ノート
AI とデザインに関する調査と実験と考察を制作の過程も含めて公開しています。
デザインの実務と AI(30)
デザイナーは現場で AI やデザインシステムをどう使っているのか。
-
ユーザーヒアリングのチェックリスト(準備から発注者への報告まで)
2026-11-03
使う人や買う人へのユーザーヒアリングを、計画から募集、同意、謝礼、質問ガイドと試し聞き、当日の記録、データの保管、分析、発注者への報告まで 9 段階に分け、段階ごとに用意するものと確かめることをチェックリストにした。根拠は、学術の文献 28 本と、公的機関の手引き、法令の手引き、調査倫理の業界規範 27 件、調査会社とコンサルの資料 26 件、実務家の一次証言 18 件で、本文が取れたものは本文で照合した。準備の欠けは、聞く前にも聞いたあとにも調査を壊す。SNS で募集した調査では 7 時間で 271 件の回答が届き、94.5% が不正と判定された(Pozzar ら 2020)。電話とメールで確かめると、回答を揃えた 91 人のうち使えたのは 8 人だった(Jean Louis と Thompson 2025)。スクリーナーには見破るための偽の選択肢を混ぜ、職業は開いた質問で聞き、予備の参加者を見込む。最も多い謝礼額(時給 60 ドル)の非モデレート調査では無断欠席が約 30% あった(User Interviews 2025)。謝礼は開始時に渡すと、答え方と謝礼を切り離せる(GOV.UK)。同意は記録を残し、録音や観察は募集時と開始時の両方で知らせる。録音は既定ではあるが、熟練した聞き手が直後に書いたメモは逐語録と同程度に詳しく、録音しない方がよい場面もある(Rutakumwa ら 2020)。自動の文字起こしは約 1% に実在しない文を作った(Koenecke ら 2024)。報告では、事実、意見、解釈を分け、提言はその導き方とともに示す(MRS、JMRA)。参加者を特定できるデータは、本人の同意なしにクライアントへ渡さない(ICC/ESOMAR、JMRA)。画面操作の確認を加えるなら、試作の応答、ダミーデータとテスト用アカウント、答えを教えない課題、思考発話の説明、画面録画の同意と映り込みのぼかし、遠隔の技術確認、重大度の付け方を足す。評価者 2 人が見つけた問題の一致は平均 5〜65% にとどまる(Hertzum と Jacobsen 2001)。
-
グループインタビューのチェックリスト(準備から発注者への報告まで)
2026-11-03
使う人や買う人を数人ずつ集めるグループインタビュー(フォーカスグループ、座談会)を、計画から募集、参加者どうしの守秘、謝礼、進行と司会、会場と観察者、記録、分析と報告まで段階に分け、1 対 1 のヒアリングに加えて用意するものと確かめることをチェックリストにした。画面操作の確認を加えるときに足すものも最後にまとめた。根拠は学術の文献 18 本、公的機関と標準と業界規範 16 件、調査会社と業界誌 24 件、実務家の一次証言 9 件で、本文が取れたものは本文で照合した。グループで生まれるデータは参加者どうしのやりとりで、350 人の無作為割付の比較では、一人あたりの項目の幅は 1 対 1 が広かったが、機微な打ち明けのいくつかはグループの方が起きやすかった(Guest ら 2017)。40 グループの分析では主題の 80% 超が 2〜3 グループで出た(Guest ら 2017)。層ごとに 2 グループで論点の理解が深まり、それ以上はほとんど増えなかった(Hennink ら 2019)。ところが保健の研究 220 本のうちグループ数の理由を書こうとしたのは 17% だった(Carlsen と Glenton 2011)。参加者は互いに知り合いでないようにし(JMRA)、直近 6 か月の参加者を除く(カナダ政府の標準)。聞き手は参加者どうしの守秘を保証できないことを同意書と冒頭の説明で伝える(UC Berkeley)。観察はグループの半分まで、観察者は 1 人が理想とされ(MRS)、口をはさまない観察者でも参加者の生理的ストレスと一部の成績に影響した(Sonderegger と Sauer 2009)。報告には割合を載せない(カナダ政府の標準)。グループでは画面の使いやすさは確かめられないので、操作の確認は 1 対 1 で別に組むか、操作の形を変え、試作、ダミーデータ、課題、思考発話、画面録画と映り込み、遠隔の技術確認、重大度の付け方を準備する。
-
生成 AI 以後の HCI 研究の動向(2023〜2026)
2026-11-01
ChatGPT の公開(2022 年 11 月)からの 3 年あまりに、HCI(人とコンピュータの相互作用)の研究が生成 AI について何を問うてきたかを、CHI を中心とする査読論文と主要なプレプリント 43 本と、CHI の論文数の数えで整理した。題名か要旨に LLM や生成 AI の語を含む CHI の論文の割合は、OpenAlex の数えで 2023 年の 1.9% から 2024 年の 13.2%、2026 年の 23.0% へ増えた。2020〜2024 年の CHI の LLM 論文 153 本の系統的レビュー(Pang ら 2025)では、62.74% が LLM をシステムの部品として使い、90.85% が研究の妥当性に関わる限界を認め、84.98% が閉じた GPT 系のモデルを使っていた。量の主流は、生成 AI を部品にしたシステムを作る研究である。HCI が新しく知ったことは、使う人の側に何が起きるかを測る研究に多く書かれている。素材としての難しさ(非専門家のプロンプトの失敗、構想の溝)、頼りすぎと適切な信頼、エージェントへの委任と監督、個人の出来と集団の均質化、学習への害、障害のある人への表象の害と確かめる負担、迎合と長期の使用の心理的影響、参加者の代わりとしての LLM の妥当性である。これらに共通して、人の仕事は作ることから確かめ、統合し、監督することへ移ると報告され(Lee ら 2025、Sarkar と Drosos 2025)、使っているあいだの成績や好みと、外したあとの学び、集団の多様性、人のためになることがずれる(Bastani ら 2025、Doshi と Hauser 2024、Cheng ら 2026)。ずれを縮める設計は、使う人に好まれにくい(Buçinca ら 2021、Cheng ら 2026)。害が出ない条件を示す研究もある(Kazemitabaar ら 2023、Bastani ら 2025 の学習用の安全策、Kim ら 2024 の一人称の不確かさの表明)。
-
学術界と産業界のユーザーヒアリングの違い
2026-11-01
デザイン成果物(UI から、サービス、事業まで)をつくるためのユーザーヒアリングについて、学術の文献 32 本と、公的機関の手引きと調査倫理の規範 14 件、調査会社とコンサルの資料 12 件、実務家の一次証言 13 件を読み、本文が取れたものは本文で照合した。聞き方の作法は両者でほぼ一致する。意見や将来の予測ではなく過去の具体的な出来事を聞き、誘導せず、黙って聞き、言葉を観察と合わせて読む。学術は自己報告の限界と、聞き手が答えを動かす大きさを測った(Dell ら 2012 では、聞き手が作ったと思った方を選ぶ傾向が約 2.5 倍、通訳つきの外国人の聞き手では 5 倍)。産業は同じことを手引きと業界規範の規則にしている。分かれるのは聞いたあとである。止め時を、学術は飽和や information power という知識の十分さで決め(飽和は面接 9〜17 件、Hennink と Kaiser 2022)、産業は 1 ラウンド 4〜8 人を繰り返し、設計の判断に確信が持てるかで決める。分析を、学術は逐語の記録と体系的な手順で残し、産業は記憶が新しいうちに付箋でまとめ、調査 2 時間に分析 1 時間を当てる。人類学とデザインの学生を同じ場で比べた研究では、技法は同じで、違いは調査の目的と参加者の声の扱いに出た(Segelström 2013)。誰が聞くかは、産業では研究者以外へ広がり(実務家調査では研究を行う人としてプロダクトデザイナーが 61%)、倫理を確かめるのは、学術では所属機関の審査、産業では組織の手引きと業界規範である。事業の層では、学術が顧客発見の方法そのものを無作為化実験で確かめている(Camuffo ら 2020)。生成 AI については、合成ユーザーを人の代わりにしない点で両者が一致する。AI を聞き手にすることは、構造化した聞き取りでは人と同程度の質が報告され、探索的な面接では人が要るという評価が多い。
-
AI とデザインの共生に関するレビュー論文のための文献整理
2026-10-24
「AI とデザインの共生」を主題にしたレビュー論文を書くために、デザイン哲学の潮流の読書案内(49 件)に 78 件を足し、六つの系統に分けて整理した。共生の語の系譜(Licklider 1960、Engelbart 1962、Negroponte 1970、Pask 1969)、HCI の共創の枠組み(Horvitz 1999 から Rezwana と Maher 2023、Weisz ら 2024 まで)、デザイン固有の実証(Dove ら 2017 から Doshi と Hauser 2024 まで)、共生の哲学的な基礎と批判(拡張された心、分散認知、媒介理論、自動化と増強のパラドクス、Sarkar 2023 の「協働」批判)、more-than-human のデザイン、既存のレビュー 11 本。既存のレビューは道具の種類、設計の段階、主体性の配分で文献を並べており、OpenAlex と Crossref の参照リストで調べた 13 本のうち、Negroponte、Winograd と Flores、Verbeek、Ihde、Latour、Hutchins、Clark と Chalmers を引くものはなく、Licklider を引くのは 2 本だった。並べ直しの軸の暫定は、各研究がデザイン哲学のどの問い(判断は誰がするか、設計者は素材の何を知れるか、人工物は行為をどう媒介するか、誰の世界を作るか)を引き継いでいるか。本文の取得記録(81 URL)は本文 36、要旨か紹介文 38、未取得 7。
-
AI エージェントの歴史とデザインの役割
2026-10-24
「AI エージェント」という考えが 1950 年代から 2026 年までにどう生まれ、流行り、退き、戻ってきたかを、AI と HCI(ヒューマンコンピュータインタラクション)の学術文献 47 件で整理し、その出入りの中でデザインが役目を果たしたかを確かめた。源流は二つあり、Turing と McCarthy は自分で考え教えられて賢くなる機械を構想し、Licklider は機械が人を超えるまでの長い期間を人と計算機が密に組んで考える時代とみた。1990 年代にエージェントはインタフェースの言葉になった。Maes は学習するインタフェースエージェントを個人秘書の比喩で説明し、その課題を能力と信頼の二つに置いた。Apple の Erickson は、適応する機能と、それを生き物のように見せる比喩を分け、見せ方の研究を求めた。同じ時期に最も強い批判もデザインの側から出た。Norman は難しさは技術より社会の側にあると書き、Lanier は人がエージェントを賢く見せるために自分を愚かにすると論じ、Shneiderman は Maes との討論で責任を中心の論点に置き、人の姿をした画面は失敗してきたと述べた。Office 97 のアシスタントの元になった Lumière の研究では、使いやすさの実験室での実験で的外れな助言が利用者に高くつくことが分かっていたが、製品は人物の姿を前面に置き、助けを出すかを確からしさと効用で決める仕組みを使わなかった。言葉がインタフェースから退いたあいだも、自動化の水準、信頼の較正、混合主導の原則、人と AI の相互作用の 18 の指針といった道具はデザインと人間工学の側に残った。2016 年のチャットボットの流行は 2018 年に退き、UX デザイナーは機械学習を素材として扱いにくいと報告した。2022 年以降の LLM エージェントは機械学習の側から戻ってきて、その総説は 1990 年代の定義を引用し、ウェブと OS の課題で人の成功率 78.24% と 72.36% に対しエージェントは 14.41% と 12.24% にとどまった。デザインの研究は、自律の水準を能力と別の設計判断として扱い、計画と実行を人と分け合う画面を作り、宣伝された用途を 31 人が試すと心のモデルとのずれに阻まれることを示した。デザインは能力を生む役ではなかったが、能力をどう見せ、どこまで任せるかを決める語彙を各時代に出してきた。その語彙が製品で守られたかは、Office アシスタントの一例を除いて確かめられていない。
-
生成 AI に作らせるときクリエイターが保つべき能力(航空の自動化研究に学ぶ)
2026-10-11
AI にコードを書かせるエンジニアの技能を航空の制度で考えた記事(しみたろ 2026)を、クリエイティブの仕事に当てて読み直した。航空の制度と研究が守ってきたのは、自動操縦を使いながら、外れたときに人が機体を引き取れる状態である。FAA は手動飛行を他の操縦技能の土台とし、一律のノルマを避けて機長の判断に任せた。研究では、自動化が成功するほど人の訓練への投資が要るかもしれず(Bainbridge 1983)、人は異常の少ない監視を 30 分ほどしか続けられず、自動化への偏りは訓練や指示では防げない(Parasuraman と Manzey 2010)。衰えやすいのは手の技能より頭の技能で、16 人の機長と副操縦士の模擬飛行では、計器の走査と操縦は保たれ、地図なしで位置を追うことや計器の故障に気づくことに問題が多かった(Casner ら 2014)。生成 AI でも、作る役から評価する役への移り(Simkute ら)、AI がその課題をこなせるという確信が高いほど批判的思考が減るという自己報告(Lee ら、319 人)、AI の得意な範囲の外の課題で正答が 19% 減ること(Dell'Acqua ら、758 人)が報告されている。創作では、AI の誤りは警報のない、もっともらしい凡庸さとして現れる。AI の画像を見て発想すると最初の例への固着が強まり(60 人)、AI の案を使うと個人の作品は良くなるが互いに似てくる(Doshi と Hauser、Anderson ら 36 人)。ここから、創作で引き継ぐ力を、出力の誤りを直す力より、問いの枠を立て直し、案の良し悪しを見分け、方向を変える力として定義した。そのうえで、発散の最初を AI なしで行うこと、AI の出力を見る前に評価の基準を書くこと、一律のノルマでなく作品の核になる箇所で手に戻すこと、AI を見張り役に回す配置を試すこと、AI に驚かされた事例を講評とふりかえりで教材に戻すこと、手を動かす練習を捨てないことを挙げた。創作の実務家の技能の衰えを測った研究は見つからず、挙げた振る舞いは他分野からの類推で、効果は確かめられていない。
-
プロトタイピングで設計の探索は広がるか
2026-10-10
プロトタイプを作ることが設計の探索を広げるのか狭めるのかを、プロトタイピング、デザイン固着、生成 AI による試作、設計空間を探る道具、Research through Design(RtD)の過程の記録の学術文献 49 件で整理した。作って試すことの効用は、作ること自体より作り方の条件で決まっていた。時間制約の下でも試して直せる群は直せない群を上回り(Dow ら 2009)、複数の試作を作ってから講評を受けると 1 案ずつ講評を受けるより成果が良く案も多様で(Dow ら 2010)、3 案を共有したペアは 1 案を共有したペアより相手の案を多く取り込んだ(Dow ら 2011)。紙の試作を 1 案だけ見せると、3 案の中で見せるより評価が高く批判が控えめになった(Tohidi ら 2006)。害の側では、例を見た設計者は避けるよう言われても例の特徴を繰り返し(Jansson と Smith 1991)、物理的に作ることの効果は研究によって割れ、作る手間が大きいほど新規性と多様性が下がるという埋没費用の説明がある(Viswanathan と Linsey 2013)。生成 AI では、Midjourney を使った 60 人の実験で、AI を使った群は例の特徴をもっとも多く繰り返し、案の多様性と独創性は下がる傾向があり、固着の対象が例から AI の画像に移る現象も観察された(Wadinambiarachchi ら 2024)。LLM の案を使うと個々の作品の新規性は上がるが作品どうしが似る(Doshi と Hauser 2024、293 人)、ChatGPT の利用者は人どうしで似た案を出す(Anderson ら 2024)など、一人ずつの改善と全体の幅の縮小が並んで報告されている。5 万人超の作り手の作品データでは、画像生成の採用で生産性が 25% 上がり、内容の新規性の平均は下がった(Zhou と Lee 2024)。設計空間の次元を先に示す、生成物を低い忠実度に戻す、代替案を並べるといった道具は、小規模な使用調査で探索を支えると報告されたが、非常に多様な案を出すだけでは評価は上がらなかった(Cai ら 2023)。RtD は過程の記録を研究の根拠にしてきた(Frayling 1993、Zimmerman ら 2007)が、生成 AI による試作が記録すべき中間の表現をどう変えるかを直接調べた査読研究は見つからなかった。生成 AI は作る手間を下げて埋没費用による固着の条件を弱めながら、完成して見える例を大量に見せることで例への固着の条件を強めうる、という読みを、検証されていない解釈として示す。
-
業務アプリの UI の決め方
2026-09-25
業務アプリの UI を無数の案から一つに決めるまでの材料と手順を、ISO 9241-210 と GOV.UK などの公的資料、NN/g と MeasuringU の調査、SAP、IBM、Salesforce、Atlassian、Basecamp、GV の一次資料、日本の業務 SaaS(SmartHR、マネーフォワード、ラクス、LayerX ほか)とソシオメディアの証言から整理した。案の多くは描く前に消える。対象にする利用者と外す利用者、成功の測り方(Carbon は作業時間と離脱率)、端末と入力方式(Fiori の cozy と compact)、用途から選ぶ画面の型(floorplan)と業務のオブジェクト(OOUI)、時間の予算(Shape Up の appetite)、アクセシビリティの要件が空間を狭める。残った空間では 3 案以上を粗く並行して作る。NN/g の 1996 年の事例では、並行デザインは費用が 73% 多く、改善は 70%(従来の反復は 18%)で、敗れた案の良い点を統合すると最良案を選ぶだけより高かった。比べる材料は代表タスクの少人数テストで、初心者と熟練者で見つかる問題は半分ほどしか重ならなかった。SUS で基準値との 5 点差を検出するには 58〜80 名が要り、少人数のテストは案を落とす根拠には向くが、最後の一つを選ぶ根拠にはなりにくい。最後の一つは、DACI の Approver、Sprint の Decider、Shape Up の betting table のように、比べる前に決めておいた人が、プロダクトの原則を拠り所に選ぶ。決定は記録され、コンポーネント、型、レビューの項目になって次の画面の案を減らす。業務アプリで迷いやすいところとして、情報密度、熟練者の効率、購入者と利用者の分離、既存業務からの移行、職員向けの画面での公共向けの原則の例外(GOV.UK)を扱う。
-
LLM にデザインを頼むとき、ありがちな UI への収束を防ぐには
2026-09-25
LLM にコードではなくデザインを頼むときの実践を、国内企業の事例、ベンダーの一次資料 16 件、調査会社の資料 7 件、学術文献 26 件から整理した。起点のカナリーの事例では、デザイン哲学を skill にした LLM はトンマナを合わせたが、どの画面もありがちな UI に収束した。ベンダーは原因を訓練データで多数派の「安全な選択」に戻る性質と説明し、学術側は事後学習の選好データにある典型性の偏りが出力分布を尖らせると示す(Zhang et al. 2025)。Anthropic の frontend-design スキルは、Inter などの既定を禁じる版から、題材に根ざしたブリーフ、既定の型の較正、計画を先に見直す 2 パスへと書き換えられた。よく使われる書体を禁じても生成を重ねると次の書体に集まる、とベンダー自身が書いている。発散については、役割名だけのペルソナより手順(CoT)と多様な標本化の手がかりが効くという実験がある(Meincke et al. 2024、Deng et al. 2026)。カナリーの「デザイナー人格」も、名は人格だが中身は出発点と戻り方と不成立の条件を定めた手順である。確認はスクリーンショットと明示的な基準で自動化できるが、LLM の UI 批評は人間に及ばず(Duan et al. 2024)、AI の案を見た人は最初の例に固着しやすい(Wadinambiarachchi et al. 2024)。依頼の型は、ブリーフ、既定の較正、デザインシステムの前に置く発散、デザインシステムでの収束、視覚的な確認、人による選択の順になる。
-
デザインシステムの6つの対立点の判定に使える実証研究はどこまであるか
2026-09-11
6つの判定条件を測定の単位に分解すると37のピースになり、何らかの実測があるのは25、該当研究を確認できないのは12だった。ただし実測の大半は隣接分野の代理指標で、デザインシステムを直接対象にしたものは再利用の比較(n=8)と4つの DS の成果物評価(46基準)の2件だけである。共通して欠けているのは、連続量を二分した操作定義、縦断の時間軸、DS 由来か利用側由来かの帰属、盲検、自動監査のカバレッジ上限に埋もれる効果量である。
-
研究と実務の証拠に基づくデザインシステムのベストプラクティス
2026-09-11
デザインシステムをめぐる学術23件と産業46件の証拠を突き合わせた。専任チームを持つ組織は83%(回答147名)だが、ROI を計測しているのは5%である。役割ベースのトークン設計、命名の統制、段階的移行、CI での自動検証、貢献モデルの定義には複数組織の一次証言が揃う。導入を止めるのは技術ではなく組織要因で、阻害要因4つが研究で特定された。ROI の統制実験は n=8 にとどまる。WCAG 2.2 AA と DTCG 2025.10 が実装の前提を外から決める。
-
エンドユーザー開発(EUC/EUD)の歴史と課題
2026-08-15
エンドユーザーコンピューティング(EUC)とエンドユーザーデベロップメント(EUD)の歴史、社会的要請、限界を、1960年の Licklider から2026年の LLM 期までの文献152件で地図化した統合要約。管理の枠組みとして生まれた EUC と解放の枠組みとして生まれた EUD が同じ現象を逆向きに記述してきたこと、四つの異なる社会的要請が「民主化」の一語に畳み込まれてきたこと、会計、医療、科学計算の各領域で限界が異なる形をとること、そして分野が自ら記録した限界が LLM 期に同じ形で再演されていることを整理する。
-
生成 AI で自分のために作ることはどう変わったか
2026-08-14
「自分の必要から始まり、自分のために作る」制作を生成AI(2023–2026)がどう変えたかを、文献59件で地図化した統合要約。姉妹ノート2本(EUDの歴史152件、学習効果185件)の計337件に1件も入っていなかった「自分のために作る × 生成AI」の交点だけを埋めた。作る入口の敷居が下がった証拠は4領域(自分用ソフト、自己データ、自作支援技術、趣味制作)で積み上がる一方、59件中32件が査読前で、測定はほぼ即時評価に偏る。既存レビューの4空白のうち、自作物への愛着はAI共同作成テキストのIKEA効果RCTで動き始めたが、遅延テストによる長期追跡、非公開個人ツールの追跡、動機比較は生成AI期でも未充足のまま残ることを確認した。
-
AI エージェントの基盤となるデザインシステム
2026-07-09
デザインシステム(コンポーネントライブラリ、デザイントークン、構造化仕様)がAIエージェントの基盤インフラとして機能する構造転換を、学術文献27件と5社のベンダー一次情報から分析。形式的仕様の提供でエージェントのナビゲーション33-44%削減・精度100%達成(Jin 2026)、Figma JSONメタデータ活用がピクセルのみの変換を上回る(Gui 2026 ICLR)、5社が同時にデザインシステムをAIコンテキスト層として実装。デザインシステムへの投資の意味が「一貫性の維持」から「AIエージェントの精度上限の決定」へ転換している。
-
EU AI Act 第50条のデザイン実務への影響
2026-07-09
2026年8月2日施行のEU AI Act第50条(透明性義務)がデザイン実務に及ぼす影響を、学術文献30件から分析。3つの構造的問題を同定: (1)開示義務の対象範囲が曖昧でデザイン編集の境界が不明瞭、(2)ウォーターマーク/ラベリングの実装率が規制要件を大幅に下回る(38%/18%)、(3)開示の詳細化は信頼を下げるパラドクスを生む。デザイナーは「開示ジレンマ」(言うか隠すか)に直面し、著作権保護の空白が請求根拠を侵食する。
-
クリエイティブ産業で AI ツールの利用と評価はなぜずれるのか
2026-07-09
クリエイティブ産業でAIツールの利用率が9割に達する一方、業界への肯定的評価は1割にとどまる構造的乖離を、学術文献27件と産業調査15件から分析。3つの構造的メカニズムを同定: (1)強制的採用が象徴的採用(使うが支持しない)を生む(Heidenreich & Talke 2020)、(2)AIが専門職アイデンティティ脅威を引き起こし心理的リアクタンスを生む(Mirbabaie et al. 2022、Jussupow et al. 2022)、(3)テクノストレスが継続使用意図を全経路で負に調整する(Lu & Hu 2025、デザイナー443名)。開発者でも同様の傾向(Stack Overflow: 信頼40%→29%、好意72%→60%に低下)。「使うけど良いとは思わない」は個人の矛盾ではなく、効率化を求める組織圧力と専門職アイデンティティの構造的衝突である。
-
UX で AI への期待と能力のギャップをどう埋めるか(産業界の資料から)
2026-06-28
AI の実際の能力とユーザー期待のギャップを UX で埋める産業界の取り組みを、ベンダーガイドライン(Google PAIR / Microsoft HAX / Apple HIG / IBM / OpenAI / Anthropic / Meta)、公的調査(Pew / Stanford HAI)・コンサル調査(McKinsey / BCG / Deloitte / Gartner)、実務家パターンの3系統33件で整理。
-
UX で AI への期待と能力のギャップをどう埋めるか(学術研究から)
2026-06-28
AI が実際にできることとユーザーが期待することの乖離(expectation-capability gap)を UX で解消する手法に関する学術文献 32 件のレビュー。信頼キャリブレーション、メンタルモデル、説明可能性、認知的強制機能、期待違反理論の5領域で整理。
-
AX(Agentic Experience)のデザインをめぐる研究と実践の比較
2026-06-27
AX(Agentic Experience)とデザインの交差を、学術36件と産業73件の計109件のソースから横断的に対照する。産業と学術が一致する3点(エージェンシー分配が中心問題、透明性だけでは不十分、コンテキストが精度の上限を決める)と、産業が語らず学術が指摘する3点(ジュニアの学習経路、効率化による探索機会の喪失、監視UIの構造的限界)を整理。AXという術語自体の学術的地位は未定だが、問題構造は human-agent interaction として急速に研究が進んでいる。
-
Agentic Experience(AX)の現状と課題(産業界の資料から)
2026-06-27
2025-2026年、AXという概念が産業界でどう受容・定義・実装されているかを73件の産業ソースから整理。4つの構造が浮かぶ。(1)「UXからAXへ」の転換を全ベンダーが語るが定義は分裂(Maeda=判断面、Nielsen=Intent Layer、Salesforce=双方向設計、Apple/Google=宣言型プリミティブ)。(2)設計原則は「透明性・制御・意図優先」に収束するが介入タイミングの粒度が異なる。(3)ハイプと実態の乖離が定量的に裏付けられている(Gartner: 40%中止予測、Forrester: 真の自律性はまれ、McKinsey: ハイパフォーマー6%)。(4)開発者証言が明かす構造的制約(93%承認疲労、マルチエージェント15×コスト、コンテキスト不足が成敗を分ける)。
-
Agentic Experience(AX)の現状と課題(学術研究から)
2026-06-27
「UXからAXへ」(Maeda 2026)の学術的裏付けを探るレビュー。AXという術語自体の査読論文は2026年時点でほぼ存在しないが、隣接する human-agent interaction / AI delegation / agentic AI UX 研究は CHI・CSCW・DIS を中心に急増している。36件の文献から浮かぶ構造は3つ。(1)エージェンシー分配の設計が中心問題(誰が・いつ・何を制御するか)。(2)信頼と監視のトレードオフ(中間確認が最適だが完全な正確性は保証しない)。(3)産業の宣伝と実際のUXの乖離(102件商用エージェントのSR+31名テストで実証)。レビュー論文7件、CHI/CSCW/DIS実証研究12件を含む。
-
MCP によるデザインシステムと AI エージェントとの連携
2026-06-27
MCP(Model Context Protocol)が2025〜2026年にデザインツール間の共通接続層として急速に普及。Figma MCP サーバー(2025-06ベータ)、Figma Config 2026 Connectors、Claude Design のデザインシステムインポートにより、デザイン-コード間のエージェントループが閉じつつある。構造的な発見は2つ。(1)デザインシステムの成熟度がエージェント出力精度の上限を決める(Figma 公式認定)。(2)最良のエージェントは最少ツールで動作する(Vercel 実験: 15ツール→1ツールで成功率80%→100%、速度3.5倍)。MCP はツール間のプロトコルであると同時に、デザインシステムを『エージェントのコンテキスト層』に転換する装置である。
-
Vibe Coding と UI エージェントによるデザイン制作の現状と課題
2026-06-27
Karpathy が2025年2月に投げた 'vibe coding' の一言が1年で産業用語になった。v0 / Bolt / Lovable / Replit Agent 等のUI生成エージェントがその基盤を担うが、Willison の 'vibe engineering'、Osmani の 'AI-assisted engineering' との区別が制作品質の分水嶺になる。プロトタイプは時間単位に短縮された一方、本番品質には設計判断・テスト・レビューの人間的工程が残り、ボトルネックが「作る」から「判断する」に移行した。デザイン制作では、生成されたUIの品質を評価できる能力がエージェント活用の前提になる。
-
デザインツールのエージェント機能の現状(2026 年前半)
2026-06-27
2026年前半に Figma / Adobe / Canva / Anthropic が一斉にエージェント機能を投入。4社とも「エージェントが実行し人間が判断する」を設計原則に掲げるが、判断の粒度と介入タイミングが異なる。Figma はキャンバス上の発散→選択、Adobe は60+ツール横断ワークフロー→レビュー、Canva は1プロンプト完成品→微調整、Claude Design はコード⇄デザイン双方向同期。共通の構造制約は「デザインシステムの成熟度がエージェント出力精度の上限を決める」点。
-
生成 AI の 10 の産業動向とデザイン職能への影響(2026 年 6 月)
2026-06-19
2026年6月時点の生成AI 産業トピックを10個挙げ、『デザイン職能・キャリア全体(役割・単価・雇用・組織)への作り変え度』で序列化した分析ノート。評価軸は①中核作業の置換 ②単価・課金・指名 ③雇用・ジュニア・組織 ④射程の確実性。上位は生成UI/労働のコモディティ化/vibe coding/agentic化/ジュニア侵食、下位は画像・動画生成/規制/ツール市場/エンタープライズ導入。序列は『ツールの派手さ』でなく職能・キャリアの構造変化で付ける。単価・指名の解釈は democratization-recommodification-paradox/design-pricing-vs-ai-commoditization/生計可能性と初参入の空白 に、役割討議は designer-role-ai-roundtable/ai-design-near-term-flashpoints に接続。産業数値の多くはベンダー/listicle 由来で要一次確認のため断定せず [要確認] を明示。
-
今後 1〜3 年のデザイン業界における AI の争点(デザインリード 3 者の討議)
2026-06-09
デザインファーム/戦略コンサル/独立系スタジオの各リード(business-only)が『1〜3年でほぼ確実に火種になる』AI論点を独立列挙(R1)→相互反論(R2)→クライアント反証で成果物課金の危険を認めR2撤回(R3)→そこそこ層を大量に抱えるオフィスの生存処方(R4)まで展開した討議ログ(hub)。横断知見は atomic ノート3本に抽出。数値はポジショントーク・相関≠因果の注記つき。
-
デザイン業界における AI 活用(学術研究から)
2026-06-07
デザイン(UX/UI、プロダクト、グラフィック、教育)での AI/生成AI/LLM の活用に関する学術文献 37 件を軽量スコーピングで集めて要約した。総説、共創、UI生成、評価自動化、創造性への影響、役割変容、教育の7クラスタに分けて整理した。
-
デザイン業界における AI 活用(産業界の資料から)
2026-06-07
デザイン/クリエイティブ産業の AI 活用を、公的機関・一次情報(労働統計・導入率・著作権/標準)、シンクタンク/コンサルの事実部分(ポジショントーク除去)、製品開発者の一次証言(Figma/Adobe/Canva/Vercel)の3系統で収集した統合要約。
-
デザイン分野での AI の活用事例(2026 年)
2026-06-07
2026年のデザイン領域における最新AI活用事例の調査レポート(生成UI・エージェンティックAI・Figma・合成ユーザー・アクセシビリティ)