现在，关于AI的讨论都每天是热点，每个角色都有自己声音：算法工程师在讨论大模型，程序员们在讨论Vibe Coding，工程师在讨论 MCP 协议，产品经理在讨论 AI 工作流，投资人在讨论 SaaS软件的前途......

但最懂人类与机器之间关系的那群人——UX 从业者，在这场AI的大讨论里，几乎完全缺席。

原本这场讨论的核心问题——人类如何理解、控制和信任 AI 系统——恰恰是UX行业的主场。而作为 UX 从业者我们（包括我自己），几乎是沉默的，正在把这个未来的主战场拱手相让。

前几天，我发表的关于《SaaS已死，CaaS新生，无界面创业的兴起》的文章，其中探讨了AI对与UX息息相关的用户界面（UI）的冲击，在小红书和X（原推特）引发了大量争论，有赞同，也有反对，其中一条来自推特读者的反驳最为直接：

这条质疑，不只是在反驳我，而是在精准描述一个UX行业必须正面回答的真实问题。

这篇文章，是作为一名20年UX从业者在AI时代的反思。

不是要说"UX即将消亡"——这是最懒惰也最错误的论断。而是想探讨一些根本性的问题：AI 正在改变什么、无界面究竟是什么、UX从业者的新机会在哪里、行业组织需要做什么。

1/正在发生的事实：大模型正在吞噬界面

————

AI 正在内化和吞噬用户界面

过去二十年，互联网、移动互联网，以及软件产业的繁荣建立在一个稳定的前提上：人类需要通过图形界面与系统交互。按钮、菜单、表单、仪表盘——这套 UI 体系，是人与机器之间必要的翻译层，也是 SaaS 行业高估值的核心支撑。

大模型的出现，正在把这个前提逐步瓦解。

Claude、GPT-4o、Gemini 这类大模型，能力越来越强，覆盖范围越来越广——它们不需要专门设计的图形界面来接受指令，只需要 API 接口或 MCP 协议，就能直接完成数据读取、逻辑判断、代码生成、流程执行。原先必须通过人机 UI 界面完成的大量工作，正在被大模型直接内化和承接。

结果是：

侧重流程封装和 UI 交互的App、网站，以及传统 SaaS 软件，正在被极大压缩。

那层昂贵的"交互外壳"——强制登录页、多层菜单、冗余按钮、精心设计的操作流程——在 AI 面前，正在成为纯粹的摩擦成本。

这不是某个细分市场的局部变化，而是整个软件行业交互范式的结构性迁移。

三层架构的价值重新分配

要理解这场迁移，需要先看清楚软件系统的三层结构——C-I-M（Context 场景层、Interaction 交互层、Memory 记忆层）——在 AI 时代发生了什么。

Interaction 层（交互层）：正在被商品化

这是所有人机界面所在的层。过去，它是 SaaS 护城河的核心——企业要获取系统里的数据和逻辑，必须通过 SaaS 厂商提供的 UI 界面，迁移成本极高。

但大模型出现之后，机器可以直接通过 API 调用完成原先需要人工点击的一切。Interaction 层原先大量的

人机界面交互，正在转向两种新形态

：一是 A2A（Agent to Agent）之间的直接交互——完全无界面，机器之间通过协议直接对话；二是流体形式的人机交互——界面不再是固定的操作面板，而是由 AI 根据当下情境动态生成、用完即走的极简确认界面。

Memory 层（记忆层）和 Context 层（场景层）：正在成为真正的护城河。

当交互层被商品化，真正稀缺的是什么？是企业独有的状态与场景——那些沉淀在老员工脑子里的隐性经验、历史决策中积累的业务判断、客户关系里形成的偏好图谱。这些东西，算力复制不了，竞争对手抄袭不了。

无界面的「场景层」（Context）和「记忆层」（Memory），正在获得大量新的市场空间。

它们不需要任何前端界面，通过 API 直接交付价值，是 AI 时代真正的数字不动产。

这对 UX 意味着什么

这三层价值的重新分配，对 UX 行业的含义是直接的：

以"交互层操作优化"为核心价值主张的 UX 工作——流程梳理、界面设计、操作路径优化——其商业价值正在随 Interaction 层一起被压缩。

Anthropic Claude Cowork 设计负责人、前 Figma 设计总监 Jenny Wen 给出了一个具体的数字：

但这不是 UX 的终结，而是价值重心的迁移。

Context 层和 Memory 层的崛起，恰好打开了 UX 行业最被低估的能力空间：

如何把隐性的行业知识结构化为 AI 可以调用的场景图谱？如何设计企业记忆体系，让 AI 的决策可追溯、可审计、可信任？

这些问题，工程师没有方法论，产品经理没有工具集。而用户研究、信息架构、服务设计——这些 UX 的核心能力，正是回答这些问题最直接的方法论。

Jenny Wen 的判断是：AI 的品味和判断力会越来越强，但"问责（Accountability）"权始终在人类。必须有人拍板什么才是有意义的，并为最终产出承担责任——就像放射科医生最终需要在 AI 诊断报告上签字确认一样。

UX 的基础没有消失，只是发生转移。从 Interaction 层的"让操作更顺畅"，移向 Context 层和 Memory 层的"让判断更准确、让信任更可靠、让控制更有效"。

无界面的精确定义：新的等式

在这个背景下，理解"无界面"究竟是什么，就变得至关重要。

很多人把"无界面"理解成"没有任何界面"。错，"无界面"是一个可以被精确定义的架构概念：

这个等式揭示了"无界面"的

一体两面

——一面朝向人类，一面朝向机器。

Zero UI，是前端的终局，属于人类体验的维度。

当系统拥有足够强大的场景理解能力，人类不再需要去适应软件的逻辑——不用在繁琐菜单里找按钮，不用填写冗长表单。自然语言、当下情境、隐性意图，就是最优的指令。界面随需生成，用完即走，对用户而言软件正在变得"隐形"。

Zero UI 的本质：

把人类从"操作员"的认知负担中解放出来。

Headless UI（无头架构），是后端的现实，属于机器协同维度。

为了支撑前端的 Zero UI，传统系统必须完成"斩首"——把华丽的仪表盘和操作面板剥离，降维为只提供 API 接口的数据基座。机器不需要看图表，只需要在规则护栏内，以毫秒级速度直接读取 Context、写入 Memory、驱动执行。

Headless 的本质：

为 A2A 智能体协同提供无摩擦的底层赛道。

Zero UI 讨好人类的直觉，Headless 满足机器的效率。当两者在 C-I-M 架构的底座上相遇，就是真正"无界面"时代的完整形态——未来的企业软件，不再是供人类游览、填写、点击的"赛博建筑"，而是在后台静默运转、随时被机器调用的智能引擎。

等式说清楚了。但围绕它的误解，并不少。

2/关于“无界面”：四个误解与五个误区

————

四个必须破除的误解

误解一：无界面 = 没有屏幕、没有界面。

错。等式里的 Zero UI 是零显式交互——不需要点击、输入、跳转、学习路径；Headless 是后端无头架构，不是前端无屏幕。屏幕可以留着，但只做结果展示与异常确认，不做操作入口。这个误解让很多人得出"UX 从此无用"的错误结论。

误解二：无界面 = 语音 / 手势 / 刷脸。

错。这只是交互形式通道的变化，触及的是 Zero UI 的表层，不是本质。无界面的核心是 Context（场景）+ Memory（记忆）+ Headless 后端的三位一体：系统知道你是谁、你在哪、你刚做完什么，同时后端已经重构为机器可直接读写的结构。只换通道、不改架构，不是真正的无界面。

误解三：无界面只是 C 端的体验升级。

错。企业端才是主战场，而且核心发生在 Headless 层。不用登录 CRM、不用手动录入跟进记录、不用打开报表——这不是因为前端体验变好了，而是后端完成了 Headless 化，智能体可以直接读写数据。这不是体验升级，是商业模式的重构。

误解四：无界面会更不安全、更不可控。

这是那位"人类渴望控制"的推特读者最担心的事，也是最值得认真回应的一条。

理解这个担忧，但方向搞错了。问题从来不是"要不要控制 AI"，而是"用什么架构来实现控制"。

在没有 Headless 架构的世界里，控制权来自 UI——看得见每一步操作，随时可以停下来。但这种控制，是以极高的人力成本换来的。在 C-I-M 架构里，控制权来自 Memory 层的

决策轨迹（Decision Trace）：AI 每次执行后强制写回完整记录——调用了哪些场景节点、推理路径是什么、最终输出是什么、置信度是多少。有了决策轨迹，控制方式发生了本质变化：从"我必须在场才能控制"，变成"我可以事后审计、随时介入"。

不是把手放在方向盘上盯着每一个弯道，而是车里有一套完整的行车记录仪，出了问题可以完整回放。

而这套决策轨迹的设计——让它既能被机器生成，又能被人类审计、理解、信任——恰恰是 UX 从业者最应该主导的工作。

五个实践误区

理解了误解，再看在实践层面最容易踩的坑。

误区一：做了 Zero UI，忘了做 Headless。

前端体验做得极简，但后端还是传统 SaaS——结果是界面消失了，数据依然要人工录入，自动化依然无法落地。Zero UI 和 Headless 必须同步推进，缺一不可。前者是人类侧的终局，后者是机器侧的基础设施。

误区二：把"去界面"做成"去人性化"。

强制全自动、不给手动回退入口，系统偷偷执行用户完全不知情。底线不能突破：Zero UI 可以让界面消失，但不能让告知消失；Headless 可以让后端无头，但不能让决策轨迹无踪。可以全自动，不能无掌控。

误区三：把 Headless 做成"可搜索的垃圾桶"。

把所有文档和数据无脑转化为 API 或向量数据库，以为这就是 Headless 化。但没有结构化的 Context 和完善的 Memory 机制，机器读到的是噪音，不是知识。Headless 不是"把界面去掉"，是"让机器能真正读懂"。

误区四：用 GUI 思维做 Zero UI。

还在画页面、排按钮、规划操作流程，只是把按钮"藏起来"。GUI 解决的是"人如何找到功能"，Zero UI 解决的是"系统如何理解人的意图"。设计重心要从"操作流"转向"意图理解 + 状态反馈 + 异常处理"——这是两种完全不同的设计语言。

误区五：一上来全场景无界面。

什么都想自动，结果什么都不稳。正确路径是：先选高频、低风险、强规则的场景，Zero UI 和 Headless 同步落地，保留人工确认通道，用记忆层持续迭代，逐步扩大自动化边界。在高风险场景过早去掉人类确认，一次事故足以摧毁整个项目的信任基础。

3/理解底层框架：CIM 架构与 UX 的关系

————

要真正理解 AI 时代 UX 的机会，必须先理解一个关键框架：

C-I-M（Context-Interaction-Memory，场景-交互-记忆）架构。

这不是纯粹的技术框架，而是理解 AI 时代企业软件价值分布的地图。

I 层（Interaction，交互层）：价值趋零的执行层

这是所有大模型、开源 Agent、自动化工具所在的层——通过 MCP 等协议连接系统，负责被调遣、被执行：写代码、发邮件、查数据、出报告。

I 层的商业价值，在快速趋近于零。

今天为某个模型构建的壁垒，六个月后被更便宜更强的新模型抹平。所有专注于"套壳大模型"、"优化 UI 界面"、"微调模型参数"的开发工作，长期看都无法创造真正的竞争壁垒。

对 UX 从业者的启示：

纯粹以"交互层操作优化"为核心价值主张的 UX 工作，正在失去定价权。这不是 UX 的错，是 I 层整体商品化的必然结果。

M 层（Memory，记忆层）：被严重忽视的企业护城河

为什么花了大价钱的 AI，产出却像个随时失忆的实习生？为什么 AI 写的代码技术上无懈可击，商业上彻底错误？

根本原因：

没有为 AI 建立记忆闭环，没有让 AI 拥有决策轨迹（Decision Trace）。

绝大多数企业今天用 AI 的方式是纯粹的 I/O：给任务、拿结果、关窗口。什么都不留下，下次同类任务，AI 依然从零开始。

真正的企业级 AI，必须在每次执行后强制 Write-Back（写回）：这次任务走了哪些弯路（试错记忆）、哪条路径被验证有效（成功路径）、用户反馈是正向还是负向（强化信号）、这次决策背后有哪些隐性约束（场景补丁）。

记忆层不是简单的数据库，也不是向量数据库加 RAG 的组合。它需要两个关键机制：

——时间衰减（Recency Boost）：昨天修改的政策，今天必须拥有绝对路由优先权，不被 100 条旧版本淹没。越新的决策，越有统治力。

——置信度门控（Confidence Gating）：检索置信度低于阈值时，系统强制拦截，直接返回"我缺乏相关业务背景，请人工确认"。宁可让 AI 坦诚说不知道，也绝不让它对着错误依据瞎编。

对 UX 从业者的启示：

记忆层的用户体验，是 AI 时代一个全新的、几乎无人涉足的设计领域。

用户如何知道 AI 从哪里学了什么？如何纠正 AI 的错误记忆？如何理解和信任记忆系统的运作方式？这些都是真实的 UX 问题，需要 UX 方法论来回答。

C 层（Context，场景层）：万亿美元的真正蓝海

这是 C-I-M 架构的核心，也是最被低估的层。

很多人把场景层等同于 RAG——把公司文档扔进向量数据库，让 AI 随时检索。这是根本性的误解。

把 Notion 文档、微信、钉钉聊天记录无脑转成 Embedding 扔进数据库——

那不叫构建大脑，那叫制造「可搜索的垃圾桶」。

真正的「企业场景图谱（Context Graph）」是高度结构化的知识网络：企业十年的失败复盘（东南亚扩张为什么失败，真正原因，不是写在复盘 PPT 里的那个）、创始人的"个人宪法"（哪类合作伙伴绝对不碰）、高 LTV 客户的隐性偏好（哪种安抚方式有效，哪种会激怒他）、内部验证过的高转化 SOP（哪段销售话术在哪个客户规模段最有效）……

这套场景图谱，是企业真正的数字不动产。

谁拥有场景，谁就掌握定价权；代码可以被 AI 在三小时内复制，十年的行业失败记忆，无法被复制。

对 UX 从业者的启示：

构建场景图谱，恰恰是 UX 方法论最直接的延伸领域。

用户研究、亲和图分析、服务蓝图、信息架构——这些 UX 工具，正是把隐性知识显性化、把显性知识结构化的核心方法。没有 UX 思维，场景图谱很容易变成"可搜索的垃圾桶"。

4/三条新路径：UX 从业者可以拓展的三个方向

————

认清了变化和框架，现在来谈从业者的具体应对路径。以下是三条相对清晰的方向，不同背景、不同兴趣的 UX 从业者，可以选择最适合自己的切入点。

路径一：Agent 体验设计师（AX Designer）

这是距离当前 UX 工作最近、但需要认知升级最多的路径。

过去 UX 只服务一类主体：人类用户。未来的产品必须同时服务两类主体：

——Human 体验（H2X）：人看得懂、好决策、低打扰——传统 UX 的核心，需要从"操作优化"转向"决策支持"和"信任建立"。

——Agent 体验（AX）：智能体可读、可调用、可协作、可自治——全新的设计领域，需要全新的方法论。

两类体验的设计逻辑存在根本差异。为人类设计，关注认知负荷、情感反馈、操作路径；为 Agent 设计，关注数据结构的可读性、接口的语义清晰度、错误处理的边界条件、权限与约束的表达方式。

一个典型的 AX 设计问题：

当一个 Agent 需要从企业知识库检索信息来辅助决策，这个知识库应该如何组织，才能让 Agent 既能快速找到相关信息，又不会被误导性的旧信息干扰？

这是信息架构问题，是 UX 问题，只是"用户"换成了 Agent。

未来的 UI 将越来越多地由 AI 模型根据上下文实时生成，而不是由设计师手动编码每一个状态。

这意味着 AX 设计师的核心工作，是设计"生成 UI 的规则和约束"，而不是设计"固定的 UI 本身"

——从产出物（deliverable）转向规则体系（rule system），是这条路径最根本的范式转变。

具体行动建议：

从信息架构入手，学习 AI 的信息消费方式与人类的差异；掌握基本的 API 设计概念，理解机器如何"阅读"系统；主动参与企业内部 AI 落地项目，从实践中积累 AX 设计经验；关注 MCP（模型上下文协议）等 Agent 通信标准的发展。

路径二：决策体验设计师（DX Designer）

这是一条更深入"人类判断"领域的路径，适合对认知心理学、行为经济学、伦理学有兴趣的 UX 从业者。

在 AI 越来越多地承担执行工作的背景下，人类的角色正在从"操作者"转向"监督者"和"最终决策者"。这对 UX 设计提出了全新要求：

如何设计一个界面，让人在最短时间内、用最低认知负荷，对 AI 的决策做出准确判断和必要干预？

这不是传统 UX 解决过的问题。传统 UX 关注"让操作更顺畅"，DX 关注"让判断更准确"。两者逻辑截然不同：顺畅的操作意味着减少摩擦；准确的判断有时恰恰需要刻意引入摩擦——让人在做重要决策时真正停下来思考，而不是在自动驾驶状态下随手点了"确认"。

这个领域涉及：AI 可解释性的可视化设计（XAI）、异常状态的警示系统、人机信任机制的建立、高风险决策的确认流程、AI 失败模式的反馈设计……

关于信任机制，Jenny Wen 有一个来自实战的具体思路，她称之为"通过速度建立信任（Building trust through speed）"：敢于发布哪怕带有瑕疵的早期产品，但以极快的响应速度修复用户反馈。这种快速迭代本身，就是向用户传递"我们听到了你、我们在意你"的最强信号，比任何精美的上线仪式都更有说服力。

对 DX 设计师的启发是：在 AI 产品的信任建立上，透明度和响应速度，比完美性更重要。一个能快速承认错误、快速修复、快速解释"为什么上次判断错了"的 AI 系统，往往比沉默但"正确率更高"的系统，更容易赢得用户的长期信任。

具体行动建议：

深入研究认知负荷理论在决策场景下的应用；学习 AI 可解释性（XAI）的基本概念和可视化方法；重点关注医疗、金融、法律等高风险行业的人机协同案例；把"信任建立机制"作为产品设计的一阶问题，而不是上线后的补丁。

路径三：场景图谱设计师（Context Architect）

这是离传统 UX 最远、商业价值最高的路径。

构建场景图谱，本质是一项知识工程：把企业十年的隐性经验、失败教训、客户偏好、战略红线，结构化为可被 AI 系统调用的知识体系。

这听起来像数据工程师的工作，但核心能力恰恰是 UX 从业者最擅长的：

理解人类思维模式、挖掘隐性需求、构建信息架构、设计知识的流动方式。

没有 UX 背景的工程师构建场景图谱，往往犯一个典型错误：把所有文档和数据无脑转化为向量数据库。这制造的是垃圾桶，不是大脑。

真正有价值的场景图谱，需要 UX 式的追问：

哪些信息是关键的？哪些是噪音？不同信息之间的关系是什么？在什么情境下，哪类信息应该被优先调用？当两条信息相互矛盾时，系统应该如何处理？

同样来自 Jenny Wen 分享的两个案例，可以帮助理解这条路径的真实形态。

——其一是产品层面：Claude Cowork 的许多界面形态，源于团队内部一个令人兴奋但"难以读懂（illegible）"的早期原型。她运用"可读性框架（Legibility Framework）"——像风险投资人一样，专门去关注那些充满热情但概念尚且模糊的内部原型，然后通过设计转化，把混沌的能力变成外部可以理解、可以使用的产品形态。

把混沌的能力翻译成清晰的价值——这是 UX 思维在 AI 产品开发中最稀缺的贡献，也是场景图谱设计的本质工作。

——其二是个人层面：她把多年积累的本地笔记——1v1 会议记录、零散想法、面试评估——全部打包交给 Claude Cowork 分析。AI 成功帮她提炼出了一套"如何评估设计手艺"的个人评估体系，挖掘出了她潜意识中深藏的设计价值观。这不只是个人自我觉察工具——这正是场景图谱构建的完整原型：把隐性的、碎片化的、只存在于某个人脑子里的专业判断，结构化为可以被系统调用的知识资产。每一个行业里，都有大量这样的隐性判断在等待被挖掘和工程化。

具体行动建议：

选择一个有深度积累的垂直行业，尝试用 UX 方法论（深度访谈、亲和图、服务蓝图）梳理该行业的核心场景节点；学习基本的知识图谱概念和结构化知识表示方法；与企业 AI 落地团队合作，从实际项目积累场景设计经验；把这套能力包装成"企业 AI 落地的知识工程咨询"，这是当前供给极度稀缺的服务。

另外需要强调的是，不论选择哪种路径，都需要避免的一点：不要用 AI 工具加速旧工作，而不注重更新设计范式。

虽然工具本身没有高低之分，问题在于用对工具做对事。真正的范式转变，不是把旧工具换成 AI 工具，而是更新设计的对象、目标和方法论：设计对象从"人类用户"扩展到"人类用户 + AI Agent"；设计目标从"操作顺畅"扩展到"决策准确 + 信任可靠"；设计方法论从"以用户为中心"扩展到"以场景为中心"。

5/行业组织建言：这一次，不是修补，是重构

————

以上是写给个体从业者的建议，以下是写给 UX 行业组织和机构的。

AI 带来的变化，不是对现有行业标准的局部修订，而是需要对 UX 行业的知识体系、能力框架、职业路径和标准规范进行系统性重建。以下是几个具体的方向。

建议一：重新定义 UX 核心能力框架

现有的 UX 能力框架，建立在"以人类用户为中心的界面设计"这个假设上，这个假设需要被扩展为四个维度：

——人类体验设计能力（Human Experience Design）：传统 UX 核心，但重心从"操作优化"转向"决策支持"和"信任建立"，尤其是在人机协同决策的场景下。

——Agent 体验设计能力（Agent Experience Design）：为 AI 系统设计可读、可调用、语义清晰的信息结构和交互协议。这是一项全新能力，需要系统性方法论支撑，目前几乎处于空白状态。

——场景架构能力（Context Architecture）：将行业知识和用户洞察结构化为可驱动 AI 系统的场景图谱。这是用户研究、信息架构、服务设计能力的综合应用，是 UX 行业在 AI 时代最独特的竞争优势。

——AI 伦理与信任设计能力（AI Ethics & Trust Design）：在 AI 系统里为用户建立清晰的控制权、透明的可解释机制、可靠的审计路径——回应"人类渴望控制"这个最真实、最普遍的用户需求。

建议二：主动制定 AI 系统的 UX 设计标准

目前，AI 系统的用户体验几乎处于无标准状态。没有统一规范来要求：AI 决策如何向用户解释、用户如何得知 AI 正在做什么、AI 错误如何呈现和修正、用户数据如何被 AI 使用……

这个标准真空，正在带来大量劣质 AI 产品体验，也带来了实质性的用户权益风险。

UX 行业组织，应当主动承担这个标准制定的角色，而不是等待工程师社区或监管机构来填补空白，

方向包括：

——制定 AI 透明度设计规范

——用户应以什么方式、在什么时机，被告知 AI 正在做什么；

——制定 AI 决策可解释性的 UX 标准

——当 AI 做出影响用户的决策时，最低限度的解释应包含什么；

——制定 AI 控制权设计准则

——用户在任何时刻应能以什么方式介入、修正、或停止 AI 的行为；

——建立 Agent 体验设计的基础评估方法

——如何判断一个 AI 系统对机器"用户"是否友好、是否可靠、是否可审计。

建议三：系统更新职业认证和教育体系

现有 UX 认证体系大多停留在 GUI 时代的知识框架内，需要系统性更新的至少包括以下方面：

——在核心课程中加入 AI 系统基础工作原理

——不是要把 UX 设计师培养成工程师，而是让他们理解 AI 如何"消费"信息、如何做出决策、在什么情况下会出错，从而设计出真正适配 AI 系统的体验。

——建立 AX（Agent Experience）设计专项认证，认可那些专注于为 AI 系统设计交互界面和知识架构的从业者，为这个新兴方向提供职业路径认定。

——在用户研究课程中加入 "人机信任"专题

——用户如何建立对 AI 系统的信任、信任如何被破坏、如何通过设计来建立和维护信任，这是 AI 时代 UX 研究最重要的课题之一。

——将 场景图谱设计（Context Graph Design）纳入信息架构课程——这是 UX 传统优势领域在 AI 时代的直接延伸，应被明确纳入行业知识体系，而不是留给工程师和数据科学家自行摸索。

建议四：重新定义人才标准，鼓励管理者回归一线

在技能需求剧变的当下，AI时代最有潜力的三类人才画像：

• "块状通才（Block-shaped）"——在设计、产品、工程多个核心领域都能达到前 20% 水平，能够灵活跨界；
• "深 T 型专家（Deep T-shaped）"——在某一极度细分领域拥有极致手艺，比如极懂技术的极客型设计师，或把图标设计做到行业前 10%；
• "硬核应届生（Craft new grad）"——刚入行、极其谦逊、没有传统流程包袱、具有极强行动力的年轻人。

这三类画像的共同逻辑是：

当 AI 把中等水平的工作商品化，只有真正的广度、真正的深度、或真正的敏捷性，才能保持不可替代性。 那种"熟练掌握标准 UX 流程"的中间地带，正在快速萎缩。行业协会应在认证和教育体系中，明确鼓励这三类路径的发展，而不是用一套统一的能力模型框住所有人。

同样重要的是管理者必须回归一线。在设计流程发生天翻地覆变化的今天，设计管理者如果不亲自下场使用新工具、体验新流程，将很难对团队产生真正的共情，也无法给出方向性的正确指引。需要亲自做深度产品测试、重现 Bug、审查代码日志，在开发IDE 中直接用AI工具调整前端细节，甚至通过AI工具生成代码并合并 PR。这些看似"低杠杆"的任务，传统管理学认为领导者应该避免——但在 AI 时代，亲自下场体验新工具，是领导者传递"我认真对待这场变化"最有效的信号。行业协会的领导者，同样如此。

建议五：推动 UX 参与 AI 治理对话

在目前的 AI 治理讨论中，UX 行业的声音几乎是缺席的。参与 AI 政策制定的，主要是科学家、工程师、法律家、和社会学家。

但 AI 治理中最核心的问题之一——如何确保普通人能够理解、控制和信任 AI 系统——恰恰是 UX 行业最核心的专业领域。

行业组织应积极参与 AI 治理政策的制定，推动在 AI 产品的监管框架中，明确将用户体验标准作为合规要求的一部分；在涉及 AI 辅助决策的高风险领域（医疗、金融、司法），建立强制性的人机交互设计审查机制；将"可解释性"和"用户控制权"作为 AI 系统评估的核心维度，纳入国家和行业标准。

让 UX 行业在 AI 时代的公共对话里，不再缺席。

6/写在最后：职业生涯很长，但窗口不会永远敞开

————

面对 AI 带来的极快工作节奏和行业的疯狂变化，我们需要不断去修炼底层心态——"顺其自然"，避免过度的内卷和自我消耗。

在无法掌控所有外部变量的技术爆炸时代，接受不确定性，反而能带来继续前行的轻松感。这不是佛系放弃，而是把有限的精力，集中在真正可以影响的事情上。

但在大家注意力越来越短暂、只关注当下的时代，阅读一个人一生的长弧线，是一个极其重要的提醒——"职业生涯很长"。

这两句话放在一起，是一种清醒的平衡：接受此刻的混乱和不确定，但不要忘记自己也在经营的是一个以数十年计的职业弧线。此刻的认知升级，回报周期是以十年计的；此刻的缺席，代价也同样如此。

同时，这场因一篇文章和一条推文引发的讨论，也呈现了当下真实的认知分裂：

一部分人还在用旧时代的逻辑评判新时代的工具——"没有 UI 就无法控制"，就像 19 世纪的人坚持认为没有马夫坐在旁边就不能信任马车。

另一部分人正在悄悄建立新的机制——不是用界面来控制 AI，而是用决策轨迹、场景图谱、置信度门控，建立真正可审计的控制权。

这两种人之间的距离，不在技术层面，在认知层面。

而 UX 从业者，恰好站在这道认知鸿沟最关键的位置上——

你们是最懂"人类需要什么样的控制感"的人，也是最有能力把"可审计的 AI 控制机制"设计成真正可用产品的人。

SaaS 的不足，是把所有任务都塞进界面里，让人去填、去点、去等。

CaaS 的智慧，是把机器的事还给机器，把人的事简化到极致。

Zero UI 的终极形态，不是没有界面，而是界面只在真正需要它的时候出现——且极简到刚好够用。

这个"极简到刚好够用"的界面，需要有人来设计。需要那些真正懂得人类在什么时刻需要什么样的信息、什么样的确认、什么样的掌控感的人来设计。

那个人，就是我们每一个UX从业者。

AI正在关闭一个窗口，但也打开了一个新的窗口，但窗口不会永远开着。

访问UXTOOLS场景智能专栏

http://www.uxtools.cc/context