設計的下一步:AI 時代的 UX 新戰場

更新於 發佈於 閱讀時間約 14 分鐘

最近大家都在討論 AI,從生成式工具到自動化任務,新的產品、新的框架每天都在冒出來。身為 UX 設計師的我,也不免開始思考:當畫面變得越來越少,甚至可能不再需要畫面時,那設計師還能做什麼?

感謝悠識邀請 Microsoft 亞太區資深客戶體驗規劃經理 — 鄭衍偉(YenWei)帶來精彩分享,從自己的跨領域經歷出發,帶我們了解:AI 時代下,設計師該如何理解技術、參與決策、設計一個「會自己做事」的系統。

這篇筆記整理了我在那場分享中的收穫與思考,如果你也在想:「設計師的工作,會被 AI 取代嗎?還是其實,應該重新定義自己能做的事?」的話,希望這篇能帶給你一些線索。


YenWei 的跨領域之旅

YenWei 和大眾熟悉的設計師路線有點不一樣。他不是從科技業起步,而是從文字與劇場開始—唸中文、念編劇、參與公共活動,那時候他思考的角度是:怎麼說好一個故事?怎麼和一群人完成一場現場演出?

後來他進入社區營造與文化設計領域,參與空間活化與地方活動。這時,他思考的不再只是單點體驗,而是空間如何被人使用,活動如何促成連結,人與人怎麼因為設計走在一起。

進入 IT 顧問業後,先前的經驗成為解決複雜問題的底氣。他不從單一接觸點開始設計,而是習慣從模糊、跨部門、多角色的系統脈絡出發。他一直關心的不是某個人,而是這群人,怎麼一起前進。

他走過劇場、社區、顧問,
每一段歷程關注的面向都不同,
但始終圍繞著一件事:
在多元與不確定之中,用設計讓人群產生連結與行動。


面對 AI:知己知彼,百戰百勝

在演講一開始,YenWei 就直接拋出一個核心問題:AI 能「體驗」嗎?

raw-image

他用了一個超簡單卻超直接的例子:問 ChatGPT「error 裡面有幾個 R?」第一次其實他答錯了,經過討論後,再問一次他又能自己修正。這種反覆修正的過程,凸顯出 AI 並不是在「感受(Feeling)」,而是在模式中進行「感測(Sensing)」與計算。

AI 處理包含四個階段

raw-image
  • Tokenization:AI 處理語言時,會把單字拆成一段段的符號。像 "error" 可能變成「er」、「ror」,因此容易誤判。
  • Chain-of-Thought:AI 之所以能改正自己的錯,是因為它會在生成時「補上前面的推理」,像是在即時補作文,但不是因為它真正有理解。
  • Reasoning:AI 號稱能推理,其實是在依據前後文「猜」出下一個最可能的詞,不是真的理解語意。
  • Memory & Model Training:為什麼剛剛改對的,下一次又錯?因為 AI 沒有真正的記憶,它只是根據訓練資料重複預測,沒有學會「經驗累積」。

了解這些技術原理之後,讓我們看清楚一件事:AI 看起來很聰明,卻不是在「體驗」或「理解」,而是在處理機率與模式。

對設計師來說,這正是一個關鍵的轉捩點。現在是設計師需要重新學習的時候——就像過去設計師們需要了解印刷原理、出血設定等技術細節,如今我們也必須理解 AI 的運作方式。唯有掌握 AI 如何「感知世界」,才能設計出真正有效、可信且負責任的使用者體驗。


語言穿透 UI:重新定義互動與介面

不知道正在看這篇文章的你,最近還有在用 Google 搜尋嗎?在使用的過程中,有沒有注意到以下這些變化?

raw-image

當你搜尋不同類型的內容時,Google 不再只是列出一排連結,而是根據搜尋語意,給出相對應的回應:像「大阪」會出現天氣、航班、旅遊資訊;「明星」則出現相關作品與經歷。這看似貼心的設計其實就是 Google 已經開始重新定義互動的表現。

只憑一組關鍵字,系統就能判斷你可能的目的,並動態調整資訊結構與呈現方式。這已經超越了原本由設計師需要規劃的「畫面結構」,而是開始依據使用者的語意意圖進行介面生成與內容排序。這種「語言即介面」(language as interface)的趨勢,正悄悄重新定義我們過去熟悉的使用者旅程與接觸點設計。

這背後運作的核心,是一種叫做 Agentic AI 的技術結構。這裡的「Agent」不是指聊天機器人的擬人角色,而是能主動處理任務、整合多個模組甚至彼此協作的系統角色。舉例來說,一個 Agent 背後可能結合語言模型、資料查詢、價格比對、甚至 API 呼叫等眾多多個 AI 模組在協作處理任務,只為了完成一句話:「我下週要去大阪玩」。使用者不再需要透過輸入更多篩選條件或跳出新視窗,它就能幫你整合資訊、直接給出答案。


使用者互動經驗的改變,
讓設計師們不得不重新思考「介面設計」的角色

我們設計的不再只是按鈕和版位,而是資訊如何串聯、Agent 應該根據什麼規則動作,以及結果出來時,使用者如何理解它是怎麼產生的。

而且這些觸發條件,也不一定都來自使用者的主動操作,也可能來自感測器、系統事件,或是外部環境的變化。當觸發點變得更分散、更隱形,設計師就更需要去定義清楚「什麼時候該做什麼」,而不只是「畫出讓人點的東西」。


當語言變成介面、系統變得主動,
設計師也得學會設計背後的判斷與邏輯。


規範設計:從介面轉向行為與責任的設計

來到這場分享的重點,YenWei 與大家分享一個值得關注的設計概念:「規範設計(Normative Design)」。

raw-image

這個概念來自哲學、社會學與經濟學中對「Normativity」的探討,意思是:我們如何判斷什麼是「正確的」、「應該的」? 它不只是觀察現在發生了什麼,而是主動訂出 AI「應該怎麼行動」的規則。

而在由 Agent 驅動的 AI 系統中,許多關鍵決策都發生在使用者看不見的後台。使用者往往只看到結果,卻不知道系統是怎麼做出這個判斷的;而設計師也無法再單靠畫流程圖,就可以規劃出完整的體驗。

這時候,設計師的角色就需要重新調整,開始關心過去不需要碰的那些底層條件與行為規則,例如:

  • 決策來源不明:使用者無法知道是誰(哪個 agent)在做決定,也不知道它依據了什麼。
  • 資料取得與使用不透明:agent 背後串接了哪些資料、是否有取得授權,往往使用者完全無感。
  • 系統判斷條件模糊:AI 是什麼時候啟動的?用了什麼規則?為什麼做出這個建議?使用者常常無法得知。
  • 互動過程被壓縮成結果:使用者只看到最後輸出,但過程中可能經過了幾個層次的篩選與決策。

當決策流程變得隱形,設計師就有責任讓規則變得可理解。設計的責任不再只是畫面與流程,而是要清楚定義 AI 的行為邊界、判斷邏輯與責任歸屬。這也說明,為什麼不能再用傳統的 UI 設計方式來思考互動邏輯。因為真正影響體驗的,不再是「怎麼點」,而是「系統背後是怎麼想的」。

raw-image

因此 UX 領域正在浮現的一項「新設計任務」:UX 設計師不只是介面與動線的規劃者,更要開始參與更根本的思考:系統在什麼情況下該做出回應?這些行為該根據什麼規則啟動?背後的判斷邏輯要不要被揭露?又該由誰來承擔結果?

尤其當系統越來越主動、資料越來越敏感,這些問題就不再只是技術討論,而是設計決策。設計師需要與工程師、資料科學家協作,不只是把畫面「設計得好看」,而是要共同定義整個 AI 系統該怎麼行動,才能讓使用者在使用過程中感到安全、信任且知情。

當設計進入 AI,
我們設計的不只是體驗,而是價值、規則與信任


你不是一個人!與資料科學家結盟

在一個團隊裡,好的數據分析可以讓體驗優化的決策更精準,而在 AI 產品中更是如此。

如果說設計師擅長定義需求與使用情境,那麼資料科學家則是掌握模型邏輯、數據品質與技術可行性的關鍵角色。這樣的合作關係不該等到設計完成後才啟動,而應該從模型建立之前就開始對話

在資料科學的實務工作中,常會提到兩個環環相扣的循環:Inner Loop 與 Outer Loop

  • Inner Loop 是模型訓練與優化的核心,包括資料處理、回應邏輯、模型評估等。
  • Outer Loop 則關注使用者現場互動,透過觀察、測試與需求釐清,回饋整體設計與行為規則。

而身為 UX 設計師,可以在這兩個循環的不同階段,扮演連結數據與人之間的橋樑角色,你可以這樣做:

模型建立之前:定義什麼是「好」

  • 與資料科學家共同定義成功的輸出是什麼(Success Criteria),根據業務目標、使用者需求與模型可行性,協調出既有價值又可執行的標準。
  • 協助辨識不同使用情境下,什麼樣的語氣、資訊量與表達方式才算合適
  • 協助釐清哪些資料能代表真實使用情境,哪些樣本(Golden Dataset)可能因來源、用語風格或過度集中特定族群而導致偏誤

前期(訓練與設計):設計對話與回應邏輯

  • 協助設計使用者與 AI 的互動流程,讓模型回應更自然、清楚、符合語境(Infoflow)
  • 將複雜的業務規則與術語轉換成使用者聽得懂的語言,幫助模型學會更貼近人類的說法(Conversation Design
  • 在模型訓練前定義什麼樣的回答對使用者才真正有價值(Evaluator),避免只學到「對」但不好用的內容

中期(開發過程中):建模 × 視覺同步調

  • 與工程團隊同步開發對話介面,設計模型輸出的呈現方式如聊天視窗或語音介面(Chat UI / VUI)
  • 根據模型的回應格式與內容調整資訊呈現方式,例如摘要、分段或補充資料來源
  • 參與討論哪些情境下模型應避免回應,協助設定限制條件(Guardrails),預防誤導或偏誤內容產出。

後期(產品測試與優化):觀察、測試與規則調整

  • 透過使用者測試( Usability Testing)觀察 AI 回應是否清楚、可信,找出理解落差與誤解點(Observation)。
  • 整理使用者需求與痛點(Needs Synthesis),重新調整模型或介面的設計優先順序。
  • 根據使用結果調整 AI 的回應規則(Normativity Design),例如什麼資訊需要被標示來源,或哪些情境下應提供補充說明。


設計師不再只是負責「把模型輸出的東西設計得好看」,而是要真正參與定義:模型該怎麼行動、該怎麼說話,甚至什麼時候該保持沉默

UX 設計師不只是使用者的代言人,
更是模型與人之間理解與信任的橋樑。


小補帖 - 你可以這樣思考

YenWei 提供了一個簡單實用的模板,幫助設計師在專案一開始,就能從「做不做得出來」與「值不值得做」這兩個角度,快速釐清每一個功能的可行性與資料需求。


第一層:商業價值與目標

從商業策略出發,思考這個功能對應的目標與模式,例如提升轉換率、開創獲利機會,或強化使用者留存。釐清這一層,才能確保後續設計不偏離方向。

第二層:訊息流與價值判斷

這一層並不是傳統 UX 常說的 user journey,而是針對「當使用者在做這件事時,他會需要考慮什麼?」這些「會被考慮的事」,其實就是設計 AI 輸入與提示的重要依據,也可以幫助我們判斷設計出來的功能,是否真能解決使用者當下的疑問或決策困境。

可以從幾個面向來思考:

  • User Value(使用者的價值):這個功能是否真的解決了使用者的困擾?能不能讓操作更直覺、資訊更清楚,或提升使用者對系統的信任感?
  • Service Provider Value(服務提供端的價值):這功能是否也對服務提供者有幫助?像是讓客服回應更快、讓營運流程更順、或減少出錯機率?
  • 資料提示(Hints for Data):從使用者的操作中,有哪些行為、輸入或紀錄可以成為 AI 的判斷依據?
  • 資料可用性(Data Readiness):這些資料是否已經收集?格式乾淨嗎?數量夠不夠?如果沒有,這功能可能就做不出來,或要先補足資料基礎。

這樣的盤點方式可以幫助設計師在初期就看見現實限制,也更容易在跨部門討論時,釐清哪些功能該優先做、哪些還沒準備好,先不要做。

AI 設計的起點,不是模型,也不是畫面,
而是價值與資料的對齊。


結語

面對 AI 技術快速演進,我們不只是設計介面,而是在參與一套系統如何感知世界、做出判斷、甚至主動行動的過程。設計師的角色,正在從畫面規劃者,轉變為規則制定者、資料詮釋者與行為定義者。

YenWei 的分享提醒我們:設計師不需要變成工程師或資料科學家,但需要更理解這些技術如何運作、如何影響人,以及我們可以在哪些關鍵時刻發揮專業、創造價值。

AI 產品的體驗,不再只是「怎麼操作」,而是「它為什麼這樣做」。而這背後的規則設計,正是 UX 新的戰場。


-------------------------------------------------

類型:線上講座 - 迎向零 UI 時代:設計的新戰場

講師:鄭衍偉 YenWei Zheng

時間:2025/05/06

機構:悠識學院

小編:Cyndy


留言
avatar-img
留言分享你的想法!
avatar-img
Root Design Lab
21會員
10內容數
「Root Design Lab」結合了「Root」(根源、基礎)、「Design」(設計)與「Lab」(實驗室),象徵這是一個充滿探索精神的創新平台! 我們是UXD(User Experience Design,使用者體驗設計) ,專注於設計與前端技術的發展與實踐,透過實驗與不斷精進,推動創意與技術的無限可能!
你可能也想看
Thumbnail
家中修繕或裝潢想要找各種小零件時,直接上網採買可以省去不少煩惱~看看Sylvia這回為了工地買了些什麼吧~
Thumbnail
家中修繕或裝潢想要找各種小零件時,直接上網採買可以省去不少煩惱~看看Sylvia這回為了工地買了些什麼吧~
Thumbnail
👜簡單生活,從整理包包開始!我的三款愛用包+隨身小物清單開箱,一起來看看我每天都帶些什麼吧🌿✨
Thumbnail
👜簡單生活,從整理包包開始!我的三款愛用包+隨身小物清單開箱,一起來看看我每天都帶些什麼吧🌿✨
Thumbnail
創作者營運專員/經理(Operations Specialist/Manager)將負責對平台成長及收入至關重要的 Partnership 夥伴創作者開發及營運。你將發揮對知識與內容變現、影響力變現的精準判斷力,找到你心中的潛力新星或有聲量的中大型創作者加入 vocus。
Thumbnail
創作者營運專員/經理(Operations Specialist/Manager)將負責對平台成長及收入至關重要的 Partnership 夥伴創作者開發及營運。你將發揮對知識與內容變現、影響力變現的精準判斷力,找到你心中的潛力新星或有聲量的中大型創作者加入 vocus。
Thumbnail
系統變得越來越複雜 隨著人工智慧(AI)技術的飛速發展,系統變得越來越複雜,設計直觀且以人為本的界面和互動方式成為一大需求。這不僅要求設計者深入理解用戶需求,還需要創造出簡單、易用的解決方案,以提升用戶體驗。 麥當勞為例 麥當勞自駕點餐系統很先進嗎?它是由一個員工在室內操作整個電腦點餐
Thumbnail
系統變得越來越複雜 隨著人工智慧(AI)技術的飛速發展,系統變得越來越複雜,設計直觀且以人為本的界面和互動方式成為一大需求。這不僅要求設計者深入理解用戶需求,還需要創造出簡單、易用的解決方案,以提升用戶體驗。 麥當勞為例 麥當勞自駕點餐系統很先進嗎?它是由一個員工在室內操作整個電腦點餐
Thumbnail
通用型AI還沒那麼快出現 所以說人類的工作要全面被取代 目前不會發生 但如果是"部分"的專精工作 可以被模組化 高重複性 可被預測 與其說取代人類工作 不如說 AI可以替代部分"流程" 如果有專屬於法律條文聊天機器人 或是 專屬於公司內部規章的聊天機器人 遇到問題 或是不確定的流程 直接詢
Thumbnail
通用型AI還沒那麼快出現 所以說人類的工作要全面被取代 目前不會發生 但如果是"部分"的專精工作 可以被模組化 高重複性 可被預測 與其說取代人類工作 不如說 AI可以替代部分"流程" 如果有專屬於法律條文聊天機器人 或是 專屬於公司內部規章的聊天機器人 遇到問題 或是不確定的流程 直接詢
Thumbnail
AI技術的發展如日中天,但也引發了許多道德與創作者權益的議題。從初期到現在的變化,AI的發展對創作者而言是一大挑戰,無論是哪種AI使用者,AI的出現,不代表我們要放棄思考。
Thumbnail
AI技術的發展如日中天,但也引發了許多道德與創作者權益的議題。從初期到現在的變化,AI的發展對創作者而言是一大挑戰,無論是哪種AI使用者,AI的出現,不代表我們要放棄思考。
Thumbnail
已經成真的AI生成文字、圖片、音樂、影片,以及接下來更多的AI運用場景,每一項都將對人類社會產生重大的影響:包括抽象的人心、文化、審美、親密關係,以及實質的就業、經濟、生活、生涯規劃等。 本文我會以大量使用、測試AI的經驗,輔以田野調查的經驗,詳細說明AI時代最應該培養的四項能力。
Thumbnail
已經成真的AI生成文字、圖片、音樂、影片,以及接下來更多的AI運用場景,每一項都將對人類社會產生重大的影響:包括抽象的人心、文化、審美、親密關係,以及實質的就業、經濟、生活、生涯規劃等。 本文我會以大量使用、測試AI的經驗,輔以田野調查的經驗,詳細說明AI時代最應該培養的四項能力。
Thumbnail
在數位化的世界中,用戶介面和信息圖表等視覺元素扮演著越來越重要的角色,而ScreenAI的開發為自然語言處理和計算機視覺的融合開啟了新的可能性。
Thumbnail
在數位化的世界中,用戶介面和信息圖表等視覺元素扮演著越來越重要的角色,而ScreenAI的開發為自然語言處理和計算機視覺的融合開啟了新的可能性。
Thumbnail
數位化時代中,人工智能(AI)已成為推動創新和進步的關鍵力量。本文探討AI的現狀、挑戰以及未來可能性,並提出負責任地發展和使用AI的思考。
Thumbnail
數位化時代中,人工智能(AI)已成為推動創新和進步的關鍵力量。本文探討AI的現狀、挑戰以及未來可能性,並提出負責任地發展和使用AI的思考。
Thumbnail
人工智慧(AI)的未來展望 在當今這個科技日新月異的時代,人工智慧(AI)已成為推動創新和進步的重要力量。從自動駕駛汽車到精準醫療,AI的應用範圍不斷擴大,其潛力無限。然而,隨著AI技術的快速發展,我們也必須關注其對社會、經濟和倫理的影響。
Thumbnail
人工智慧(AI)的未來展望 在當今這個科技日新月異的時代,人工智慧(AI)已成為推動創新和進步的重要力量。從自動駕駛汽車到精準醫療,AI的應用範圍不斷擴大,其潛力無限。然而,隨著AI技術的快速發展,我們也必須關注其對社會、經濟和倫理的影響。
Thumbnail
2020年代AI產業迅速發展,與設計相關的領域可大規模節省人力,但也存在產業泡沫。技術進步可能影響白領工作。AI來源於全球網路積累的數據庫,因此創意可能缺乏獨創性。大公司利用AI降低人事成本,可能對大成本創作體系造成傷害。新的體系將影響未來至少二十至半個世紀的時間。
Thumbnail
2020年代AI產業迅速發展,與設計相關的領域可大規模節省人力,但也存在產業泡沫。技術進步可能影響白領工作。AI來源於全球網路積累的數據庫,因此創意可能缺乏獨創性。大公司利用AI降低人事成本,可能對大成本創作體系造成傷害。新的體系將影響未來至少二十至半個世紀的時間。
追蹤感興趣的內容從 Google News 追蹤更多 vocus 的最新精選內容追蹤 Google News