OpenAI 的产品设计主管： “为什么现在是历史上成为设计师的最佳时期”

焦虑不是错觉，“最好时代”也不是安慰

设计师的焦虑首先来自一场不同步的加速。

工程师已经有一条容易理解的 AI 增强路径：把相对明确的任务交给编程智能体，得到代码，运行测试，再继续修改。Ian 说，OpenAI 内部也会做员工调查，设计团队看到工程师出现“十倍、甚至有时百倍”的生产力变化，自己却没有得到同样直观的提升。

原因不是设计师不肯使用工具，而是设计工作的反馈没有那么二元。一个想法看上去很好，做出来可能很差；交给用户以后，团队才发现自己理解错了问题；即使方案成立，大公司里还要让许多人对方向、风险和取舍达成一致。AI 可以让团队更快生成更多想法，却不会自动删除试错、用户反馈和组织对齐。

组织先看见工程输出增加，就会迅速提高交付预期；设计师却还没有一条同样清楚的新工作闭环。于是问题不只是“我会不会用新工具”，而是“公司现在到底希望设计师做什么”：每天写代码吗？研究、产品、视觉和前端都要负责吗？过去受过的专业训练是不是突然失效？

这解释了为什么“能力被放大”和“工作更累了”可以同时发生。最好时代描述的是一个会设计的人现在能撬动多大的结果；调查描述的是设计岗位此刻怎样分配责任、时间和回报。两者从来不是同一个指标。

Ian 在设计师焦虑章节还给出了一条常被忽略的组织条件。OpenAI 把自己当作研究实验室，不要求新设计师已经有 AI 背景，但要求好奇，并给团队探索空间。设计师在同伴中交换新工作方法，资深与初级成员都可以尝试坏点子、迅速丢掉，再继续下一轮。让人状态更好的不只是个人“积极”，而是组织允许探索、同伴愿意共享、失败不会立刻变成能力审判。

所以“愿意改变”不是一句个人鸡汤。没有试验时间、没有同伴支持、只有更高产量要求的团队，很难靠要求设计师保持乐观得到同样结果。

AI 加速了实现，却没有替团队完成判断

Ian 在产假期间做过一些个人项目。他试过当时的编程智能体：能工作，却不断卡在各种小问题上。一个月后 Codex 发布，他把相似的事情再试一次，感受突然变成“它真的能用了”。

这个故事比工具排行榜更重要。AI 产品能力不是一年一个版本地稳定上升，而可能在几周内跨过某个可用门槛。昨天根据失败形成的工作习惯，今天就可能过期。设计师因此不能只学习一套固定操作，更要建立低成本重试的反馈循环。

传统数字产品团队常把 Figma 文件当作边界。设计师在左边画出理想状态，工程师在右边把它变成真实性能、真实数据、模型响应和异常状态。很多错误只有开发投入已经发生后才暴露。

生成式 AI 真正压缩的，是假设碰到真实行为的距离。一个模糊概念可以更快变成连接模型或数据的运行版本，团队也能更早发现：用户能不能完成任务，模型在哪些输入下失控，真实内容会不会撑破信息层级，所谓“聪明功能”是否真的改变了行为。

但反馈循环没有消失，只是更早开始。运行版本仍要给人使用，错误仍要被观察，多个方案仍要取舍，跨团队仍要对齐。Ian 对设计过程的描述甚至很不光鲜：有时一个点子试一次很差，再试一次仍然很差，拿到内部或用户反馈后才知道整条路都错了。AI 增加的是每轮可以试多少，不是替团队宣布哪一轮值得留下。

可运行原型也不等于可上线系统。可靠性、安全、性能、数据治理、维护和极端状态仍需要工程深度。用 AI 越过表达门槛，与用 AI 越过生产责任，是两件完全不同的事。

三种角色正在靠拢，三顶帽子仍要有人戴

主持人引用 Marc Andreessen 的三只蜘蛛侠比喻：产品经理、工程师和设计师互相指着对方，都觉得 AI 最终会让另外两个岗位消失，自己成为最后的赢家。

Ian 的回答不是“大家最后都叫 builder”。他把角色看成构建软件时必须有人戴的几顶帽子。

人员和帽子不再一一对应。设计师可以写代码和做运行原型，工程师可以直接决定交互，产品经理也可以把需求做成可测试版本。但跨团队聚焦问题、争取资源和推动协作的工作没有消失；理解用户、定义体验和形成产品观点的工作没有消失；确保输出可靠、能够进入更大系统的工程责任也没有消失。

在初创公司，一个能力很强的通才可能同时戴三顶帽子。Ian 甚至提到，一些准备创业的朋友讨论过把常见的“一位设计师配十五位工程师”反过来，变成“两位设计师配一位优秀工程师”：工程师守住系统可靠性，两位创意型构建者端到端探索产品。这个例子只是朋友的创业设想，不是 OpenAI 编制，也不是行业招聘预测。

到了大公司，帽子反而更难消失。一个人既要做设计、协调多个团队、配置资源，又要亲自把系统工程化，问题往往不是“理论上能不能”，而是注意力和能力结构根本承受不了。Ian 见过设计能力很强的人，需要优秀产品经理帮助他聚焦问题、改善组织运作；也需要工程师确保局部输出能够进入整个系统。

这也解释了 OpenAI 为什么强调能力互补的团队，而不是寻找一个每项都最强的超级设计师。视觉、品牌、原型、战略产品思考和前沿探索可以由不同人形成组合。当前一份 OpenAI 产品设计职位也仍然要求用户研究、设计系统、高保真原型、复杂交互和模糊问题澄清。这只能说明一个公开岗位的要求，不能代表整个市场，却足以说明“角色融合”不等于专业深度已经失去价值。

当然，边界变软也可能被公司解释成“一个人做三份工作”。如果责任扩大，决策权、时间和回报却不变，能力融合就会退化成岗位压缩。判断一份工作是否真的升级，不能只看工具权限增加了多少，还要看这个人有没有权力决定问题、拒绝低价值任务并分配质量。

AI 擅长昨天的答案，人要发明明天的范式

当主持人问 AI 会不会成为优秀的产品设计师，Ian 没有维护职业尊严式地否认。他说，AI 已经是很强的产品设计工具，而且每个人都可以使用它。

但“很强”不是“每个维度都最好”。他点到的具体短板包括视觉设计、信息层级、字体、用户体验和交互设计。更重要的是，模型主要从已经存在的作品学习，而优秀产品往往在利用一种刚出现、还没有成熟范例的新能力。

iPhone 出现时，设计师面对的是缺少先例的多点触控；Instagram 把人人随身携带摄像头的移动设备变成新的影像网络；Snapchat 用一套当时显得古怪的交互，把数字沟通从永久保存翻成更短暂、更随意的表达。它们不是把已有网站做得更漂亮，而是识别新能力和未满足需求，然后发明一套后来才成为训练材料的范式。

AI 智能体也处在类似阶段：它什么时候主动，什么时候保持安静，怎样让用户知道正在做什么，错误后如何暂停、撤销和追责，都没有一个已经稳定、可以直接模仿的答案。模型可以重组昨天的大量界面，却不能保证自动发明明天最合适的社会约定。

Ian 认为人仍有三类关键工作。

第一是理解具体的人。用户没有点击，可能是没看懂、不信任、怕犯错，也可能根本不需要这个功能。只有观察行为、听取反馈并愿意因此改变方向，所谓用户理解才不是一句“人类更有同理心”。

第二是发明没有训练样本的新范式。新能力刚出现时，第一套可靠交互必须有人用真实用户和失败结果慢慢摸出来。

第三是在多个可行方案之间形成观点。品味不是喜欢某种颜色，而是能解释为谁设计、为什么这样做、什么必须突出、什么应该删除，并在很多项目里保持一致。

AI 首先贬值的不是判断，而是只负责把别人结论画出来、自己没有形成判断的工作。

“少做一点”，先判断什么值得被设计

输出越来越快以后，OpenAI 更缺的不是页面，而是系统。

Ian 用 Notion 早期的可组合积木解释系统思维：不要为每个新需求制造一个孤立功能，而要形成能够互相构建的基础原语。AI 产品又多了一层要求——这些原语不仅要让设计师和工程师理解，还要让模型能够推理它们如何组合，最终让大量能力在用户眼里仍然像一个连贯产品。

这也是 Ian 对团队说“少做一点”的背景。他的原话不是叫大家普遍降低质量，而是先问三个更基本的问题：已有系统或组件能不能解决？现有功能能不能延伸？这个新功能是否根本没有存在的必要？

判断需要做以后，工艺投入还要看产品阶段和技术耐久性。

有些 ChatGPT 核心体验会被反复推敲。团队可能试一百种方案、丢掉九十九种；输入区每天变化，用户研究、A/B 测试和内部 dogfood 都会进入决策。另一些新方向则会选择 build in public：先把大动作放进真实世界，用内部和外部反馈快速学习。Ian 说，有的想法从提出到上线可能只要四小时。

这两种速度并不矛盾。模型能力、延迟和可用交互仍在快速变化时，今天精雕的设置项可能下个月就不需要了；某个之前做不到的行为也可能突然成为默认能力。对这些部分过度珍惜，只会把工艺浪费在即将消失的前提上。

相反，当团队在设计 ChatGPT 怎样长期进入个人生活、怎样形成稳定关系和信任时，就不会一夜发布。它需要白板、Figma、运行原型、长期 dogfood 和许多被放弃的方案。真正的分界线不是“这个功能风险高不高”这么单一，而是它会不会长期存在、技术前提是否稳定、错误代价多大，以及团队现在究竟要学习还是要承诺。

“少做一点”最终有两层：少制造没有必要的新东西，也不要把同等工艺平均撒在所有东西上。

十亿用户不是一个用户

ChatGPT 的设计难度不仅来自能力多，还来自使用它的人差得太远。

Ian 在 Instagram 已经服务过十亿级用户，但那个产品的核心行为相对集中。ChatGPT 一端可能只是帮人想今晚吃什么、换什么发型；另一端却可能被用来改造日本农场的自动化方式。中间还有免费偶尔使用者、每天把它当工作主力的人，以及每月付费数百美元的深度用户。

这不是简单的“新手模式和专家模式”。同一个空白输入框背后，用户对意图表达、输出形态、控制程度和可靠性的要求都在改变。

OpenAI 用 capability overhang 描述其中一个问题：绝大多数人只获得了模型真实能力的一小部分。这不等于他们没有价值，可能一个食谱已经足够有用；问题是产品怎样在不压垮普通用户的前提下，让更深能力逐步变得可用。

Ian 描述的策略不是把全部前沿选项塞进主界面。团队可以先在真正关心新能力的人群中试验，例如桌面端或 Codex 这类更专业的入口；等交互和能力成熟，再把它蒸馏进主体验。最终，十亿用户不应该为了得到正确结果，先理解一个模式开关或模型列表。

这里的设计任务不是把所有人变成专家，而是让产品在保持简单的同时，不堵住专业用户的上限。

聊天框之后，不是简单增加更多按钮

空白输入框经常被批评为“美化过的终端”：它什么都能做，却几乎不告诉第一次使用的人应该做什么。

但聊天没有迅速消失，也有一个很强的理由。Kevin Weil 在另一场访谈中提出，人可以通过语言与认知水平差异很大的人交流；语言天然能够承载不断变化、不断增强的智能。换句话说，空白框既是可发现性问题，也是目前跨度最大的通用入口。

真正的产品演化因此不是在聊天框周围简单增加更多按钮，而是逐层解决五个问题。

第一，帮助用户表达意图。用户不应该先成为提示词工程师。Ian 提到，ChatGPT 已经会在开放问题后继续追问，并把部分澄清变成可以点选的回答。界面不是替模型选择答案，而是帮助模型知道用户真正想完成什么。

第二，让输出变成适合工作的产物。邮件不必埋在长聊天记录里，可以进入一个独立的 writing block，让用户直接修改、局部编辑和复制；图像生成也需要符合图像任务的专用工具。聊天负责启动意图，产物界面负责继续工作。

第三，根据上下文改变 affordance。设计师、数据科学家和管理个人生活的人，可能都从同一个入口开始，却需要不同的工具、信息密度和可操作输出。通用产品不等于所有人永远看见完全相同的界面。

第四，从被动回答走向主动协作。Ian 谈到日历、Slack 等外部上下文，以及语音变得更自然以后，系统可以在更合适的时间提出建议，而不是永远等待一条完整指令。

第五，形成持久工作流。今天许多聊天每次都像从零开始；未来的方向是让用户建立可以反复使用的工作方式，让系统自己判断应该快速回答、继续对话，还是离开当前回合去完成一项工作。普通用户最终不必理解模型名称和速度档位。

这些是 Ian 描述的产品方向，不代表每项能力已经完整、普遍上线。它们共同说明，AI 产品设计的核心不只是屏幕显示什么，而是意图怎样被理解，产物怎样继续编辑，系统怎样利用上下文，以及主动性增加后用户怎样保持控制。

没人真的领先，别被 AI 自信表演骗了

“所有人都还很早”很容易被说成一句安慰。Ian 的经历让它更可信一点。

他刚进入 OpenAI 时，GPT-4 才刚出现不久。他已经在使用这些工具，却承认自己并不真正理解它们，面试和入职都让他感到害怕。随后公司与团队高速扩张，他又长期觉得自己不擅长这份新管理工作，甚至每天都像在做一件从未学过的事。

真正帮到他的，不是再看一篇成功学帖子，而是去找带过大型设计团队、或者正在经历类似转型的朋友。他发现自己的问题并不独特。导师、同行和一个能够坦白讨论困难的社群，把“我是不是不行”变成了“这是许多人正在共同学习的新问题”。

访谈随后提到一个很准确的说法：AI confidence theater。社交媒体不断展示某人用 AI 做出的漂亮作品、惊人自动化和全新流程，却很少展示中间有多少次失败、结果到底有多脆弱。看的人会误以为别人已经掌握一切，自己的试验不顺利则证明已经落后。

这也是为什么组织只采购工具远远不够。状态更好的设计师通常同时拥有探索时间、交流对象和展示半成品的安全空间。个人当然要保持好奇、重复试验；团队也要让过程可见，而不是只奖励最后一张漂亮截图。

Ian 说，今天从零开始的人，仍然可能比大多数人更早形成新工作方法。重点不在于背下当前最先进的操作，因为今天的先进方法可能一个月后就显得古老；重点在于能否持续重试、比较结果，并允许昨天的结论被今天的新证据推翻。

IGTV 失败以后，Reels 为什么还能成功

整场访谈里，最能解释“不要对方案过度珍惜”的，不是 OpenAI，而是 Ian 在 Instagram 的失败经历。

他直接把 IGTV 称为一次很大的失败。团队在产品里带入了一些错误假设，也抓住了几项后来证明不合适的约束。产品发布并没有自动证明方向正确，批评和真实使用把这些问题暴露出来。

后来团队没有把第一次上线当作必须防守的结论，而是改变那些约束、重新做产品，最终推出 Reels。Reels 的成功当然不能被简化成“设计团队改了几个假设”这一条原因；Ian 用这个经历说明的是另一件事：一次失败的发布不必成为职业判决，它可以成为下一次判断的材料。

真正的反馈闭环包含几个不太体面的动作：承认最初理解错了，分辨哪些约束只是自己设下的，接受外部批评，停止继续修饰错误方向，再带着新判断往前修。Ian 把它叫作 fix forward——重要的不是某次上线看起来是否完美，而是团队收到证据后怎样反应。

这也反过来解释了为什么 AI 提高生成速度后，判断不会自动变便宜。如果团队没有能力放弃已经生成的东西，更低的制作成本只会让错误方向堆得更快。

没有一种设计流程适合所有公司

Ian 的职业经历横跨 Groupon、Instagram 与 OpenAI。三家公司最有价值的共同点，恰恰是它们没有共同的最佳工作方法。

早期 Groupon 的产品带着很强的品牌人格。公司有由喜剧人组成的写作团队，邮件好笑、有角色感，人们打开它不只是因为折扣。设计价值不只存在于界面秩序，也存在于一家公司的声音是否鲜明。

Instagram 的 DNA 更偏设计和创造力。在它的大多数发展阶段，慢一点、稳定一点、少改产品反而有效。团队常用“先做最简单的事”约束方案，创始人 Kevin Systrom 也以设计者的方式深度参与产品。

OpenAI 源自研究实验室，模型能力和产品前提持续变化。如果照搬 Instagram 的慢与稳定，很多机会会在验证前就过期；如果把 OpenAI 的快速试验照搬给一个已经成熟、强监管的产品，同样可能制造灾难。

Ian 的结论不是加入新公司后改变它的文化。尤其在创始人驱动的组织里，一个设计负责人很难把公司的 DNA 连根拔起。更实际的做法是理解什么行为在这里受到奖励，带入自己过去有用的原则，再用它补足现有文化的盲点。

“先做最简单的事”可以从 Instagram 带到 OpenAI，但它不是永远正确；有时实验阶段就应该允许暂时不够简单的东西出现。工作流程不是职业信仰，而是组织阶段、技术变化和产品责任共同产生的选择。

最后要优化的不是工具使用率，而是产品结果

当主持人请 Ian 给焦虑设计师一个建议，他最后没有推荐某款软件。他说，应当把注意力放回结果：设计师不是来建立最复杂的工具流程，也不是来最大化 token 使用，而是来做出人们喜爱的产品。

AI 可以进入非常具体、甚至琐碎的工作瞬间。Ian 会在夜里想到一个点子时，把它交给云端生成可以和团队讨论的原型；让系统汇总需要回复的 Slack 消息；在重要会议前补齐上下文；辅助招聘和日常运营；即使人不在电脑旁，也可以先交代任务，之后再查看生成的 artifact。

这些场景的共同点不是“用了很多 AI”，而是它们缩短了想法、上下文和下一步行动之间的距离。设计师仍然负责选择问题、评价结果并决定是否继续。

如果下一轮项目只做五件事，可以这样开始：

1. 选一个真实问题，先写清用户、情境、失败代价和最终想改变的结果。
2. 不先追求漂亮画面，做一个能暴露真实数据、模型响应或关键失败的运行版本。
3. 把它交给真实用户或同事，记录哪些假设被行为推翻，而不只收集喜好。
4. 写下保留、删除和暂缓的理由，尤其说明哪些功能已有系统可以解决，哪些技术前提还不耐久。
5. 公开一部分过程，包括失败、重试和工具失效的地方，让团队与行业能够学习新的工作方式。

同时保留一项足够深的专长。它可以是视觉工艺、复杂交互、用户研究、内容设计、原型工程或产品策略。角色融合不等于深度消失；当人人都能迅速做出“差不多能用”的版本，可靠深度反而更容易被识别。

还要守住三条边界。

第一，设计能力更有杠杆，不等于设计职位会增加。Ian 自己也没有给出招聘市场证据。短期内完全可能出现少数人获得更大端到端空间，同时以稿件交付为中心的岗位减少。

第二，“工程师提效十倍、百倍”是 Ian 对前沿团队的观察，不是行业平均事实。METR 在 2025 年初对 16 位熟悉自身开源项目的资深开发者做随机对照研究，246 个任务中，允许使用当时 AI 工具的一组平均反而多花 19% 时间。METR 2026 年更新认为新工具很可能带来更多提速，但参与者退出和并行智能体计时让总体效应更难可靠测量。方向在快速变化，统一倍数仍然不存在。

第三，OpenAI 的模型、人才、数据和试验环境不能直接复制到普通公司。真正值得带走的不是它明天的人员比例，而是一套问题：我们的技术前提有多稳定，用户跨度有多大，哪些责任仍必须有人承担，什么东西值得长期设计？

现在确实可能是成为设计师最好的时代，但未必是维持旧版设计职位最好的时代。前者奖励的是能理解人、制造真实证据、发明新范式、适配组织并在失败后修改判断的人；后者依赖稳定分工、固定流程和交付物边界。

AI 让更多人能把想法做成产品。设计师真正的价值，不是证明自己仍然垄断某个工具，而是在“什么都能做”以后，仍能判断什么值得存在，什么应该被改变，以及什么根本不该做。