AI とデザイン 月次学術ウォッチ（2026年10月〜11月）

関連: AI とデザイン 月次学術ウォッチ（2026年9月〜10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8月〜9月）（前々回）／AI とデザイン 月次学術ウォッチ（2026年7月〜8月）（第2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）。

前回は、実務の数字（AI利用は工程の後ろほど落ち、時間短縮はプロダクトマネージャーに偏る）と、教育の肯定的な効果と否定的な徴候が、別々の尺度で並んだ。 今回の窓（2026年10月6日から11月2日）では12件を収録した。 内訳は、AIが制作過程のどこに入るかを扱う実験とベンチマークが2件、協働の場面を扱う質的研究が2件、職業としてのデザイン実務が2件、教育が6件である。 前回の「どこで使うか」という問いが、今回は「いつ入れるか」という問いとして実験で測られた。

AIをいつ入れるかで、チームの創造性が変わる

Huang らは、3人1組のチーム148組（444名）を、同じ言語モデルへのアクセスの5つの時間割に無作為に割り当てた（2026）。 課題は40分のプロダクトデザインで、探索15分、選択15分、見直し10分の3段階に分かれる。 中心の2条件は、同じ15分のアクセスを探索段階に置くか（早期アクセス）、選択段階に置くか（後期アクセス）だけが違う。 チームあたりの問い合わせ数は14.9回と13.8回で、使用量はほぼ同じだった。 それでも専門家評価の創造性は、早期アクセスが後期アクセスより0.356点高かった（Hedges の g = 0.62、Welch p = 0.018）。 後期アクセスは、AIなしの条件に対して検出できる利得を生まなかった。早期アクセスはAIなしより0.486点高い（g = 0.83）。

この差の出どころを、著者らはプラットフォームのログで追っている。 早期アクセスのチームは、選別の関門に着くまでに、区別できる案を約4件から約20件へ、およそ5倍に増やし、そこから3件未満に絞った。 後期アクセスのチームは、AIなしのチームと同じ小さな案の束を持って選択段階に入り、そこで改めて案を探した。選択段階の問い合わせの29%が新しい案の生成に使われ、継続してアクセスできた条件の11%を上回る。 後期アクセスのチームは、AIなしのチームより73%多くの提案を提出したが、創造性の評価は上がらなかった。著者らは、この利得を量であって質ではないと整理している。 言語モデルを評価者にすると、AIを使うこと自体の効果は再現したが、時機の代償は拾えなかった。

標本は平均21.6歳の学部生から博士課程までの参加者で、課題は一つである。 プレプリントで、査読版は確認できていない。職業デザイナーの実際の工程に当てはめるには、さらに別の確認が要る。 それでも、前回の Tajarmakan らの調査で、採用者がAIを使う工程が平均2.89工程にとどまり後ろの工程から手を引いていたことと並べると、手を引く場所が選択段階に近いほど、この実験の「後期アクセス」に当たる使い方になりうる。 これは二つの研究を並べた推測であり、調査の回答者がどの段階で何を選んでいたかは、調査からは分からない。

案を増やした先で、案が互いに似ているなら、増やすことの価値は変わる。 Rusia らの Design Creativity Bench は、この問いをUI生成で測った（2026）。 15のモデルに、同じ目標でプロダクトの領域だけを変えた2つの短い指示を与え、独創性（同じ指示への別モデルの設計との違い）、創造の幅（指示の領域を変えたときの設計の変わり方）、適切性（指示の受け入れ基準を満たす割合）を数値にした。 独創性は、モデル同士の組で0.592（95%信頼区間 [0.582, 0.602]）、人間とモデルの組で0.764だった。 創造の幅は、モデルが0.581、人間の設計が0.902だった。 適切性は全モデルで90%を超え、最良のモデルは99.2%（人間の設計は98.0%）に達した。 著者らは、既定の出力は適切だが人間の基準より反復的だと結論づけている。

ただし、著者は全員 UI 生成の製品を開発する企業（Kombai Inc.）に所属し、論文に利害の記載がある。ライブのリーダーボードも同社が運営する。 人間の基準は、複数のデザイナーが公開のインスピレーション集の参照を指示に合わせて翻案した設計であり、白紙から発想した設計ではない。 査読を経ていないベンチマークの値として、独立の追試を待つ位置づけで読むのが妥当である。

協働の場面で、AIは橋にも壁にもなる

前回の Zhang と Wang、および Stewart らの結果は、設計者と非設計者の組にAIが入る場面を示していた。 今回は、その組をより細かく見る研究が2件ある。

Shi らの DuoSketch は、2人1組が共有キャンバスと同時の発話の書き起こしを見ながら、それぞれ別のAIを使って発想を進めるシステムである（2026）。 シンガポールの12組（24名）を対象とした探索的な質的研究で、3つの困難が見つかった。AIの提案と共有された設計目的の適合が解消しないこと、共有された意味がAIの応答に表れないこと、合意した変更が後の出力に反映されないことである。 組は、この困難を二方向の橋渡しの作業で乗り越えていた。AIの出力を共有された設計に引き寄せる方向（特徴の作り替え、用途の展開、要件への適合の評価）と、共有された設計をAIに渡す方向（材料の提示、意味の説明、決定の伝達）である。 作業中の論文で、標本も小さい。前回の CommSketch と同じ研究グループによる。

Kim らの研究は、ゲーム開発の物語作家10名と視覚デザイナー10名を対象に、準構造化インタビューと参加型デザインを組み合わせた（Proceedings of the ACM on Human-Computer Interaction, CSCW 2026）。 生成AIは個人の補助を超えて、創作意図の整合、共通理解の維持、創作者間の摩擦の緩和という媒介の役を担いうると報告されている。 同時に、創作者同士の会話を減らし、相互の信頼を損ない、対人関係と協働の過程を作り替えるという懸念も挙がった。 DuoSketch が橋渡しの作業の担い手を人間の側に見いだしたのに対し、この研究は、橋の役をAIが代わりに引き受けたときの代償を問題にしている。 どちらも、参加者は専門領域の違いや組という単位で見られており、AIの有無を比べる設計ではない。

職業としてのデザインは、足場と引き換えに標準化を求められる

Wadinambiarachchi らは、UX、UI、グラフィックのプロのデザイナー20名（多くはグローバルサウスの出身）に準構造化インタビューを行い、リフレクシブ・テーマ分析で読んだ（International Journal of Human-Computer Studies, 2026）。 著者らは「アクセスの逆説」を報告する。AIは参加者の仕事に不可欠な足場を与えるが、同時に、状況に根ざした文化的表現を押し狭める「標準化税」を課すという。 本文は取得できず、国別の内訳や、標準化税が語られた具体的な場面は確認していない。要旨の範囲で述べる。 Design Creativity Bench が測った既定出力の反復性は、この標準化税を出力の側から見た数値である可能性があるが、対象も方法も異なるため、同じ現象とは言えない。

Huang（2026）は、英国の映画、ゲーム、ライブ公演の実務者21名へのインタビューから、生成AIが、絶えず再訓練し、作業の手順を組み替え、技能を更新することを要請する労働様式を標準化していると論じる（Media, Culture & Society）。 その要請は不均等で、見返りも不確かで、AIは生産できる範囲を広げても、交渉力、キャリアの安定、承認といった、主張できるものを必ずしも広げないという。 デザイン専業の研究ではなく、本文も取得できていない。周辺文献として記す。

教育では、自己信念の動き方、置き換えの線引き、枠組みの提案が並ぶ

Han と Cao は、中国2校の美術とデザインの学部生829名（40クラス）への横断調査で、自己申告のプロンプト能力が学習への関与と正に関連し（β = 0.54）、関与が創造的自己効力（β = 0.62）と創造的な個人的アイデンティティ（β = 0.47）の両方と正に関連することを示した（Frontiers in Psychology, 2026）。 プロンプト能力と関与の関連は、認知的依存が高い学生で弱かった。ただし交互作用はすべて小さい。 著者ら自身が、自己申告の横断データであり、縦断と行動の検証が要ると述べる。

Li らの日誌法は、その縦断の側にあたる（Frontiers in Psychology, 2026）。 中国のデザイン学部生260名に14授業日にわたり、毎日のAI利用とデザイン学習の自己効力を尋ね、3,558人日の観測をベイズ動的構造方程式モデルで分析した。 ある日にいつもより多くAIを使うと、翌授業日の自己効力が高く（β = 0.043、95%信用区間 [0.006, 0.077]）、自己効力が高かった日の翌日にAI利用が多い（β = 0.059、[0.023, 0.095]）。往復はするが、どちらも小さい。 基準時点の「困りごと」が多い学生ほど、AI利用から翌日の自己効力への関連が強かった（β = 0.458）。 前回の Xiao らは、建築スタジオの7チームの比較で、AIを使った条件の自信の低下を報告した。この日誌法はそれと逆の符号の関連を示すが、前者は事前から事後への比較、後者は個人内の日々の変動であり、同じ量の反証にはならない。

Zhu の研究は、調査と実験の2段で構成される（Frontiers in Psychology, 2026）。 研究1は、美術学生450名の構造方程式モデリングで、AIへの信頼が利用意図を最もよく予測し（β = 0.425）、モデルは利用意図の分散の59.7%を説明した。 研究2は、80名を無作為に40名ずつに割り当て、メタ認知プロンプトを与える群と与えない群を比べた。専門家評価は、意味内容（d = 0.67）、視覚様式（d = 1.30）、空間構成（d = 0.63）のいずれも、プロンプトを与えた群が上回り、出力の多様性も高かった。 研究2は信頼の媒介経路を検証しておらず（著者が明記）、対象は美術学生である。デザイン教育への移し替えには、別の確認が要る。

John Luan と Murphy は、豪州の大学のデジタルメディア学生48名（母集団120名）に、AIの関与の許容できる形と問題のある形を尋ねた（Education Sciences, 2026）。 回答者は、AIの訓練の慣行（93.6%）、雇用機会の減少（89.4%）、AIを使う課題の倫理的許容性（83.0%）、環境負荷（80.9%）、創造的技能の発達の低下（76.6%）を懸念した。著者は、これらの割合を知覚されたリスクであり実証された成果ではないと明記している。 学生は、限定された技術的、修正的、組織的な補助と、発想、調査、計画、理解、能力形成を肩代わりするものとを区別し、著者は、その区別を説明する暫定的な枠組みとして「条件つきの正当性」を提案している。 標本は小さく、本文は取得できていない。要旨の範囲で述べる。

Fatnassi（2026）は、プロダクトデザインのスタジオに、4つの指針、5段階のスタジオモデル、利用を規制する仕組みから成る教育の枠組み（「規制された共知性」）を提案した（The International Journal of Design Education）。 要旨は、これを将来の実証研究の概念的基礎と位置づけている。 Kayabaşı（2026）は、PRISMA 2020 に沿い、グラフィック、視覚コミュニケーション、アニメーション、ゲーム、UI/UX の5分野から各20本、計100本を比較した（ODÜSOBİAD）。 分野によってAIの役割は異なり、たとえば UI/UX ではユーザー行動のモデル化とプロトタイピングを担うという。独創性、著作権、デザイナー像の変化は全分野に共通する課題として挙がった。 2件とも本文は取得できていない。

空白（未充足の論点）

第一に、「いつ入れるか」の実験は、学生の標本と一つの課題に限られる。 Huang らの結果が職業デザイナーの工程で成り立つかを、工程の段階とAIの到着時機を記録した実務の研究で確かめた例は、今回の窓には見当たらない。

第二に、既定出力の反復性を示す唯一の数値は、利害のある著者による未査読のベンチマークである。 独立の評価と、人間の基準の作り方を変えた追試が要る。

第三に、教育の6件は、自己申告の調査か小標本が中心で、デザイン課題の成果物の質を縦断で追った研究は含まれない。 Li らの日誌法が自己効力を日ごとに追い、Zhu の実験が成果物を評価するが、前者は成果物を、後者は継続の過程を見ていない。

第四に、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、今回も探索できていない。

読み方の注記

今回の窓には大規模学会の会期が入っておらず、arXiv（cs.HC を含む）と Crossref の出版日 2026-10-06 から 2026-11-02 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3件（Huang ら、Shi ら、Rusia ら）で、いずれも未査読である。Kim らは arXiv 版と ACM の査読版（CSCW 2026）が対応し、書誌は査読版に揃えた。 Frontiers の3件（Han と Cao、Li ら、Zhu）と arXiv の4件は本文を取得して照合した。 Wadinambiarachchi ら、Huang（2026）、John Luan と Murphy、Fatnassi、Kayabaşı の5件は本文を取得できず、要旨の範囲で記述した。 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11月2日にアクセス。

• Huang, D., Yu, S., Chen, F., Zhou, W. “Too Late to Prune: Generative AI, the Screen, and Team Creative Decisions.” arXiv（未査読）. https://arxiv.org/abs/2610.14984
• Rusia, A., Bhole, A., Gupta, P., Dey, D. “Design Creativity Bench: Measuring creativity in LLM-Generated UI.” arXiv（未査読、v2）. https://arxiv.org/abs/2610.11539
• Shi, W., Lim, D., Quek, G., Choo, K. T. W. “DuoSketch: How Pairs Navigate Challenges in AI-Supported Collaborative Design Ideation.” arXiv（未査読）. https://arxiv.org/abs/2610.10249
• Kim, H., Kim, J., Choi, Y. J. “Generative AI as a Mediator in Creator Collaboration: Challenges, Design Opportunities, and Concerns.” Proceedings of the ACM on Human-Computer Interaction, 10(6), CSCW092. https://doi.org/10.1145/3816940
• Wadinambiarachchi, S., Waycott, J., Wadley, G. “Asymmetric encounters with AI: Professional designers’ perceptions and integration of AI tools.” International Journal of Human-Computer Studies, 216, 103891. https://doi.org/10.1016/j.ijhcs.2026.103891
• Huang, J. “Self-programmable creative labour: Generative AI and the reorganisation of work in the UK creative industries.” Media, Culture & Society. https://doi.org/10.1177/01634437261494891
• Han, L., Cao, Z. “Learning engagement and creative self-beliefs in generative AI-supported design education: self-reported prompt literacy and dimensions of AI dependence.” Frontiers in Psychology, 17, 1957097. https://doi.org/10.3389/fpsyg.2026.1957097
• Li, Y., Yang, Y., Bao, S. “How generative AI becomes embedded in design learning: a 14-instructional-day intensive longitudinal study of reciprocal dynamics between AI use and self-efficacy.” Frontiers in Psychology, 17, 1975841. https://doi.org/10.3389/fpsyg.2026.1975841
• Zhu, R. “Supporting creative agency: metacognitive control and trust in generative AI art education.” Frontiers in Psychology, 17, 1997631. https://doi.org/10.3389/fpsyg.2026.1997631
• John Luan, R., Murphy, B. “Beyond Acceptance and Resistance: Digital Media Students’ Judgements of Generative AI Assistance and Perceived Creative Replacement.” Education Sciences, 16(10), 1725. https://doi.org/10.3390/educsci16101725
• Fatnassi, M. “AI-Augmented Studio Pedagogy.” The International Journal of Design Education. https://doi.org/10.18848/2325-128x/cgp/a356
• Kayabaşı, Y. “Generative AI in visual design processes: A systematic review and comparative analysis from the perspective of design disciplines.” ODÜ Sosyal Bilimler Araştırmaları Dergisi (ODÜSOBİAD), 16 (ISRIS 2026). https://doi.org/10.48146/odusobiad.1959175