AI 讓出貨變快，卻更難做對：Figma 給設計師的三個校準
當你什麼都做得出來，「做對的東西」反而更難。Figma 的 Jake Albaugh 用 cognitive surrender、agentic engineering、in-distribution 三個概念，講清楚 AI 時代設計師真正的籌碼。
打開 IDE、寫得出 code，才有資格把產品送上線——這條規則撐住了大半個軟體史，鑰匙一直握在工程師手上。AI 把那道門直接拆了。沒碰過程式的人，現在也能讓一個能跑的東西上線。
速度來得太容易，代價藏在後面：當你什麼都做得出來，「做對的東西」反而更難了。你會開始把「看起來完成度很高」誤讀成「做得好」。Figma 的 Developer Advocate Jake Albaugh 在這篇文章裡，給了三個在你出貨比以往都快時該記住的提醒。
過去大半個軟體史裡，code 就是做產品的那道閘門，工程師握著鑰匙。AI 出現後，閘門沒了——沒開過 IDE 的人，也能把一個能動的軟體送上線。
聽起來是好事，Albaugh 點出背後的帳單：當你什麼都做得出來，「該做哪一個」就變難了。產品團隊被推著一直執行、一直加速，而速度會遮住判斷。我們被訓練成相信「完成度」——因為在 AI 之前，一份看起來完整的東西，背後通常是專家一路做過的取捨。現在不一樣了，你可以很快 prompt 出一個原型，LLM 幫你把缺口都填上，表面很漂亮，掀開引擎蓋卻散架。
有一個詞叫 cognitive surrender（認知投降），出自 Steven D. Shaw 與 Gideon Nave 的論文。它指的是：一個人不加檢視就接受 AI 的輸出，用模型的判斷蓋過自己的直覺與思考。
判斷本來就伴隨摩擦，而讓 AI 把摩擦整個抹掉，實在太誘人。Albaugh 坦承自己也常常掉進去——第一次生成就收下，把 LLM 的判斷當成自己的。他給的解法是一個他稱為 consideration imperative 的起手式：先跟問題待在一起，把「什麼值得做」想清楚，而不是送出第一個看起來像樣的選項。速度要從意圖開始，不是從輸出開始。
Google 的 Addy Osmani、Shubham Saboo 與 Sokratis Kartakis 在白皮書《The New SDLC With Vibe Coding》裡提出 agentic engineering：工程師的角色從「寫 code」轉成「表達意圖」，再讓 AI 把意圖翻成軟體。低成本的 vibe coding 會累積 tech debt，白皮書主張把焦點移到三件事上——
Deterministic layers：測試、type check、驗證這類每次都用同樣方式跑、能抓出模型出錯的環節。High-signal context：規格、文件化的元件，讓 agent 從你的意圖出發。Clear interfaces：讓 agent 知道各部分怎麼接起來，而不是用猜的。
從設計走到 code 時，agent 缺的正是你 production 元件的脈絡。Figma MCP 裡的 Code Connect 直接把真實的 production code 交給它——props、variants 都在——省掉它從像素反推元件的功夫。這套做法前期要多花力氣，回報是之後好維護得多。設計端同理：你把時間投進一套扎實的 design system，等於把決策編碼成 agent 能用的精確詞彙與護欄，換來一致的輸出、更精簡的 code、更少的 tech debt。
想清楚、鋪好脈絡，能讓你往對的方向跑得更快。但你做出來的東西還得夠突出——這裡 AI 反而扯你後腿。
模型吃的是海量資料，它認得每一種趨勢、風格、pattern，然後把你往「已經存在的東西」的平均值拉，機器學習裡叫 in distribution。時間一久，愈來愈多作品都落在分布之內。跟 AI 要一個 logo，你會拿到一個帶漸層的簡單幾何符號；要一份 pitch deck，是大家都在用的那款無襯線字；要一個 React component，是那張圓角卡片、你看過一百次。
這些都沒錯，而且多半堪用——問題就出在這。收下夠多次，你的判斷會收窄。你不再問「這該長成什麼樣」，改問「這幾個裡面哪個最不糟」。模型愈強，你 prompt 出來的東西比一年前更好，卻在滿地生成物裡毫不起眼。最難自我修正的地方就在這：「好」現在是一條誰都跨得過的線。
現在這份工作，是把速度配上判斷力。Albaugh 把三個提醒收成一句：把清楚的判斷放到最前面，讓自己在對的方向上移動，別一看到完成度就照單全收；顧好 design system 這類 context 層，讓 agent 跑得有效率；再把「考慮清楚」變成你工作方式的核心。三個投資疊起來，才落得到那個對的東西。
回到開頭那個帳單：AI 讓速度變便宜，把「做得出來」這道門檻拿掉了。剩下真正拉開差距的，是你有沒有一個清楚的觀點——知道這東西該是什麼。那個觀點，模型給不了你。
這篇文章的骨架很像一份寫給 AI 時代的工作備忘：速度已經不是稀缺資源，判斷才是。對正在學設計、剛轉職進來的人來說，最實用的一句在第三節——你在 design system、規格、命名上花的每一分力氣，都在替未來的 agent 鋪路。工具會一路變強，但「知道什麼值得做」這件事，還是得你自己養出來。
