通用汽车UX研究员的反直觉发现：Figma Make并不是为了“更快出稿”

在通用汽车的UX研究团队里，Figma Make被用来做一件反直觉的事：不是替代设计师，而是让研究反馈“更容易被看懂”。更意外的是，真正拉开效果差距的，不是模型能力，而是提示工程与Copilot的配合方式。

最反直觉的一幕：研究员用生成式设计，不是为了设计

这支视频一上来就打破了很多人对“AI+设计”的刻板印象。Laura 作为通用汽车（GM）的 UX 研究员，展示 Figma Make 的使用方式时，并没有追求“快速产出一个更酷的方案”。她真正想做的，只是给设计师反馈一个服务流程的问题。

她的做法很“朴素”：把已有界面的截图丢进一个新的 Figma 文件，然后直接交给 Figma Make 生成一个可交互的原型。这里的关键不在于“生成”，而在于“可视化”。

研究报告、文字说明、会议纪要，这些都是设计师每天要消化的输入。而 Figma Make 的价值，在于把研究员脑子里的模糊想法，变成一个“你一眼就能看懂”的东西。正如视频里反复强调的那样：让反馈更容易被消费（easier to consume），比让方案更完美重要得多。

真正拉开差距的不是模型，而是提示工程

如果你以为这只是“把截图丢给 AI 然后等奇迹发生”，那就低估了这个过程。

Laura 明确提到，她一开始的 prompt 并不理想，甚至会让 Figma Make“误解”她的意思。流程步骤没对、页面结构不符合预期，生成结果看起来“很像现在的网站”，但并没有解决问题。

转折点出现在 Copilot 的介入上。她把自己的想法当作一种“意识流”，先随手写下来，然后让 Copilot 帮她重构成一个更清晰、更可执行的 prompt。她直言：这个 prompt 比她纯手写的版本要好得多。

这其实点破了一个行业真相：生成式工具的上限，越来越取决于你如何表达问题，而不是工具本身有多聪明。100% 人类写的 prompt 可以用，但在设计细节和结构清晰度上，Copilot 辅助过的版本明显更优。

质量控制不是点按钮，而是不断“纠偏”

视频中最真实、也最有价值的部分，是 Laura 现场“翻车”的过程。

她生成了一个流程原型后，很快发现：这不是她想要的。于是她没有推翻重来，而是做了两件事：第一，自己完整地走一遍流程；第二，用更具体的语言去修正 AI，比如明确提出“移除步骤追踪器”“所有内容放在同一页”。

这揭示了 Figma Make 在真实工作流中的位置——它不是一个一次性生成正确答案的黑箱，而更像一个需要被不断校准的合作者。研究员的价值，并没有因为 AI 而消失，反而转移到了判断、取舍和纠偏上。

在这个过程中，‘具体’就是质量控制的代名词。越偷懒、越抽象，AI 给你的结果就越像“默认答案”；越具体、越贴近业务语境，生成结果才越有讨论价值。

为什么设计师反而更愿意接受这种反馈

视频里有一个很值得玩味的问题：当研究员第一次直接丢给设计师一个 Figma Make 的原型链接时，对方是什么反应？

答案并不戏剧化，但很现实——这种方式更容易被接受。原因不在于 AI，而在于媒介。相比长文档或口头描述，一个可以点、可以看、可以马上理解意图的原型，本身就降低了沟通成本。

这也是 Laura 反复强调“visualizing it”的原因。研究结论并没有变，设计判断也没有越权，但信息的呈现方式彻底不同了。Figma Make 在这里充当的，是一种“翻译器”，把研究语言翻译成设计师熟悉的形式。

从这个角度看，这类工具并不是在挑战设计师，而是在重塑研究员与设计师之间的协作边界。

总结

这支来自 Figma 的视频，真正有价值的地方，并不在于展示了一个多强大的生成能力，而在于揭示了一个工作方式的转变：AI 让“想法成形”的成本大幅降低，但判断、表达和具体化，反而变得更重要。

如果你是设计师或研究员，可以立刻尝试三件事：把模糊反馈先可视化；用 Copilot 或类似工具重写你的 prompt；把 AI 生成物当成讨论起点，而不是结论。未来真正拉开差距的，不是会不会用工具，而是谁更懂得如何和它协作。

关键词： Figma Make， UX研究， 提示工程， GitHub Copilot， 生成式设计

事实核查备注： 需要核查：视频发布时间（2026-01-28）；展示者 Laura 的具体职位是否为通用汽车 UX 研究员；视频中关于 Copilot 提升 prompt 质量的原话表述；Figma Make 的产品名称与功能描述是否与视频一致