AI时代，设计师的发展方向在哪里？D20 给出了答案

业务方向：深入业务，设计策略助力业务增长

业务型设计师的核心转变是：不再等需求，而是自己去发现需求、定义问题、验证方案。关键定位是成为业务团队的紧密成员，而不是把自己当做业务的中后台支撑职能角色。

设计师在过去大多岗位本质上干的是技能属性的活，如今AI已经替代掉了这部分工作。这看似悲观，但其实是倒逼设计师看清自身真正价值，摒弃炫技思维，甩掉工具人属性，转为策略性思维，直接为业务目标而进行设计工作。

设计师要非常了解业务，从整个服务设计链条中洞察增长机会，观察用户行为，挖掘需求，找到对业务有价值的创新点。

最关键的能力，是认知，因为它是判断力的基础

培养创业思维，建立商业逻辑认知

主导完整的设计周期，把方案的整条链路尽可能自己跑通：从用户调研→痛点定义→方案构思→ROI预估→方案汇报→原型测试。

从经典书籍中获得认知：《真需求》《精益创业》《疯传》《增长黑客》，理解MVP、假设驱动、增长驱动。

刻意练习“判断力”

每完成设计稿后，做“决策复盘”：每一个设计决策是怎么来的？凭直觉？或是考虑用户体验出发的？还是基于业务理解做的？审视自己当时的思考，重新设计一次还会选择这样吗？

参与产品评审会的时候，多想想“这个功能解决什么问题？怎么做价值衡量？” 建立自己的“解题框架”，比如用福格模型评估商品在转化上是否还有提升空间，用Kano模型区分基础型与兴奋型需求等等。

用户研究基本功得扎实

定性研究：深度访谈、田野调查、日记研究、争取这些实践机会。定量分析：学会看数据后台，能解读漏斗转化、留存率、点击分布。能看懂关键指标并追问“为什么”。

说说我是怎么从「设计」转变为「业务增长设计」的

当时我所在的增长小组设定了提升下单率的指标。我作为设计职能，负责从用户角度挖掘增长机会。于是我通过走查整体交互流程，结合每个页面访问、操作点击的数据表现，针对数据不正常的节点，揣测用户可能会遇到了哪些问题，再结合调研访问验证猜想，对现有交互流程进行改版优化，最终有效助力业务达成增长指标。

AI方向：让AI为自己提效

除了业务型设计，设计垂直领域拔尖的人才依然吃香，当你的设计创新能超越AI，依然会被头部公司埋单，因为他们看中的是你的设计引领、审美辨识度，只不过这部分设计师属于凤毛麟角。

但这类设计师依然离不开将来AI的赋能，因为AI实在太好用了。其中有一项能力是将来出色的设计师都要具备的：驾驭AI的能力，即AI运用得好的设计师。

设计师用AI做设计，实际上会消耗大量的 token ，而当你将设计工作完成的时候，用的token 量越少，往往反映了你更有竞争力。

这很形象，它考验的是你能不能在短时间内，最少试错成本且能准确用 AI 产出更好的结果。

这需要你对AI底层原理的掌握，再建立"AI心智模型"——当AI给出意外结果时，你能判断是不是Token超了？是不是Temperature太高了？是不是提示词歧义或污染导致模型理解偏差？从而精准调整，而不是盲目重试。

我以前见过最出色的设计团队，他们产出交互设计方案总能惊艳到我，总体给人一种耳目一新的感觉，属于是Behance首页推荐的常客。无论是设计切入点、交互形式、视觉、动效方面，就是跟常规的设计师不一样。

有幸合作我拿到了他们的源文件，其实就是PS、AE、PPT，跟我们平常用的工具没啥两样。但当我打开工程文件研究了一下，我才认识到原来自己跟他们的差距在于工具的理解、运用深度、不同工具的巧妙结合上，比如那些在PS混合色调的娴熟用法、AE里写代码控制动效的曲线速率、蒙版的嵌套、PPT的隐藏用法等等。这些手法和制作想法，就是让我不眠不休加班一个月我都摸索不出来啊。。。

当时还是AI还没出现的时候，我举这个例子，是想表达一个观点：其实AI与常规工具同样本质是生产工具，关键还是在于我们自己要拥有不俗的审美，以及对工具的理解深度和驾驭程度，越摸到最底层，越能把控它的能力边界，直接决定了产出效率。

当然现在你可以用AI来帮助你做设计研究工作，比如辅助生成用户画像、模拟访谈大纲、快速整理访谈笔记、辅助分析竞品体验报告等等，甚至把自己对业务的假设写成prompt，让AI帮忙反驳或补充，提前验证需求。

这些都是在使用层面，但你如果对AI的底层原理没有清晰的认识，你在使用 AI 上就一直停留在反复问答案的阶段。

驾驭AI，应该如何做？

理解大模型底层机制

Transformer基础：知道Token是什么、注意力机制如何工作、上下文窗口限制意味着什么。不用太深，推荐吴恩达的《生成式AI入门》。

建立自己的Prompt模板库，慢慢提升对 AI表达的精准度

那些平时看到的精美AI生图，比如质感是怎么做的？这叫什么风格？图文海报是怎么实现的？学习它们的提示词是怎么写的。（如果看不到，可以试着用反推提示词让AI写这张图的prompt）

搜集并按场景分类：图标生成、配色方案、布局建议、风格海报。

记录失败案例

知道哪些prompt容易产生幻觉或提示词污染、哪些参数导致崩坏，形成避坑指南。

你只管记，不用管多专业，因为只要量达到一定程度，你自然会具备对AI能力的直觉判断，这才是做这个事情的目的。

方向三：搭建与AI协作的设计资产

这方面是主要负责搭建团队设计工作流、管理工具，达到提效目的。

前几年设计师和前端同学一起做「设计系统」，给开发团队用。现在做设计系统，是给 AI 用。比如：写固定供 AI 来执行的 Design Skill、搭建设计系统中给AI读取的资料“案例文档库Template.md”等。

Design Skill 简单说，就是把我们日常积累的设计经验——设计样式、组件用法、页面模板等这些规则，打包成一个 Al能够直接理解、调用并执行的设计技能包。

它和一份普通的设计规范文档最大的不同在于：规范文档是写给人看的，需要人去阅读、理解、再手动落地。而 Design skill 是写给 Al 看的，它是一套可执行的能力。能够将这些规则组织成 Al 可读取、可调用的上下文，让 Al 在生成界面时更容易遵循既定的设计标准。

随着设计工程化在 AI 能力下的加持，这类设计师会趋向于全栈工程师，尤其是越能覆盖整个工程链条中越多环节的，越值钱。

另外，管理者会用 AI 辅助自己管理设计团队，也是一件很酷的事情。

如何打造团队的资产库

1. 升级你的设计系统，把设计语言变成机器能读懂、可执行、可迭代的系统

以前的的组件库，是写给人看的。现在你还要让AI也能读懂，因此要写自己团队的 Design Skill 供AI执行，然后写供AI读取的规范文档：

Design Skill文件：用可编程方式定义设计规则，比如“所有卡片阴影的偏移量=2px，模糊=8px，颜色=rgba(0,0,0,0.12)”，写成JSON或YAML，让AI能直接调用。

规范文档：全局样式global-style包含Color、Grid、Font Family、Radio等规范样式。

Template.md：每个组件的使用场景、用户目标、交互说明、错误状态示例，用Markdown结构化存储，方便AI检索。

版本控制：用Git管理设计资产，每次更新记录变更日志，便于回滚和追溯。

2. 上面实践的过程中，你会发现掌握前端工程化基础知识是必要的

HTML/CSS基础，能看懂组件代码，Ant Design那些组件的API样例。

你甚至可以把“设计→代码”串联成闭环，从 Design Token 开始就让流程开始自己跑：在Figma里改一个颜色，通过插件同步到 GitHub 仓库，触发CI/CD自动更新线上样式。这个流程越自动化，你的工作流价值越高。

3. 赋能团队管理

关于用AI赋能团队，以下有几个方向的事情可以做。

用设计资产反哺团队：把业务组件模板喂给AI，让AI能达到根据需求文档生成html页面的程度，并且是能满足业务需求场景的。

让AI帮助设计团队质量把关：根据项目的设计周期，比如在设计评审环节、产品体验问题诊断的场合、开发后设计师走查验收，让AI基于你原来的设计质量走查表和预设评分标准，对设计成果/产品/页面还原效果打分、存在问题分析、优化建议。

做这件事情上AI更理性，有时候它的分析比设计师更有理有据，而且最实在的是能够节省人力成本。

用筛选简历 Skill 做招聘初筛：在职位匹配度、候选人履历程度、能力判断等方向，甚至是作品集分析上，AI往往是能够胜任筛选工作的，最重要的是能够节省不少前期人工筛选简历的工作量。

JOTO 企业落地观察

• 企业部署AI设计工具时，不能仅关注单点提效，而需同步重构设计资产的交付形态——Design Skill与结构化文档必须成为标准交付物，否则AI将无法稳定复用组织经验，导致重复造轮子与质量漂移。
• 这类系统在RAG知识工程层面面临核心挑战：设计规范文档若未按Template.md等机器可读格式结构化，AI将难以精准召回与应用规则，造成生成结果偏离品牌标准，需前置投入知识建模与语义标注。
• AI辅助设计质量把关的落地关键，在于将设计师隐性的走查经验转化为可量化的评分标准与规则引擎，而非依赖通用大模型自由发挥；这对AI安全治理提出新要求——需建立设计合规性校验的专用微调模型与反馈闭环。
• 设计师向业务型角色转型过程中，企业智能体工程需提供轻量级业务指标对接能力（如漏斗转化、留存率），使设计师能在Figma等工具内实时调用真实业务数据，避免方案脱离实际增长路径。