AI如何融入UI/UX设计全流程：一家企业级设计公司的真实用法

维好维可是做企业级体验设计的——SaaS系统、HMI人机交互、企业后台这类产品，客户是伊利、上汽大众、阳光电源、西井科技、OTIS这类企业。B端项目和C端有个本质区别：业务逻辑极其复杂、行业知识门槛高、出错成本大。这决定了我们用AI的方式和网上大多数教程不一样：AI在我们的流程里负责"快"，人负责"对"。

下面按真实项目流程的八个环节，讲我们具体怎么用、在哪里翻过车。

第一步：拆解客户需求——AI挖盲区，人定方向

企业客户的需求文档往往很"客气"：写着"做一个设备管理系统"，背后藏着权限体系、审批流、数据看板、移动端适配一堆没说的东西。

我们的做法是需求沟通会结束后，把会议纪要（脱敏后）丢给AI，用这样的提示词：

"你是资深B端产品顾问。基于以下需求纪要，列出：1）客户明确说出的需求；2）客户没说但这类系统通常必须具备的能力；3）下次沟通会必须追问的10个问题。"

实战片段：【建议替换为真实经历——例：某次能源行业客户的项目，AI列出的"必须追问清单"里有"设备离线状态下的数据如何处理"，这恰好是客户没想过的，第二次沟通会直接命中，客户当场认可了专业度。请团队确认是否有类似真实案例，换成真实的行业与细节。】

翻车记录：AI会把"通常需要"当成"必须需要"，列出一堆过度设计的功能。我们的原则是：AI负责把问题列全，砍哪个，是设计师对着客户预算和场景判断的事。

第二步：竞品与行业调研——AI给地图，人去走路

B端设计的竞品调研和C端不同：很多竞品系统不开放试用，公开资料极少。AI在这里的价值是快速建立行业认知框架，而不是给结论。

"医疗手术机器人的控制台界面设计需要遵循哪些行业规范和安全标准？列出需要核查的标准编号与来源。"

注意，提示词的重点是"列出需要核查的来源"——AI给的答案本身我们不直接采信，但它指出的标准名录、规范方向，能省掉大量盲搜时间。

翻车记录：AI会一本正经地编造不存在的行业标准和数据（幻觉问题在垂直行业尤其严重）。所以我们立了条规矩：AI给出的任何标准号、法规名、数据，必须找到原始出处才能进设计文档。

第三步：用户流程梳理——AI搭骨架，人做减法

企业系统的流程复杂度是C端的数倍：多角色、多状态、异常分支多。维好维可在做西井科技智慧海港管理系统这类项目时，一个调度流程要覆盖正常作业、设备故障、天气中断、人工接管等十几种分支。

我们会让AI先穷举流程节点：

"为港口设备调度系统梳理完整作业流程，要求覆盖：正常调度、设备故障、紧急人工接管、跨班次交接四类场景，输出节点清单与分支条件。"

AI穷举能力比人强，基本不会漏分支。但它不懂现场——它不知道港口操作员戴着手套没法做精细触控，不知道驾驶舱里屏幕反光。【可替换为团队真实经历】这些约束，决定了最终流程图必须人在AI骨架上做二次设计。

第四步：方案发散——AI是白板，不是答案

设计卡壳的时候，AI发散确实好用。我们的用法是把约束条件说清楚再让它出题：

"为制造业SaaS的设备监控看板设计5种首屏信息布局方案。约束：操作员同时监控20台以上设备，异常设备必须3秒内被注意到，屏幕为1920×1080工业显示器。"

约束给得越具体，AI输出的可用率越高。 空对空地问"给我几个看板布局"，得到的全是Dribbble上抄烂了的卡片流。

翻车记录：AI给出的布局永远"看起来对"，但它无法评估信息密度与现场可读性的关系。我们曾直接用AI方案做了初稿，评审时发现数据表格的字号在工业现场距离下根本看不清——最后全部推倒。【请团队确认此类经历的真实性，保留真实的那个版本】

第五步：UX文案——AI量产，人挑一句

报错提示、空状态、权限申请话术，这类文案AI批量生成确实省时间。但B端文案有个AI不掌握的变量：用户的专业语境。同样是报错，面向IT管理员写"接口超时，错误码504"是清晰；面向车间操作员就得写"网络连接中断，请联系值班技术员"。

我们的做法：AI生成10版，人按用户角色选1版，再按品牌语气改一遍。

第六步：无障碍与安全校验——AI当检查清单，不当审计师

在HMI项目里，无障碍不止是"对比度够不够"，还涉及操作安全：触控热区能不能戴手套操作？警报色在强光环境下是否可辨？误触高发区域有没有二次确认？

AI的用法是充当永不疲倦的检查清单：

"依据WCAG 2.2与工业人机界面设计规范，审查以下界面的可访问性与操作安全风险，逐项列出问题。"

它能稳定揪出对比度不足、热区偏小这类基础问题。但医疗机器人项目里"紧急停止按钮的防误触设计"这种性命攸关的决策，永远由设计师和领域专家共同确认，AI的意见只作参考。

第七步：交付文档——AI写初稿，人补"为什么"

交付文档是最被低估的AI使用场景。组件说明、交互逻辑、边界场景、验收标准——AI能把这些模板化内容写到七八成。

但我们坚持一个动作：在AI初稿里手动补上每个设计决策的"为什么"。开发真正需要的不是"这个按钮置灰"，而是"这个按钮在权限不足时置灰，因为业务上不允许越权操作"。前者AI会写，后者只有设计师知道。

第八步：设计评审——AI挑刺，人接招

这是我们认为性价比最高的用法。定稿前把界面描述给AI：

"依据尼尔森可用性十大原则审查这个界面，重点找：信息层级混乱处、认知负担过重的操作、可能导致误操作的设计。按严重程度排序。"

实战片段：【建议替换为真实经历——例：某次评审中AI指出"删除操作与导出操作相邻且无二次确认"，团队复盘后采纳。请团队确认真实案例细节。】

AI的评审意见大约三成是废话、五成是有效提醒、两成是真能救命——但这个比例已经值得每次都跑一遍。

AI的能力边界：两个项目教会我们的事

用了两年，我们对AI边界的认知来自两次"教训"：

一是AI不理解约束。客户的预算、开发资源、行业规范、历史包袱，这些约束共同决定了什么是"对"的设计，而AI只知道什么是"好"的设计。

二是AI不承担责任。医疗HMI界面的一个误操作可能关乎病人安全，港口调度系统的一个误判可能造成百万损失。在这些场景里，设计决策必须有人签字负责——这个角色无法外包给任何模型。

写在最后

AI重构了设计的工作方式，不是因为它的设计水平超过了人，而是它接手了那些消耗时间的重复劳动。省下来的时间该去哪？去观察真实用户，去理解业务逻辑，去为一个决策据理力争——这些才是设计费真正在购买的东西。

未来不属于抵触AI的设计师，也不属于把工作全盘托管给AI的设计师。属于懂得让AI跑得快、同时自己站得稳的人。

关于维好维可：维好维可专注企业级数字化产品体验设计（UI/UX/HMI），成立12年，服务伊利、上汽大众、阳光电源、西井科技、OTIS等120余家企业客户，提供用户研究、交互设计、视觉设计、设计系统建设的体系化交付，并将AI能力深度融入实际项目流程。查看服务案例 | 与我们讨论你的项目