Figma 内部一场对话炸出真相：AI 没让工作更快，反而逼我们重做一切

当所有人都在讨论“AI 能帮我们把工作提速多少倍”时，Figma 的这场内部对谈却抛出一个反直觉结论：真正被 AI 改变的不是效率，而是“什么叫工作本身”。从远程协作到 AI UX 审计，这是一场让从业者坐不住的对话。

最反直觉的共识：AI 没有简化工作，而是让工作变得更复杂

对话一开始，Andrew Hogan 抛出一个看似温和、实则颠覆的判断：我们正在经历的，不是工具升级，而是“工作形态”的整体迁移。远程办公人数比疫情前增长了 5 倍，项目中参与的人更多、角色更杂，工作不再有一个清晰的“完成时刻”，而是永远处在 Work in Progress。

Ritesh Gupta 的回应很关键。他没有从技术出发，而是从教育和组织的视角“踩刹车”：如果你觉得现在的工作更混乱，那不是你的错。问题不在于人是否不够高效，而在于我们仍在用旧的协作和评估方式，去套一个已经被 AI 和分布式协作彻底改变的现实。

一句话点破本质：AI 并没有帮我们减少复杂度，它只是把原本被掩盖的复杂度全部暴露出来了。

协作正在变质：不是一起干活的人多了，而是“选谁一起干活”变了

Gupta 提到一个容易被忽略的变化：协作的核心，不再是“谁最厉害”，而是“谁更贴近被服务的人”。

当产品面对的是高度多样化的人群，如果你的团队背景单一，那你做出来的体验几乎注定存在盲区。这不是政治正确，而是纯粹的产品风险。他直言不讳地指出：如果团队成员的生活经验无法覆盖用户真实处境，再多用户调研都只是打补丁。

这也解释了为什么他反复强调身份、多样性、以及神经多样性（neurodivergence）。不是为了代表性好看，而是因为复杂系统需要不同感知方式的人来共同理解。AI 放大了系统规模，也同步放大了这些盲区。

研究不再是第一步，而是一条贯穿始终的暗线

在这场对谈中，一个非常“反流程”的观点被反复强调：研究不应该只发生在项目最开始。

Gupta 认为，在 AI 参与决策和生成的环境里，研究更像是一种持续性的校准机制，而不是阶段性交付物。因为输入在变、模型在变、用户行为也在变，如果你仍然把 research 当作“前置步骤”，那它几乎立刻就会过期。

这也是他提出所谓“0.5 阶段”的背景：介于构想与执行之间，不是为了多加一道流程，而是给团队一个不断修正理解的缓冲层。AI 让试错成本下降，但理解错误的放大效应却更大。

被忽视的风险：AI 推荐，可能正在系统性地变差

当话题转向 AI，Gupta 抛出了一个让人警觉的判断：不是所有 AI 都在变好，有些推荐系统反而在变差。

原因并不神秘——模型越来越多地在“模型生成的数据”上学习，而不是来自真实世界的反馈。这会导致体验趋同、偏见被放大、边缘用户被进一步忽略。

这正是他强调 AI UX 审计（AI UX Audits）的原因：如果我们不去系统性地检查 AI 在真实使用情境中的影响，它就会在不知不觉中塑造行为、限制选择。设计师和研究者的角色，不是给 AI 画更漂亮的界面，而是持续质疑：它在替谁做决定？谁被排除在外？

远程办公的暗面：Proximity Hiring 和 Proximity Firing

讨论到工作的“人性层面”，一个词被点名批评：Proximity Hiring / Proximity Firing。

即便在远程环境中，管理者依然更容易信任、提拔、甚至保留“离自己更近”的人——不管是物理距离、时区，还是沟通风格。这种偏差在 AI 工具的加持下并不会自动消失，反而可能被数据合理化。

Gupta 的提醒很直接：如果不主动设计公平机制，远程工作并不会天然更公平。AI 也一样，它只会放大你原本就存在的价值观。

总结

这场 FigBrew 对谈真正有价值的地方，不在于预测 AI 会多强，而在于逼我们重新回答一个老问题：什么才算“把工作做好”。当工作变成持续协作、当 AI 参与决策、当团队高度分布式，能力不再只是产出速度，而是理解复杂系统的能力。

对 AI 从业者来说，最现实的行动建议只有三个：第一，把研究从“阶段任务”升级为“持续能力”；第二，开始认真审视 AI 的真实使用后果，而不只是指标；第三，意识到你正在参与设计的，不只是产品，还有未来的工作方式本身。这个选择，无法外包给 AI。

关键词： 生成式AI， AI UX 审计， 未来工作方式， 远程协作， Figma

事实核查备注： 需要核查：远程办公人数增长“5 倍”的具体数据来源；Ritesh Gupta 的职务与 Useful School 的官方介绍；“0.5 阶段”是否为对话中的原话还是概念性称呼；关于 AI 推荐系统变差的具体研究或案例是否在视频中被明确引用。