AI とデザイン 月次学術ウォッチ（2026年9月〜10月）

関連: AI とデザイン 月次学術ウォッチ（2026年8月〜9月）（前回の月次ウォッチ）／AI とデザイン 月次学術ウォッチ（2026年7月〜8月）（前々回）／AI とデザイン 月次学術ウォッチ（2026年6月〜7月）（第1回）／デザイン業界における AI 活用 — 学術レビュー（2026）（デザイン領域全体のAI活用文献レビュー）／デザイン教育のAI適応 — カリキュラム改革の現在地と構造的課題（デザイン教育カリキュラム改革）／今後5年間で価値が出るデザイナーキャリア — 学術レビュー（2026）（デザイナーの職能価値）。

前回の窓は7件にとどまり、制御性と主体性を扱うツール研究と、教育現場の負の効果の報告が別々に並走する状態で終わった。 今回の窓（2026年9月8日から10月5日）では12件を収録した。 今回は、その並走が実務の数字と教育のメタ分析という新しい材料でどう動くかを見る。 収録の内訳は、実務の調査と実験が3件、ツール研究が3件、教育が5件、方法論の提案が1件である。

実務ではAI利用が工程の後ろほど落ち、時間短縮は職能で偏る

Tajarmakan と Hojjati Emami は、43か国のデザイナー443名への調査で、ダブルダイヤモンド（Discover、Define、Develop、Deliver）の各工程でのAI利用を尋ねた（2026）。 少なくとも1工程で利用を確認できた採用者は353名（79.7%）だった。 ただし採用者が使った工程は平均2.89（4工程中）にとどまり、最初の工程を残して最後の工程から手を引く傾向があった。 採用者と非採用者で差が出た障壁は、本文の障壁表では「有用性の低さ」だけで、採用者の16.4%に対し非採用者の40.5%が挙げた（Holm 補正後 p < .001）。 コストと雇用不安は補正前には名目上有意だったが、補正後には残らず、方向も採用者のほうが多く挙げる側だった。 同論文は、AIの利用強度の低下は、各人が使う量を減らしたからではなく、使う人が減ったからだと報告している。

Stewart らは、同じ「AIは時間を節約するか」という問いに無作為化実験で答えた（2026）。 プロダクトデザイナー50名とプロダクトマネージャー（PM）50名が、Figma Make の使用可否を割り当てられて3つの標準課題を行った。 課題を完了した参加者の完了時間は、課題間で平均すると約20%短かった（平均限界効果 10分53秒、p = 0.0014）。 利得はPMで大きく、PMは実験全体の所要時間が35%短縮した。 プロダクトデザイナーで有意だったのは課題3だけ（26%短縮）で、全体の17%短縮は「ぎりぎり有意」にとどまる。 著者らは、prompt-to-design ツールがPMのデザインへの関与を広げうる一方、デザイナーへの利益は課題依存かもしれないと述べる。 時間という単一の指標では、利得は職能の違いに沿って偏って現れた。

建築の側でも、Yiannoudes の系統的評価（International Journal of Architectural Computing, 2026）は、65本の査読論文の67事例を6指標の「実務関与指数」で採点した。 要旨によれば、現実の制約との整合（62.6%）と一般的な建物種別（58.2%）は多くの事例が満たす一方、ワークフローの利用しやすさが高い事例は17.9%、低い事例が50.7%だった。 本文は有料のため取得できず、数値は要旨に基づく（検証証跡を参照）。 研究の新規性が日常の実務ツールに落ちない、というこの要旨の診断は、Tajarmakan らが示した後工程での離脱と同じ向きにある。

ツール研究は、設計知を段階化し、発話と共に使い、顧客と共有する

Yang らの Scanvas（2026）は、LLMによる発想支援が「機能の混ぜ合わせ」に偏ることを問題にし、アイデアを構成要素、振る舞い、余剰、課題へ分解してから、目標の強化、弱点の資源化、構成要素の共有という3つの演算子で探索する仕組みを提示した。 プロの12名を対象とした被験者内実験で、専門家評価はベースラインより有意に高かった（4つの評価軸のすべてで p ≤ .001）。 前回の LegoUI が生成過程を人間が追える形に段階化したのに対し、Scanvas は設計理論（シナジー）を探索の演算子として組み込む。 段階化の対象が出力の来歴から発想の構造へ移っている。

Shi らの CommSketch（2026）は、スケッチだけの条件と、スケッチに同時発話を加えた条件を24名の被験者間実験で比べた。 発話を加えた条件では、AIとの知覚上の整合が有意に高かった（p < .05）。 著者らは、これを設計意図の共有が進んだ結果と解釈している。 作業中の work-in-progress 論文であり、標本も小さい。

Zhang と Wang は、11組の建築家と施主が、ビデオ会議越しに生成画像AIで「夢の家」の初期レンダリングを共同制作する様子を調べた（2026）。 画像が具体的な素材になって共通理解を支え、施主が方向づけに積極的に加わった一方、特定の様式への偏りと、生成のばらつきによる方向の予期しない変化が問題になった。 前回までのツール研究は設計者の制御性を扱っていたが、この研究は設計者と非設計者の間の合意形成にAIが入ったときの動きを扱う。 Stewart らの結果（PMへの利得の偏り）と合わせると、2件はどちらも、デザイナーと非デザイナーの組にAIが入る場面を扱っている。

教育の肯定的な効果と否定的な徴候は、測る対象が違う

Chiang のメタ分析（International Journal of Technology and Design Education, 2026）は、2023年から2026年の統制研究27件（N = 2,847）を統合し、全体で d = 0.60（95%信頼区間 [0.55, 0.65]）を報告した。 要旨によれば、教員と学生の協働の利用様式が最大（d = 0.89）、成果の種類では創造的能力が最大（d = 0.71）で、AIツールの種類、指導の段階、デザイン分野による差は検出されなかった。 著者は、ツールの種類より教育的な構成のほうが効いている可能性があるが、サブグループの研究数の少なさと介入期間の短さには注意が要ると述べる。 本文は有料のため要旨の範囲にとどまる。

これに対し、Xiao らは建築設計スタジオの学部生27名（7チーム）で、生成AIと拡張現実を統合した GenARch を4チームが使い、3チームが使わない比較を行った（2026）。 自己効力の「自信」では、GenARch 条件のほうが事前から事後への低下が大きかった（差の差 −1.675、p = 0.021）。 専門家パネルの評価する発表成果には、条件間の有意差がなかった。 一方、チームワーク尺度の「対立の管理」は、差の差が正で有意だった（β = 0.479、p = 0.014）。他の下位尺度に有意な差はなかった。 インタビューでは、生成AIが発想の外在化に、XRが空間評価に役立ったと報告された。 著者らは、この低下を、学生が未知の操作を学びながら生成物の適否を判断していたという実装上の困難と併せて読むよう述べる。4チームと3チームの比較では、低下の原因をAIそのものと実装の困難に切り分けられない。

メタ分析の「創造的能力が伸びる」という集計と、スタジオの「自信が下がる」という観察は、矛盾とは言えない。 前者は統制研究の学習成果の平均であり、後者は一つのスタジオの自己評価である。 どちらも、AIが成果とは別の次元（意思決定、依存、自己認識）に及ぼす影響を、同じ尺度で測っていない。

その別の次元に踏み込んだのが、依存と判断を扱う2件である。 An らの混合研究（International Journal of Technology and Design Education, 2026）は、デザイン学生317名の調査で、AIの利用頻度が高いほど読む、書く、創造という3次元のすべてで依存が強く、創造の次元の説明力が最大だったと報告している（要旨）。 Huh らの調査（Education Sciences, 2026）は、デザイン学生112名が、概念開発、調査、文章化でAIを多く使い、視覚的な仕上げや技術文書、後期の工程では使わず、プロジェクトの進行につれて選択的になったと報告している（要旨）。 教員の期待、同級生の影響、否定的に評価される懸念がAIの利用判断と関連し、著者らは、この選択性をAIが設計過程に関与する範囲の境界設定と解釈している。 Tajarmakan らの実務調査でAI利用が後の工程ほど減っていたのと、Huh らの学生が後期の工程でAIを控えていたのは、同じ向きの現象だが、前者は職業設計者、後者は学生で、工程の区切りも違うため、同一の機構とは言えない。

Ahmed の混合研究（Frontiers in Education, 2026）は、グラフィックデザイン教育を事例に、調査270名（探索的因子分析の有効回答265）とデザイン教員・実務者12名のインタビュー（650の意味単位）を統合し、「Bot-Haus Curriculum Architecture」を提案した。 著者自身が、量的な成果は検証済みの潜在構成概念ではないと明記しており、この枠組みは実証に基づく設計案として読むのが妥当である。

方法論の提案：HCIの設計知を、AIが読めるスキルにする

Conklin らの論文（2026）は、LLMが自然言語の課題記述から動くUIを生成できるようになったことを前提に、Nielsen のヒューリスティクス、Norman の affordance、WCAG の達成基準などの古典的な設計知を、生成エージェントが実行時に読み込む skill.md ファイルとして符号化する研究課題を提示している。 実証研究ではなく、枠組みの提案である。 設計知を、完成した成果物の性質ではなく、生成過程の性質にするという方向は、このウォッチが追ってきた「制御性をどこに置くか」の問いの、設計知の側からの答えにあたる。

空白（未充足の論点）

第一に、教育の肯定と否定は今回も同じ尺度で比べられていない。 Chiang のメタ分析は本文を確認できず、27件の個別研究がどの成果指標を使ったかを検証できていない。 自己効力、依存、意思決定の質を同じ設計で測り、AIの利用様式（協働、単独）で分ける研究が要る。

第二に、実務の数字は2件とも自己申告か単一ツールに限られる。 Tajarmakan らは調査であり、Stewart らは Figma Make という単一の製品を対象にした実験である。 工程の後ろでAI利用が減る理由は、調査では有用性の低さしか示されておらず、機構は未確定である。

第三に、前回から持ち越した DRS 2026 の関連論文と、ACM Digital Library の C&C ‘26 一覧は今回も探索していない。

読み方の注記

今回の窓には大規模学会の会期が入っていないため、arXiv の cs.HC と Crossref の出版日 2026-09-08 から 2026-10-05 の査読誌論文から収集した。 12件のうち、arXiv プレプリントは7件（Tajarmakan、Stewart、Yang、Shi、Zhang、Xiao、Conklin）で、いずれも未査読である。 査読誌論文の Chiang、An、Yiannoudes、Huh は本文を取得できず、要旨の範囲で記述した。 Ahmed は全文を取得したが、結果の記述は要旨と表題の範囲にとどめた。 出典追跡の詳細はコーパスの Provenance 節と検証証跡の節に記録した。

参照文献

すべて2026年10月5日にアクセス。

• Tajarmakan, S., Hojjati Emami, K. “AI Tools Adoption across the Double Diamond Workflow: Phase, Mode, and Barriers in Designer Practice.” arXiv（未査読）. https://arxiv.org/abs/2609.34655
• Stewart, R., Anise, O., Hogan, A., Griffin, A. “Does AI Save Time on Product Design? A Randomized Controlled Experiment of AI Prompt-to-Design Workflows.” arXiv（未査読）. https://arxiv.org/abs/2609.26725
• Yang, Y., Kittur, A., Wang, H. H., Martelaro, N., Klenk, M., Chen, Y.-Y., Hong, M. K. “Scanvas: Discovering and Developing Synergistic Opportunities in Generative Design Spaces.” arXiv（未査読）. https://arxiv.org/abs/2609.34062
• Shi, W., Lim, D., Quek, G., Choo, K. T. W. “CommSketch: How Speaking while Sketching Steers Human-AI Design Ideation.” arXiv（未査読）. https://arxiv.org/abs/2609.37813
• Zhang, C., Wang, W. “Exploring the Affordances of Generative Image AI for Supporting Early-stage Architect-client Communication.” arXiv（未査読）. https://arxiv.org/abs/2609.34118
• Xiao, Y., Chen, M., Li, Y., Powers, N., Wiesenfeld, M., Smith, G., Farzin, S., Liu, S. “Generative AI and Extended Reality in Collaborative Architectural Design Education: An Exploratory Studio Study.” arXiv（未査読）. https://arxiv.org/abs/2609.13494
• Huh, M. B., Tural, A., Tural, E. “Students’ Generative AI Use in Studio-Based Design Education: Selective Use, Design Judgment, and Studio Context.” Education Sciences, 16(10), 1634. https://doi.org/10.3390/educsci16101634
• Chiang, S.-B. “Effectiveness of generative AI in higher education design pedagogy: a meta-analysis of usage modes.” International Journal of Technology and Design Education. https://doi.org/10.1007/s10798-026-10122-6
• An, B., Zhu, C. W., Dong, H. “Understanding design students’ dependency on generative AI tools: a mixed-methods investigation across reading, writing, and creative dimensions.” International Journal of Technology and Design Education. https://doi.org/10.1007/s10798-026-10113-7
• Ahmed, M. K. M. “Reconfiguring graphic design education for generative AI in higher education: a human-agency and adaptive-curriculum framework.” Frontiers in Education, 11, 1972794. https://doi.org/10.3389/feduc.2026.1972794
• Yiannoudes, S. “Practice readiness in generative and AI-driven architectural design: A systematic assessment.” International Journal of Architectural Computing. https://doi.org/10.1177/14780771261488679
• Conklin, N., Capra, M., North, C. “Automating the Application of HCI Principles: Skills for On-Demand UI Construction, the Human-AI Space to Think, and the Future of HCI.” arXiv（未査読）. https://arxiv.org/abs/2610.02369