從「AI 作為 Agent」轉向「AI 作為 Designer 的工作夥伴」

前幾篇談的是 AI Agent，從醫療現場的 Decision Support System，到救災場域的資訊協作，再到 Agentic AI 帶來的風險，這中間有一件事情值得特別拿出來談：AI 真正改變產品設計的地方，可能沒有想像中那麼「自主」。對 Designer 來說，更直接的改變其實發生在產品探索階段。

以前做一個需求分析，可能需要整理訪談紀錄、閱讀文件、比較競品、分析使用者回饋，再把零散資訊慢慢整合成產品洞察。現在，我可以把大量原始資訊交給 AI 協助處理,自己把更多時間放在：問對問題、判斷資訊是否可信、找出矛盾與缺口、建立問題框架、做產品決策、思考使用者真正需要什麼。

這也是我最近在實際工作中開始嘗試的方式：讓 AI 成為 Designer 的 Research Partner。這次我把整套流程盡可能建立在 Google 的 AI 工具上。

一、產品探索最耗時間的，往往不是畫 UI

很多人想到 AI + Design，第一個想到的可能是「AI 幫我生成一個畫面」。這確實很方便，但對我來說，真正有價值的地方其實更早。產品設計最容易卡住的地方，往往發生在還不知道要設計什麼的階段。

例如我們拿到一份需求文件，裡面可能有 PRD、產品規格、使用者訪談、客服回報、Google Docs、Slack 討論、競品資料、Analytics 數據。每份資料都很重要,問題是 Designer 要花大量時間把這些資訊放進同一個腦袋裡。

過去，我通常會閱讀文件、整理重點、建立分類、找出問題、比較不同資料、整理 Research Findings，再開始思考 UX Flow。這是一個很合理的流程,但它的限制在於：大量時間會消耗在資訊處理，能留給設計判斷的時間就相對變少。這正是 AI 可以介入的地方。

二、把 Gemini 當成「研究夥伴」

Google 的 Gemini 對我來說，最有價值的用途之一，是處理大量非結構化資訊。例如一個產品需求可能包含幾十頁文件，我會先把資料交給 Gemini，讓它協助回答：這份文件到底在解決什麼問題？有哪些使用者？不同角色的需求有什麼差異？目前流程有哪些痛點？哪些資訊是已知事實？哪些地方其實只是團隊假設？

這裡有一個很重要的轉變：我不會把 Gemini 的回答直接當成 Research Finding，而是當成第一輪資訊整理與問題探索。這個差異非常重要。AI 可以幫我快速掃過大量內容，但最後的判斷仍然需要 Designer 介入。

三、NotebookLM：把資料變成可以對話的 Research Repository

Gemini 比較像 AI Research Partner，Google NotebookLM 更像是一個可以對話的研究資料庫，這也是我最近很喜歡使用的工具。

在 UX Research 裡，我們經常會拿到大量原始資料：Interview transcript、Meeting notes、User feedback、Product specification、Research paper、Internal documentation、Survey results。以前這些資料可能分散在不同工具裡，得一直在 Google Drive、文件、Notion、Transcript、Figma、Slack 之間切換。

NotebookLM 的價值在於，我可以把一組資料放在同一個 context 裡面，然後開始問問題，例如：使用者最常遇到的問題有哪些？不同使用者對這個功能的期待有什麼差異？哪些問題在不同訪談中反覆出現？哪些觀察只有單一受訪者提到？目前資料是否足以支持這個產品假設？甚至可以進一步問：如果我要做 usability test，最值得驗證的三個問題是什麼？

這時候 AI 做的事情已經不只是摘要，它開始協助我建立 Research → Synthesis → Hypothesis → Validation 的循環。

四、AI 可以幫我找出漏看的東西

UX Research 有一個很常見的問題：當 Designer 閱讀大量資料之後，很容易產生 confirmation bias。例如我原本認為使用者最大的問題是操作複雜，於是後面閱讀訪談時，很容易只注意到「操作複雜」相關的內容。

AI 可以成為一個很好的第二視角。我會刻意問：有哪些證據與這個假設矛盾？有哪些使用者行為無法用這個假設解釋？如果這個問題其實不是主要痛點，還有什麼可能？資料裡有沒有被忽略的 minority case？

這些問題非常重要,因為 AI 在這裡扮演的角色更像是一個會一直追問「還有沒有其他可能？」的研究夥伴，而不是替我下結論的人。

五、Gemini 也能幫我處理需求分析

產品工作中常常遇到一種情況：PM 給了一個需求，但需求本身其實還沒有被定義完整。例如「希望增加一個 Dashboard」,這是一個 Solution，但它還沒有回答：誰使用？為什麼需要？使用時機是什麼？目前怎麼解決？哪些資訊最重要？使用者要做什麼決策？成功的標準是什麼？

這時候，我會讓 Gemini 協助我把需求拆開，依序釐清：Business Goal、User Goal、User Problem、Current Workflow、Pain Point、Decision、Required Information、UX Opportunity。

這個流程對我來說很有價值，因為 Designer 最容易犯的錯誤之一，就是太快進入 Solution。AI 可以幫助我在進入 Figma 之前，多花一點時間問：我們到底在解決什麼？

六、Google AI Studio：快速驗證 AI Product 的可能性

如果產品本身就涉及 AI，我會進一步使用 Google AI Studio，它對我來說比較像一個快速 experimentation environment。例如我想驗證「如果讓 AI 自動整理這些資料，結果是否真的有幫助？」，不一定需要先等工程團隊完成完整產品，可以先透過 Gemini model 做 prototype，測試 Prompt、Output format、Reasoning structure、Information extraction、Classification、Summarization、Recommendation。

這會讓 Product Discovery 的速度變快很多。過去可能需要先走完需求 → UX Flow → UI → Engineering → Prototype → Testing，現在有些 AI 功能可以先簡化成 Problem → Prompt → Prototype → Testing。如果發現這個 AI capability 根本沒有價值，就能很早停止，這其實降低了產品探索的成本。

七、Google Stitch：從需求快速走到 Interface Exploration

當需求逐漸清楚之後，我會再把 AI 帶進 Interface Exploration。Google Stitch 讓 Designer 可以快速從自然語言或需求描述開始探索 UI，這裡最重要的價值在於降低探索不同 UX Direction 的成本。

例如同一個需求，我可能想比較 Dashboard-first、Task-first、Alert-first、Search-first 幾種方向。以前每一個方向都需要投入一定的 wireframing 成本，現在可以更快產生幾個方向，讓團隊先討論：哪個資訊架構比較合理？哪個 interaction model 更符合工作流程？使用者第一眼真正需要看到什麼？這讓 Design Critique 可以更早發生。

八、AI 適合處理大量資訊，Designer 負責高價值判斷

我們可以把工作拆成兩類。

AI 適合做的事情：整理大量文件、摘要訪談、找出重複主題、分類使用者回饋、比較不同資料、建立初步問題框架、產生研究問題、協助整理競品資訊、快速產生 UX Concept、快速驗證 AI Prototype。

Designer 更需要負責的事情：判斷問題是否重要、判斷資料是否可信、判斷研究證據是否充分、理解 Context、做 Trade-off、定義優先級、判斷使用者真正需要什麼、決定產品方向、理解商業限制、對最終體驗負責。

這也是目前對 AI + Design 比較務實的看法：AI 提高的是探索的 bandwidth，Designer 的核心價值則越來越集中在 Problem Framing、Critical Thinking、Decision Making。

九、從「AI Agent」回到「AI Design Partner」

這幾天一直在寫 Agentic AI。Agent 可以自主規劃、執行任務、使用工具，這是一個很重要的產品趨勢。但回到 Designer 的日常，Human-led, AI-assisted 這種模式反而更貼近實際需求：不需要 AI 替我完成整個 Design Process,需要的是在面對 30 份文件時有人幫忙整理，讀完 20 個 Interview 時有人幫忙找 pattern，提出一個假設時有人挑戰盲點，不知道從哪個方向開始時有人幫忙快速探索，想驗證 AI 功能時有人讓我快速做 prototype。這些工作累積起來，會大幅縮短產品探索週期。

十、真正被改變的，是探索的速度

AI 對 Designer 最大的影響，未必是讓 Designer 少畫幾張畫面，更大的改變在於：我們可以更快知道哪些方向值得深入。

以前的路徑是：一個想法 → 花時間研究 → 做 Flow → 做 Wireframe → 做 Prototype → 測試 → 發現方向不對。現在則可以是：一個想法 → AI 整理資料 → AI 協助找問題 → 快速建立假設 → 快速 Prototype → 驗證 → 再決定是否深入。

這代表 Product Discovery 的迭代速度會變快，而當探索成本下降，團隊就可以允許自己多探索幾個方向，再做決定。這對產品設計其實是一個很大的改變。

最後：AI 時代，Designer 更需要理解怎麼問問題

實際使用 Google AI 工具一段時間後，最大的感受是：Prompt Engineering 其實只是很小的一部分。真正重要的是 Designer 能不能定義：我現在想知道什麼？這個問題為什麼重要？我要用什麼資料驗證？什麼證據可以推翻我的假設？AI 的答案，我為什麼要相信？如果 AI 判斷錯了，會造成什麼影響？

這些問題，本質上仍然是 Design Research 與 Product Thinking。目前的 AI 工作流大致是：Gemini 用來理解問題，NotebookLM 用來整理研究資料，Google AI Studio 用來驗證 AI capability，Google Stitch 用來探索 Interface，最後再回到 Designer 做判斷。

AI 讓我可以更快閱讀、更快整理、更快探索、更快驗證，而 Designer 真正需要保留的，是對問題的敏感度、對證據的判斷力，以及對產品決策的責任。這可能是目前最實際的 AI × Product Design workflow：從「AI 幫我做事情」，逐漸走向「AI 幫我更快想清楚，我再決定要做什麼」。