你花几分钟用 AI 做出一张看似完整的产品原型，然后交给设计师“稍微修一下”。问题是，原型里的流程、文案和交互可能都经不起使用。生成只用了几分钟，核对和返工却落到了别人头上。
这正是 Nielsen Norman Group（NN/g）调查 521 名 UX 从业者后看到的矛盾：AI 已进入日常工作，也确实能节省时间、扩展个人能力，但从业者并没有因此普遍变得更满意。这里的 UX（User Experience，用户体验）不只是画界面，还包括用户研究、信息架构、交互流程和可用性评估。岗位不同，AI 带来的收益和压力也很不一样。
工具已经进来了，选择权却不一定在个人手上
据 NN/g 调查，超过 99% 的受访者在工作中可以使用生成式 AI。不过，“可以使用”不等于经常使用，更不等于可以自由选择：59% 只能使用公司批准的工具，真正能任选工具的只有 12%。
66% 的受访者使用至少一种 Agentic AI。所谓 Agentic AI，是能围绕目标自行拆解步骤、调用工具并连续执行任务的系统，不只是回答一个问题或生成一段文字。其中，48% 使用 Agentic AI 产品，47% 使用 AI 编码代理或应用构建器，约 30% 两类都用。两个类别彼此重叠，因此不能直接相加。
使用率也随机构类型明显变化：初创企业为 85%，中小企业为 75%，政府机构为 42%，非营利组织为 36%。原报道提出，审批流程、成本、技术能力和隐私要求可能影响这些差异，但这些只是解释性推测，调查本身没有证明因果关系。
提速之后，为什么还是累
AI 最常被用于写代码和桌面研究。桌面研究指从已有报告、文献、竞品和数据中搜集信息，不直接接触受访者。这些材料容易数字化，也更容易交给 AI 辅助。相反，一旦工作涉及真实用户，AI 的使用就最少。
阻力首先来自结果本身。54% 的受访者担心输出质量，50% 担心数据隐私与安全，只有 9% 表示没有主要障碍。换句话说，AI 可以很快交卷，但人仍要判断答案是否可信、是否安全、能不能真正使用。
NN/g 收录的一则评论把这种落差说得很具体：产品经理用 AI 几分钟生成无法使用的原型，随后要求设计师以同样速度修好。另一位受访者则说，重视最终质量的人既要清理同事制造的 AI “slop”——粗糙、低质量的生成内容——又要完成自己的工作。局部步骤变快，并不保证整个团队更省时间。
更麻烦的是“必须使用”。一些受访者称，管理层持续推动甚至追踪 AI 使用量。员工为了证明自己用了工具而生成更多内容，再由其他人检查和纠错。当衡量标准从成品质量变成“用了多少 AI”，效率工具也可能变成表演任务。
“不买账”并不等于拒绝 AI
受访者对工作中 AI 的平均情绪评分为 3.57/5，只是轻度正面。主动填写开放评论的人中，69% 表达了某种负面情绪，常见原因是强制采用和输出不可靠。但这个数字存在自选择偏差：愿意留言的人可能本来就有更强烈的感受，不能写成“69% 的 UX 从业者反对 AI”。
同一种技术也会带来相反体验。在提到独立工作或身处极小团队的七名受访者中，五人留下纯正面评价。一位金融科技公司的独立设计师称 AI 让自己成为“one-man army”：质量未必抵得上一支完整团队，但产量大幅提升。对缺少同事讨论的人来说，AI 也可以充当临时搭档。
这解释了调查最值得关注的地方：效率和职业体验不是同一件事。职业体验还包括自主权、成就感、技能成长和工作安全感。65% 的受访者仍预计自己的岗位会保持重要或变得更重要；但 NN/g 报告称，研究人员和设计师的工作安全感显著低于产品经理。当前材料没有给出这项比较的具体比例、统计检验或效应量，因此无法判断差距究竟有多大。
局限与未知
- 这是一项来自 NN/g 的单一调查，调查方法、样本招募方式、地区与行业构成在现有材料中并不完整，结果不宜外推到全部 UX 从业者。
- “超过 99% 可访问”不代表实际使用率或使用频率；66% 的 Agentic AI 使用率也取决于调查对该类别的定义。
- 部分机构分组样本较小，例如初创企业 20 人、自由职业者 21 人。图中虽提供 95% 置信区间，具体比例仍可能有较大波动。