logo

设计师与AI协作:执行交模型,判断留自己

作者:有好多问题2026.11.17 03:47浏览量:0

简介:设计师正把AI纳入日常流程。本文结合从业者的口述经验,说明AI最能提效的环节、常见的返工风险和人机协作的操作顺序,并给出成本核算的思路与记录模板,帮你判断哪些工作适合交给AI,哪些必须由人把关。

先说结论

设计师对AI的关注点,正在从”会不会被取代”转向”怎么把它放进工作流程”。从业者的经验显示,AI主要承担执行环节。判断方向、把控质量、理解客户需求,仍需要设计师本人完成。会用AI已经成为一项独立的工作能力,它放大的是设计师原有的判断力。

本文基于几位从业者的口述整理。文中人物均为化名,并隐去可识别的公司信息。案例仅用于说明流程,不构成效果承诺,也不代表行业整体情况。

一、冲击真实存在,但集中在少数岗位

受访者提到,受影响最明显的是游戏原画岗位,部分团队已经出现裁员。插画、文案、服装设计等领域也有从业者感到压力,但变化节奏因行业和客户要求而异。

一位特效技术总监(化名)介绍,其所在的中型外包游戏团队引入一款AI绘图软件后,草稿环节的工作量明显下降,原画师的工作重心转向后期细节修改。此后团队分批缩减了人员。受访者表示,订单量没有同步增加,团队的利润情况有所改善。这些信息均为口述,无法逐项核验。

这类调整中,被裁的多是初级和中级原画师,因为他们的工作较容易被AI覆盖。资深原画师的核心能力,是依据甲方的细化要求反复调整画面。这一环节恰恰是当前生成式模型较弱的部分。

二、买了工具不等于提速

一位服装设计师(化名)所在的团队遇到了另一种情况。团队放弃了一位综合条件合适、但不熟悉AI的原画师,转而招聘三位会用AI出图的画师。结果出现了两个问题。

第一,效率提升低于预期。AI确实让前期出图变快,但这几位画师的基本功一般,后期修改占用了大量工时。AI压缩的是出图时间,并不必然压缩可交付时间。

第二,甲方察觉到了AI痕迹。画稿中频繁出现人手难以产生的细节错误,甲方因此多次要求降价。团队此前并未主动说明使用了AI工具。

两个案例指向同一个结论:AI的收益更多属于基本功扎实、同时会用工具的人。只会点按钮的人,很难获得同样的收益。

三、AI在设计流程中能承担哪些工作

拆开设计流程看,AI能承担的比例差异很大:

设计环节 AI可承担程度 设计师仍需把关的价值
前期草稿、概念发散 高 判断方向是否成立、能否落地
风格探索、配色构图参考 高 品牌调性把控、审美取舍
素材与配图批量生产 中高 版权合规、素材一致性
局部重绘、变体扩展 中 结构准确性、透视与光影逻辑
细节精修、甲方需求响应 低 沟通、解释、反复调整
需求理解与方案定义 极低 把商业目标转化为设计语言

以上是通用流程层面的经验判断。具体能力还取决于工具和版本、分辨率要求、版权条款,以及团队自身的基本功。

当前主流的文生图工具,大多可以根据自然语言生成不同风格的图像,支持风格词和构图描述,部分产品还支持输入参考图做风格迁移。游戏原画、海报、壁纸、室内设计、电商素材等场景已有团队在实际投产,比较适合在前期批量生成、寻找方向。各产品在生成速度、分辨率和版权条款上差异较大,正式采用前,应以官方文档和自己的实测结果为准。

决定产出质量的,是设计师能否组合使用参考图、可控生成、局部重绘和后期精修。只靠一句”赛博朋克风格”作为提示词,通常很难得到可交付的结果。

四、把AI接进工作流:一个可复用的操作顺序

  1. 先定标准,再生成。 明确交付物的分辨率、构图约束和色彩规范,以”能交付”作为筛选条件,而不只看”好不好看”。
  2. 用参考图锁定风格。 纯文本提示词容易出现风格漂移。参考图加风格迁移,通常能提高一致性。
  3. 批量生成,人工收敛。 一次生成多组变体,由设计师做减法。这一步把”从零创作”变成”从选项中决策”。
  4. 保留人工精修环节。 结构错误、手指与文字、透视错误等问题必须人工兜底。前文提到的返工问题,大多出在这一环节。
  5. 建立内部审核清单。 把常见的AI错误类型整理成检查表,交付前逐项核对。事后解释的成本远高于事前检查。

如果要在产品中批量生成图片或做自动化,通常需要把图像生成、文案生成和需求解析串成一条流程。下面的示例只展示结构,不含鉴权、限流、重试和成本记录,不可直接用于生产环境。具体接口与参数以各平台官方文档为准。

  1. # 伪代码:批量生成 + 结果收敛(仅示意结构)
  2. tasks = load_brief() # 需求拆解结果
  3. for t in tasks:
  4. images = generate(t.prompt, ref=t.ref_image, n=4) # 一次多张,人工收敛
  5. scored = [score_by_checklist(img) for img in images] # 结构/文字/透视校验
  6. deliverable = pick_best(scored)
  7. postprocess(deliverable) # 人工精修入口

生产环境还需要补充鉴权与密钥管理(密钥放在环境变量或密钥管理服务中,不写入代码)、请求限流、失败重试、调用成本记录,以及人工复核节点。否则,一次接口故障或一批异常图片,都可能直接流入交付环节。

五、模型选型与成本控制

设计团队的AI成本通常包括三部分:图像生成调用、语言模型调用(如提示词优化、文案生成、需求解析),以及返工带来的隐性工时。很多团队只统计前两项,结果低估了真实成本。

控制成本可以从三方面入手:

  • 分层用模型。 草稿阶段用低成本、速度快的模型批量出图,定稿阶段再使用质量更高的模型精修。没有必要让所有环节都使用最贵的模型。
  • 压缩无效调用。 提示词模板化、参考图复用,能明显减少试错次数。
  • 统一计量。 按项目归集调用量,每个交付节点汇总一次。

建议用下面的模板记录(数据为示例):

项目 模型名称 调用次数 单价(元/次) 调用费用(元) 返工工时(小时) 合计成本(元)
某活动海报 模型A(草稿) 120 0.10 12.00 6 12.00 + 6 × 时薪
某活动海报 模型B(精修) 15 0.50 7.50 2 7.50 + 2 × 时薪

合计成本等于调用费用加上返工工时乘以时薪。只有把返工工时算进去,才能看清AI是否真的节省了成本,报价时也才能合理计入AI成本。

选型时,可以对比不同模型的单价、调用限额、出图质量和返工率,并用同一批真实需求做小规模测试。只看单价而忽略返工成本,判断容易出错。

六、给设计师和团队的三条建议

个人层面:向复合型人才发展。 基本功扎实、又善于使用AI的人,更容易获得企业认可。纯执行岗位的议价能力在下降,能把控质量、定义需求、驾驭工具的人,议价空间相对更大。若想系统补充大模型原理和应用开发知识,可以选择正规课程或书籍,并结合自己的项目练习。

团队层面:不要只看人数账。 有团队通过缩减人员节省了人力成本,也有团队因”换人上AI”同时损害了质量和客户信任。更稳妥的做法,是保留资深设计师作为质量把关人,让AI承担产能。

商务层面:提前确定披露策略。 是否告知甲方使用了AI、如何定价,应在合作前形成公司统一口径。同时要关注版权与合同条款,例如生成内容的权属、训练数据来源,以及甲方是否允许使用AI工具。被动被发现后再降价,损失通常远大于主动说明。

写在最后

AI不会淘汰设计师,但会淘汰只做执行的那部分工作。能否把AI当作可控的生产工具,让结果可预期、可复核,决定了设计师在这轮变化中的位置。

发表评论

活动