值，不只是蒐集更多資訊，而是讓研究者被現實的複雜性所教育。在「這究竟是什麼意思」的迷霧中停留一段時間，設計師才可能看見原有框架的盲點。
真正改變設計方向的洞察，往往不是從整理妥當的資料中直接歸納而來，而是在某個難以分類的觀察、某句讓人不舒服的受訪者回應，或某次迫使計畫停下來的田野意外中浮現。當 AI 被用來迅速整理與填補未知，它可能提前吹散這片迷霧。設計師以為自己已經看懂，實際上卻可能只是讓既有預設更順暢地通過研究流程。最後的報告也許更完整、更漂亮，改變問題定義的能力卻變弱了。這不只是倫理問題，也是設計品質的問題。
鏡子還有另一項限制：它主要反射過去。
Vallor 強調，AI 系統從既有資料中生成答案，能告訴我們人類曾經如何描述和處理問題，卻不能替人類決定未來應該成為什麼。對宣稱面向未來的設計而言，這是一項根本挑戰。因為如果用來想像未來的主要材料，是由既有世界訓練而成的模型，那麼所謂的創新，很可能只是對既有形式的快速重組。訓練資料原本就較少留下弱勢者、非正式勞動者、地方知識與非主流生活方式的紀錄，AI 所生成的「典型使用者」，因而可能持續複製這些缺席。
不過，鏡子並非只能強化既有偏見。模型對資料模式的反射，有時也能讓原本被制度正常化的不平等變得可見。關鍵不在 AI 天生有益或有害，而在我們用它迅速生成答案，還是用它檢查自身的分類、預設與盲點。
擁抱 AI，還是被迫擁抱？
設計產業正在快速擁抱 AI，而且這種採用已不再停留在少數先行者的實驗。
Adobe 在 2026 年發布的 《Creators’ Toolkit Report》 中，調查了八個國家、超過 16,000 名創作者。75% 的受訪者表示，創意 AI 已整合進日常工作流程，或成為其中不可或缺的一部分；93% 認為 AI 能加快內容產出。不過，85% 同時主張，無論使用生成式或代理式 AI，最終的創意決定都應由創作者掌握。這顯示創作者一方面已將 AI 納入日常工作，另一方面仍試圖守住創意判斷與控制權。
Figma 在 《State of the Designer 2026》 中調查了全球 906 名數位設計師。89% 的受訪者認為 AI 讓工作更快，80% 認為它改善了跨團隊協作，91% 則表示 AI 工具有助於提升設計工作。相關資料也顯示，72% 的設計師已在工作流程中使用生成式 AI，且 98% 在過去一年增加了使用量。AI 因而不只是設計流程之外的輔助工具，而正逐漸成為設計工作的日常環境。
這兩份調查都由積極開發 AI 工具的平台公司發布，因此不能被視為完全中立的產業研究。但平台如何描述 AI 的未來，本身也具有塑造作用。Adobe 與 Figma 一方面以速度、品質、成長和協作描述 AI 的價值，另一方面也透過產品功能與工作流程，讓「使用 AI」逐漸成為創意工作與設計工作的預設條件。
因此，設計師對 AI 的擁抱並不是同一件事，而至少包含兩套性質不同的邏輯。若不加以區分，便容易把結構問題當成個人品德問題，或把仍可反思的專業選擇視為無從介入的必然趨勢。
第一種：由表演邏輯驅動的擁抱
這裡的「表演」，不是指設計師故意造假，而是指他必須透過可見的成果，向客戶、雇主，甚至向自己證明：我仍然是一名有能力、有效率，而且沒有被時代淘汰的設計師。AI 大幅降低了這種專業展演的成本。設計師可以在幾分鐘內生成一份看似完整的研究分析、一套視覺一致的設計方案，以及一段有理有據的決策說明。成果變多了，完成速度也變快了，設計師因而更容易展示自己能夠掌握複雜問題、快速提出方案，並駕馭最新工具。
諷刺的是，設計師過去最常用來證明專業價值的，是「使用者中心」與「以人為本」，但 AI 現在卻可能鼓勵設計師跳過與真實使用者相遇、被反駁和修正的過程，直接生產「已經理解使用者」的成果。於是，AI 不只協助設計師工作，也協助設計師表演專業。設計師展示的未必是理解本身，而可能只是理解完成後應有的外觀，例如完整的人物誌、清楚的洞察、流暢的問題定義，以及看似具有充分根據的設計方案。
第二種：由結構邏輯驅動的擁抱
它的重點不在設計師想不想使用 AI，而在於設計工作已經按照「AI 應該能提高效率」的前提被重新安排。當設計軟體將 AI 直接嵌入工作流程，客戶、主管與團隊便開始以新的速度想像一項工作需要多少時間、多少人力，以及多少預算。原本需要三天完成的工作，可能被期待在一天內交付；原本提出三個方案已經足夠，現在可能被要求一次提供十幾個版本；原本包含田野、討論與反覆修正的報價，也可能因為客戶相信 AI 已經降低製作成本，而被認為過高。
因此，一名設計師即使選擇不用 AI，也無法真正回到原來的工作條件。他仍然必須面對已被 AI 重新校準的交期、報價與績效標準。不使用 AI 不再只是選擇另一種工作方法，而可能被視為效率不足、成本過高，甚至缺乏與產業同步的能力。這就是結構性的強迫：設計師不必被主管明確命令使用 AI，只要整個工作環境已經按照 AI 的產能設定標準，他就很難拒絕。
表演邏輯要求設計師證明「我有能力使用 AI」；結構邏輯則預設「一名合格的設計師本來就應該達到 AI 所帶來的速度與產量」。前者改變的是設計師如何展示自己的專業身分，後者改變的則是設計工作得以生存的基本條件。
兩種擁抱並非個自獨立，更多是相互強化。設計師為了證明自己的專業價值，展示 AI 所帶來的速度、產量與成果完整度；這些原本屬於個人的能力展示，隨後會在提案比較、工時估算與績效管理中，被客戶與組織轉化為新的交期、報價與產能標準。早期採用者藉由 AI 取得的競爭優勢，於是逐漸成為其他設計師必須達到的基本門檻。問題並不是早期使用者有意迫使他人跟進，而是當個別成果被持續拿來比較，原本的加分能力便會慢慢變成所有人的最低要求。
這個轉化不需要任何組織正式宣布，也不必經過設計產業的集體協議，而是發生在一次次提案競爭、時程壓縮與價格比較的過程中。等到多數人意識到時，問題往往已經不再是「要不要使用 AI」，而是當工作已經預設必須使用 AI 的情況下，誰還能保留哪些不能被加速的環節？
只是，AI 所承諾的效率，不一定會使設計師的勞動環境變得更好。
假設 AI 讓原本需要三天的工作在一天內完成，節省下來的兩天未必成為更多田野、反思或休息時間。更常見的結果是，三天的交期被重設成一天，原本需要提出三個方案的工作變成需要提出十五個方案。效率很快被組織吸收為新的生產力基準。設計師可能沒有失去職位，卻逐漸失去成為設計師所需要的養成時間。他仍在進行使用者研究，但訪談先由 AI 摘要；仍在建立洞察，但最初的分類已由模型完成；仍被要求為最後的方案負責，卻愈來愈少參與材料如何被轉化成判斷的過程。
這正是為什麼「知識謙遜」需要被政治化。
如果只要求設計師保持謙遜，問題便容易被留給個人自律。但在追求速度與可展示成果的專案環境中，「我們目前還不知道」、「這些資料不足以支持結論」或「我們需要再進入田野」等專業判斷，往往被解讀為效率不足，而不是專業成熟。換言之，設計倫理要求設計師承認自身的有限性，AI 化的工作環境卻要求設計師表現得彷彿沒有任何事情能夠限制他。
因此，AI 治理不應只處理資料安全、著作權與工具規範，也必須面對工作如何被重新組織，包括AI 節省的時間如何分配？哪些判斷必須保留人工審議？初階設計師是否仍有機會透過基礎工作學習？設計師能否基於專業理由，拒絕某些自動化方式？
Graeff 長期主張的 design refusal（設計拒絕） 在此尤其重要。他認為，設計師的責任不只是知道如何把東西做出來，也包括判斷何時不該設計、不該蒐集資料、不該自動化，或不該接受最初被交付的問題定義。但拒絕需要制度條件。若拒絕只依靠個別設計師的勇氣，承擔風險的仍然只是個人。設計組織、專業社群與教育機構必須共同界定：哪些工作不能因為 AI 而被無限壓縮？哪些研究與審議環節值得被保護？什麼樣的工作方式，是設計作為一項專業願意共同守住的底線？
清醒地使用 AI，當然不同於在毫無察覺中被 AI 重塑。但清醒若要產生作用，就不能只停留在個人的內心警覺，而必須轉化為可被執行的專業標準與集體協商。
我們正在培養什麼樣的設計師？
設計教育首先必須承認，學校無法讓學生免於進入前述的工作環境。學生畢業後面對的時程壓力、AI 化的工具生態與重新校準的產能期待，不會因為他曾在課堂上學過「知識謙遜」而消失。若設計教育的回應只是一套道德建議，說服力十分有限。
但設計教育仍有一件無法被取代的事可以做，那就是在相對受到保護的學習環境中，讓學生真正經歷「不知道」，也讓他們記得那是一種什麼樣的感受。這不是苦行主義，也不是要求學生拒絕工具，而是建立判斷的參照點。因為，學生如果從未在模糊的田野材料前苦惱、從未經歷設計研究觸礁，也從未因真實參與者的反駁而修改設計提案，就很難在日後使用 AI 加速工作時，辨認自己究竟跳過了什麼。
設計學習中有許多過程看起來低效，卻是判斷形成的條件。而且，有些基礎工作不只是勞動，也是 學徒訓練。新手在反覆整理資料、比較版本與修改細節的過程中，逐漸學會辨認差異、理解品質標準，也開始看懂專家如何作出判斷。AI 能夠完成一項工作，不等於學生已不再需要經歷其中的學習過程。
AI 可以協助初步轉錄與整理材料，但學生仍應回到原始資料，檢查哪些語意被壓縮、哪些例外被忽略，以及模型如何建立分類。AI 可以提出 persona 草稿，但學生必須說明每一項描述的證據來源，並指出哪些部分只是推測。AI 可以生成設計方案，但學生仍需要比較不同方案所依賴的價值判斷，以及誰將承擔各自的後果。
換句話說，AI 不應只被用來回答問題，也可以被用來暴露問題：這個答案依賴哪些假設？哪些人沒有被納入？模型把什麼視為正常？這項建議在什麼情況下會失效？
評量方式也必須相應改變。
AI 很擅長生成「像反思的文字」。它可以迅速寫出學生如何重新認識使用者、發現自身偏見，或理解設計的政治性。但反思不是一種文字風格，而是一個人重新面對自身假設、位置與責任的過程。因此，教育者不能只評估最終報告是否完整，而要讓判斷形成的歷程變得可見。例如，學生能否指出自己的理解在何處改變？哪一項主張仍然缺少證據？真實參與者的意見如何迫使團隊修改方案？最後的決定由誰作出，又由誰承擔責任？
更激進的提問是：設計教育能否允許學生「不設計」？
以成果展示為導向的設計教育，通常要求學生交出產品、服務或原型，即使田野已經顯示問題不適合由設計處理。AI 進一步降低了製作門檻，也使「沒有做出東西」更難被接受。但成熟的專業判斷，有時恰恰表現在知道何時不應繼續。現有資訊可能不足以支持方案；真正需要的可能是資源重分配，而不是新的服務；某些資料不應被蒐集；模擬特定群體的觀點可能造成傷害；原先的 design brief 本身也可能需要被拒絕。
設計教育若無法容納這些結論，就會持續把學生培養成面對任何問題都必須提出解方的人。生成式 AI 只是讓這種衝動變得更快、更便宜，也更難被質疑。
我們或許想問魔鏡，誰才是 AI 時代真正的設計師？但答案不在於誰能利用 AI 生成最多方案，也不在於誰能最快把概念變成產品。真正的設計專業，愈來愈可能表現在一組不容易被量化的能力上：知道何時停下來，知道自己還不知道什麼，知道哪些人不能被模型代言，知道哪些問題不能被設計化，也知道最後的判斷不能交給一面不必承擔後果的鏡子。
但願未來的設計教育仍能保留一個空間，讓設計師有能力說：這件事，我們還不理解；這個答案，需要和真正受到影響的人一起形成；這項設計，我們目前不應該做。
Comments