2018 年，没有人问过我“AI 会不会替代设计师”。
《AI 改变设计》确实分析过哪些标准化、重复性的设计工作可能被自动化，也讨论过人工智能会怎样改变设计师的职业。这个问题由我主动提出，用来讨论技术可能带来的长期变化，并非回应当时读者的普遍追问。
当时，AI 已经可以识别图像、分析数据、推荐内容，也能在有限场景中批量生成广告图片。对多数设计师而言，这些能力仍隐藏在推荐系统、智能修图和自动化工具背后，主要改变局部工作环节。《AI 改变设计》因此把更多篇幅用于解释人工智能是什么，介绍图像识别、推荐、智能音箱、物联网和自动驾驶等能力，并讨论设计师怎样使用这些新工具。
一项同时期的调查可以作为参照。Adobe 委托 Pfeiffer Consulting，通过 Behance 作品集和同行推荐等途径，目的性招募了美国、英国和德国 75 位以上的创意从业者，覆盖设计、插画与影像、动态图形、UX/UI 等领域。74% 的受访者表示，至少一半工作时间花在重复、缺少创造性的任务上；89% 的人对能减少这类劳动的 AI 助手“很感兴趣”或“极感兴趣”。1 这个样本不能代表整个设计行业，只能说明这组受访者当时的一种明确期待：让 AI 分担繁琐劳动。
八年后，主题没有中断，但问题的现实基础、技术普及度和紧迫性都变了。
生成式 AI 已经进入真实的创作流程，可以生成图片、文案、界面、视频和代码初稿。岗位技能要求也出现了变化的早期信号，但现有数据还不足以说明整个行业的稳定趋势。设计师对职业替代、技能过时和创作自主性的担忧，已经从前瞻推演变成现实感受。针对创意从业者的研究把这类担忧概括为“创造性替代焦虑”。2 Adobe 在 2026 年调查了美国和英国共 1433 名创意专业人士与创作者；其中，在美国 403 名和英国 203 名创意专业人士子样本中，分别有 46.2% 和 51.2% 的受访者把 AI 视为对自身职业的威胁。3
2018 年，我主要从有限案例推测 AI 将来会怎样影响设计；到了 2026 年，设计师已经在工作中感受到它带来的效率、竞争和不确定性。职业变化始终是同一个主题，如今却有了更直接的技术基础与现实压力。本书会讨论替代焦虑，但不会把它当成解释所有变化的唯一主线。
今天需要讨论的变化，也已经超出设计师使用生成工具的范围。模型开始进入产品的运行结构：读取文件与上下文，解释不完整的要求，调用工具，维持任务状态，生成临时界面，并在获得授权后修改外部数据。这类系统仍会犯错，远未可靠到可以接管所有任务，却已经把设计从“怎样使用 AI 生产内容”推向“怎样设计一个会判断和行动的系统”。
《智能体时代的设计》由此提出一个更基础的问题：
图 0-1 《智能体时代的设计》的核心问题
要回答这个问题，需要先理解为什么这些变化会在今天集中出现。
本章借用“第四次工业革命”作为观察框架。这个分期不是唯一的历史解释；它提醒我们，人工智能、机器人、物联网等能力正在进入物理系统、组织和日常生活，技术影响也会从生产工具延伸到产品、流程与制度。4
0.1 从设计工具进入产品结构
设计行业从来不缺少新工具。桌面出版软件替代了大量手工排版，数码相机改变了影像生产，移动互联网又把界面从桌面带到每个人的手中。每次工具升级都会提高效率，也会淘汰一部分重复工作，但工具本身仍由人逐步操作：人决定目标、选择功能，软件按照预先写好的规则返回结果。
生成式 AI 最初进入设计行业时，看起来也延续了这条路径。设计师输入文字，模型生成图片、文案、视频、界面或代码。生产速度提高了，可供选择的方案增加了，原来需要几个小时完成的工作可能在几分钟内得到初稿。这是生产工具层面的变化。
更深的变化发生在产品内部。模型可以成为运行系统的一部分，根据情境调整内容、调用能力和改变行为。设计师既可能使用 AI 画出界面，也可能负责设计一个借助 AI 调整自身行为的产品。
两项工作的责任范围不同。
当 AI 只负责生成一张候选图片时，设计师可以在交付前判断是否采用。当 AI 在产品里解释用户、选择工具和执行任务时，它的判断会直接进入用户体验。错误可能表现为读错文件、遗漏限制、调用不该使用的工具，或者把尚未确认的内容发送给其他人。
本书所说的 Agent，是能围绕目标连续使用工具、检查结果并继续行动的 AI 系统。模型参与判断下一步，工具连接外部信息与动作，权限限定系统可以做到哪一步。系统会根据工具返回的结果继续、停止或向人求助。OpenAI 从产品角度把 Agent 定义为代表用户完成任务的系统；Anthropic 的架构说明则把模型、承接结构、工具与环境放在同一个完整系统中。5 第一章将进一步解释工作流、模型、工具与 Agent 的区别。
Agent 没有因此获得人的主体性。本书关注的是它在产品中的作用：系统不再只返回一次内容，还可能在授权范围内连续采取行动，并产生外部影响。
可以从两个层面观察这轮变化。
AI for Design 指设计师使用 AI，提高研究、表达、原型和开发效率。
Design for AI 指设计师把 AI 放进产品，规定它怎样解释用户、能使用什么能力、可以行动到哪一步，以及失败时如何停下来。
前者改变设计师怎样生产，后者改变产品怎样运行。它们不是互斥的产品分类：同一支团队可以一边使用 AI 做研究和原型，一边设计含有 AI 的产品。本书前半部重点讨论 Design for AI；第六章会回到 AI for Design，讨论设计师的工作与交付物怎样变化。
0.2 算力从后台资源变成设计材料
计算能力一直在塑造设计边界。
图形界面能够普及，离不开处理器、显示设备和存储能力的提升；移动互联网的体验，受到手机性能、网络带宽、电池和传感器的共同限制；视频、游戏、三维空间和实时协作，也一直需要设计师在画面效果、响应速度和设备负载之间取舍。
今天不同的地方在于，模型推理开始直接参与每一次体验的生成。
用户提交一个请求之后，系统可能要处理输入、组装上下文、选择模型、调用检索或其他工具，再经过生成与推理得到结果。《Designing AI Interfaces》把这个过程概括为一条从输入处理、路由到生成与推理的计算管线。6 管线中的每个选择都会影响输出、等待时间、成本和失败方式。
从产业尺度看，AI 算力供给正在迅速扩张。Stanford HAI 的 2026 AI Index 汇总相关估算后，也呈现出这一趋势。7 供给扩张让更多产品有机会调用模型能力，但不等于这些能力已经实际部署，也不等于每个团队都能以相同成本获得。
但基础设施不等于免费资源，也不等于越多越好。
国际能源署在 2026 年的报告中指出，不同 AI 任务的能耗会随模态、生成长度、分辨率和调用次数显著变化。单位任务的软硬件效率持续提高；与此同时，全球数据中心用电量在 2025 年增长了 17%，其中 AI 专用数据中心增长了约 50%。8 两种趋势可以同时发生，但这些总量数据不能用来证明某一种产品选择直接造成了用电增长。
设计师面对的算力由此变成一组具体取舍。
表 0-1 算力选择对应的体验取舍
| 产品选择 | 用户感受到的变化 | 设计师需要考虑的问题 |
|---|---|---|
| 使用本地模型还是云端模型 | 响应速度、离线能力、隐私和设备负载不同 | 哪些任务必须在本地完成，哪些数据可以离开设备 |
| 使用快速回答还是更深推理 | 等待时间、成本和结果质量不同 | 哪些任务值得等待，怎样解释进度，用户能否中止 |
| 使用一个模型还是多个模型与工具 | 能力范围扩大，失败类型也会增加 | 系统怎样路由，失败后如何降级，用户需要知道什么 |
| 使用更多上下文与长期记忆 | 连续性和个性化增强，也会增加误用风险 | 哪些上下文真的必要，用户怎样查看、修改和删除 |
| 返回固定界面还是运行时生成界面 | 一致性、适配性、延迟和错误风险不同 | 什么必须稳定，什么可以变化，失败时退回什么 |
| 返回一次答案还是运行长任务 | 从即时反馈变成跨工具、长时间执行 | 怎样展示计划、状态、成本、权限、暂停和接管 |
这些选择最终都会变成体验问题。如果更好的结果需要等待一分钟，设计师要判断用户是否愿意等待；如果完整上下文能提高效果，却包含敏感数据，设计师要决定信息边界；如果低成本模型足以完成常规任务，也没有必要把所有请求都交给最昂贵的能力。
算力成为设计材料，不要求每位设计师都研究芯片。设计师需要理解计算资源怎样改变产品能够提供的体验，以及资源限制怎样决定产品必须保持的边界。
0.3 意图假设
大语言模型让自然语言、文件、图片和当前上下文进入运行时计算。系统可以据此形成对用户目标的临时解释，再选择后续步骤。
本书把这种临时解释称为“意图假设”。它可以驱动计算，却不能直接等同于用户的真实意图或行动授权。开放表达容纳的差异越多，误解的空间也越大；系统必须允许用户看见、修正或否定这项假设。第一章将从确定性软件的基础假设出发，具体解释意图翻译怎样进入产品运行过程。
0.4 软件开始从预先定义走向运行时生成
过去，页面模块、业务状态和可行路径大多由团队在产品上线前确定。生成式系统让一部分内容、步骤和界面到用户使用时才具体形成。Google Research 的生成式 UI 实验展示了这种可能，也暴露了生成耗时与结果不准确等限制。9
序章只需确认这个变化：部分体验开始在运行时形成，设计工作因此延伸到发布之后。哪些内容应该保持固定，哪些内容可以生成，以及两者怎样组合，将由第一章继续讨论。
0.5 第四次工业革命重组生产与组织
这个框架提供了一个组织尺度的观察位置：当 AI 进入真实工作，变化会同时出现在生产效率、流程、角色与制度中。
OECD 在 2025 年的一项研究中认为，生成式 AI 已经表现出通用目的技术的三个典型特征：可以广泛应用、能力持续改进，并能够催生大量后续创新。研究同时提醒，生产率提升不会自动或立即发生，还取决于组织是否围绕新能力重新设计流程、产品和制度。10
这和互联网早期有相似之处。企业给原有流程增加一个网页，并不足以完成数字化；把电脑页面缩小到手机里，也不足以完成移动化。技术进入真实工作和生活，推动流程、角色与服务重新组合之后，才会形成更深的改变。
AI 开始触及的，是一批过去很难被软件处理的认知任务：阅读非结构化资料、归纳信息、生成表达、比较方案、规划步骤、调用工具和根据反馈继续调整。机器不再只重复一条确定流程，还可以在一定范围内处理开放问题。
这些能力不足以推出“人的认知工作将整体消失”。国际劳工组织所说的“暴露”，指一项职业中的任务可能受生成式 AI 影响，不是失业概率，也不是设计岗位的替代率。其 2025 年研究估计，全球约四分之一就业处在四级暴露梯度中的某一级，只有 3.3% 处于最高等级。由于大多数职业仍然包含需要人类投入的任务，研究认为工作内容被重新组织，比整个职业被自动化更可能成为主要影响。11
这一区分对设计尤其重要。
当 AI 用于提高生产速度时，设计师主要考虑怎样让工具更易用；当 AI 接手一段认知过程时，设计师还必须回答谁来设定目标、谁来判断例外、谁可以执行、谁检查结果，以及出现后果时由谁负责。
过去的工业化擅长把稳定产品大规模复制给更多人。生成式 AI 带来另一种可能：同一套基础能力可以根据不同人的目标与情境，在运行时生成不同内容、流程和服务。在部分产品中，生产会从复制同一个结果转向生成适合当前任务的结果，人与机器也会重新分配部分工作过程。
这种变化也伴随着成本。算力和数据中心会消耗能源，模型可能放大偏见，基础设施可能集中在少数组织手中，自动化也可能把新的监督劳动和风险转移给用户。第四次工业革命不会自动导向更好的未来。技术能做什么，与社会最终选择让它做什么，是两个不同的问题；设计正处在两者之间。
0.6 AI 改变设计的起点
前面的变化不是一条由技术自动推动的单线因果。算力与模型能力提供了新的条件；产品团队和组织决定怎样把这些条件写进软件；用户、制度与使用情境又会改变系统最终承担什么角色。设计参与其中，负责把能力转化为可以理解、约束和评价的人机关系。
在部分任务中，这种关系已经开始变化：
图 0-2 部分任务中的人机关系从操作走向委托
委托仍需保留人的决定权。用户可以把重复执行和资料整理交给系统，但仍需决定目标、范围、不可触碰的内容和完成标准。共同规划、行动确认和高风险操作保护，是实现这种关系的具体机制。12
AI 产品不能只追求“少点几次”“自动完成更多”或“结果看起来更聪明”。系统的行动范围越大，越需要让人知道它理解了什么、依据了什么、准备做什么、已经改变了什么；任务持续时间越长，越需要明确系统必须停下并交还决定的条件。
任务风险与用户意愿各不相同。整理私人笔记与发起付款的风险不同，生成内部草稿与代表用户对外承诺的后果不同，新手和专家对过程的需要也不同。设计要为任务、风险和用户能力找到相匹配的人机关系，而非把所有产品推向最高程度的自动化。
AI 改变设计始于软件能力跨过一条边界：机器开始参与理解、生成和行动，不再只等待精确操作。
一旦跨过这条边界，设计需要重新回答一组基本问题：
- 设计对象还是不是一组页面和流程？
- 用户不再操作每一步之后，会变成什么角色？
- 面对无法穷举的结果，设计方法应该怎样改变？
- 当生产变得便宜，怎样判断一个结果真的足够好？
- 设计师要怎样进入代码、模型、规则和运行时系统？
- 当 AI 越来越能替人完成任务，设计怎样继续为人保留选择、判断与成长？
后面的章节会从这些问题出发，依次讨论确定性软件的基本假设如何松动，设计对象怎样从界面扩展到意图、上下文与行为，用户怎样从操作者变成委托者和监督者，设计方法、质量标准与设计师工作如何变化，以及设计最终可能走向怎样的未来。
全书的逻辑可以展开为四个相互作用的层次：
图 0-3 从能力条件到设计选择的全书逻辑
1 Pfeiffer Consulting, Creativity and Technology in the Age of AI, Adobe 委托研究，2018，https://www.pfeifferreport.com/wp-content/uploads/2018/10/Creativity-and-technology-in-the-age-of-AI.pdf 。该研究采用 45 分钟至 2 小时的自由访谈，以 Behance 作品集和同行推荐招募为主，适合说明该样本的观点，不适合推断行业总体比例。
2 Ka Yan Chung, Henry Ma, Yuet Kai Chan, “Measuring Creative Displacement Anxiety in the Age of Generative AI: Scale Development and Validation,” IASDR 2025，https://doi.org/10.21606/iasdr.2025.46 。
3 Adobe, “How AI Is Redistributing Creative Work,” 2026，https://www.adobe.com/ai/research/202606/ai-is-redistributing-creative-work.html ；研究报告 PDF：https://www.adobe.com/cc-shared/assets/ai/research/adobe-ai-research-june-2026-how-ai-is-redistributing-creative-work.pdf 。调查为 2026 年 4 月 27 日至 30 日的横截面研究；公开材料没有完整披露题目、招募与加权方法，因此这里只报告创意专业人士子样本，不外推行业总体。
4 World Economic Forum, “What is the fourth industrial revolution?”, 2016，https://www.weforum.org/stories/2016/01/what-is-the-fourth-industrial-revolution/ 。
5 OpenAI, “A practical guide to building agents,” https://openai.com/business/guides-and-resources/a-practical-guide-to-building-ai-agents/ ；Anthropic, “Trustworthy agents in practice,” 2026，https://www.anthropic.com/research/trustworthy-agents 。
6 Louise Macfadyen, Designing AI Interfaces, O’Reilly Media, 2026。
7 Stanford Institute for Human-Centered Artificial Intelligence, The 2026 AI Index Report: Research and Development, 2026，https://hai.stanford.edu/assets/files/ai_index_report_2026_chapter_1_research_development.pdf ；Epoch AI 方法说明：https://epoch.ai/data/ai-chip-sales-documentation/methodology 。报告估计 2025 年第四季度全球 AI 算力容量约为 1710 万个 H100 等效单位，自 2022 年以来平均每年增长 3.3 倍。H100 等效值按最大 8 位性能换算，是峰值容量估计，不代表实际 H100 数量、已部署容量或普遍可用性。
8 International Energy Agency, Key Questions on Energy and AI, 2026，https://iea.blob.core.windows.net/assets/3179f7f8-01f6-4dd6-bffa-c9f7b73f1dc9/KeyQuestionsonEnergyandAI.pdf 。报告中的任务能耗比较依赖时长、分辨率和调用假设，适合说明差异范围，不宜当作精确的产品系统能耗。
9 Google Research, “Generative UI: A rich, custom, visual interactive user experience for any prompt,” 2025，https://research.google/blog/generative-ui-a-rich-custom-visual-interactive-user-experience-for-any-prompt/ 。该实验依赖工具、系统指令、后处理与视觉配置；报告同时说明部分生成超过 1 分钟，并会偶发不准确。
10 Flavio Calvino, Daniel Haerle, Sarah Liu, Is generative AI a General Purpose Technology? Implications for productivity and policy, OECD Artificial Intelligence Papers, No. 40, 2025，https://doi.org/10.1787/704e2d12-en 。
11 International Labour Organization, Generative AI and Jobs: A Refined Global Index of Occupational Exposure, 2025，https://researchrepository.ilo.org/esploro/outputs/encyclopediaEntry/Generative-AI-and-jobs-a-refined/995653520102676 ；ILO, “One in four jobs at risk of being transformed by GenAI,” 2025，https://www.ilo.org/resource/news/one-four-jobs-risk-being-transformed-genai-new-ilo%E2%80%93nask-global-index-shows 。
12 Microsoft Research, Magentic-UI Report, https://www.microsoft.com/en-us/research/publication/magentic-ui-report/ 。该系统以共同规划、共同执行和 action guards 处理用户参与与高风险操作，支持“委托仍需控制机制”的产品判断。