Nielsen Norman Group 调研521名UX从业者：AI让任务更快但情绪仅温和正面

摘要： AI 几乎在所有任务上都为 UX 从业者节省了时间，但大多数人对它态度冷淡：强制推行、不可靠的产出和过高的期望抵消了这些收益。

我们对 521 名 UX 从业者进行了调查，了解他们如何在工作中使用 AI 以及 AI 对他们的影响。简短的回答是：AI 的使用非常普遍并节省了时间，但从业者远谈不上热情，而且收益在很大程度上取决于角色、任务和工作场所。

要点速览

AI 的获取几乎无处不在（99%），但智能体 AI 的使用差异很大：从初创企业的 85% 到非营利组织的 36% 不等。
产出质量（54%）以及数据隐私与安全（50%）是 AI 采用的最大障碍。只有 9% 的人表示没有障碍。
AI 最常用于案头工作，例如编写代码和进行案头研究；最少用于与用户相关的工作。
关于工作中对 AI 感受的平均情绪评分为轻微正面：5 分中的 3.57 分。但在选择留下开放式评论的人中，有 69% 表达了某种负面情绪，通常涉及强制推行和不可靠的产出。
大多数受访者（65%）预计自己的角色将保持重要或会增长，但研究人员和设计师的职业安全感明显低于 PM。

他们自己的说法

探索我们的交互式仪表板，阅读精选的受访者评论，了解工作中 AI 令人沮丧的地方以及哪些做法行之有效。

AI 的获取几乎无处不在，但智能体 AI 的使用并不均衡

虽然几乎每位受访者（超过 99%）在工作中都能使用生成式 AI 工具，但大多数人（59%）只使用一组经过批准的工具；只有 12% 的人可以自由使用任何自己选择的工具。

Bar chart of teams' access to AI tools at work: don't use AI tools 0.4%, locked-down or restricted versions 10%, an approved set of tools 59%, wide access with some limits 19%, and virtually any tool 12%. — *大多数受访者都能使用其所在机构批准的一套 AI 工具。*

智能体 AI 很常见，但并非无处不在。当我们询问受访者在工作中使用哪些类型的 AI 工具时，66% 的人报告至少使用一种智能体工具：即智能体 AI 产品（如 Claude Cowork）或 AI 编码代理/应用构建器（如 Cursor）。仅看每个类别，都只有略低于一半的受访者使用（分别为 48% 和 47%）；大约 30% 的参与者同时使用这两类工具。

Bar chart of AI tools or features respondents use for work: general AI assistants or chatbots 96%, AI features in design tools 65%, agentic AI for multistep tasks 48%, agentic coding or app builders 47%, AI note-takers or meeting assistants 36%, AI features in research or analytics tools 34%, image generation 18%, audio or video generation 7%, and none 0.4%. — *工作中最常用的工具是通用 AI 助手和聊天机器人，以及设计工具中内置的 AI 功能。*

智能体 AI 的采用因机构而异

智能体 AI 的使用因机构类型而有很大差异。初创企业和中小型企业的使用率最高（在这些机构工作的受访者中分别为 85% 和 75%），而非营利组织和政府机构的使用率最低（分别为 36% 和 42%）。

Bar chart of the percentage of respondents who use agentic AI, by organization type: startup 85%, small or mid-sized business 75%, enterprise 69%, agency or consultancy 61%, freelance 57%, government 42%, and nonprofit or education 36%. — *智能体 AI 的使用因机构类型而异，初创企业和中小型企业的使用率最高，政府和非营利组织最低。*

这些发现并不令人意外；政府机构往往对隐私和安全格外谨慎，这可能会拖慢其采用新技术的步伐。对非营利组织而言，成本和技术知识可能是更大的障碍。相比之下，初创公司通常没有太多审批流程，团队可以快速采用新工具。更小的人员规模也提供了更多将工作委派给 AI 的理由，而且一些初创公司可能会吸引那些希望与 AI 一同工作的人。一位参与我们后续访谈的受访者告诉我们，他加入现在的初创公司，正是因为它拥抱 AI 工具。

“我真的很想加入一家从零开始打造产品的公司，AI 无处不在。”

产品与运营专业人士报告使用智能体 AI 最多

产品经理和运营专业人士（如 DesignOps 专业人士）报告使用智能体 AI 最多，而内容设计师和研究人员使用得最少。

Bar chart of the percentage of respondents who use agentic AI, by role: operations 83%, product management 81%, engineering 71%, design 71%, research 57%, content 35%, and all respondents 66%. — *智能体 AI 的采用情况因角色而异，运营和产品专业人士采用最多，内容设计师和研究人员采用最少。*

一种可能的解释是，产品经理和运营角色的大部分时间都花在跨工具和系统协调人员与数据上，而这正是 AI 智能体在当下最有用武之地的领域。另一方面，研究人员和内容设计师专注于产出高质量的成果，例如研究综述或 UI 文案，对于这类工作，通用的 AI 聊天机器人通常就足够了。

技术上的熟悉程度可能也有帮助：产品经理和运营专业人士往往技术背景稍强一些，而智能体工具仍然需要设置和排错。

AI 采用的障碍

我们询问受访者哪些因素影响了他们在工作中采用 AI 的能力（可多选）。大多数受访者（80%）选择了多个因素。只有 9% 的受访者表示在工作中采用 AI 没有重大障碍。

主要采用障碍：产出质量与数据安全

不采用 AI 的两大首要原因是对 AI 产出质量的担忧（54% 的受访者）以及数据安全或隐私问题（50% 的受访者）。许多受访者在调查末尾的开放式评论中告诉我们，AI 的产出往往不够好，或者需要花费大量时间来检查或修正。

“把 AI 融入我们的工作流程一直很难，因为我们设计的是专业应用，而 AI 生成设计的质量非常差/不成熟。”

“作为 UX 研究员，在工作中使用 AI 一直是一场大多没有成果的实验。我倾向于发现 [AI] 工具 […] 会产生不可信的结果。”

不出所料，缺乏高层支持是被选择次数最少的因素：许多受访者报告称面临着来自领导层要求使用该技术的巨大压力。正如一位受访者所言：

“最大的变化是管理层不断推动我们要越来越多地使用它。对于我知道 AI 目前还做不好的事情，我必须主动与他们抗争。”

Bar chart of factors affecting respondents' ability to adopt AI at work: concerns about AI-output quality 54%, data security or privacy 50%, lack of time to learn or adopt 36%, ethics or sustainability 34%, difficulty integrating AI into workflows 30%, budget or cost of tools 29%, access to the right models or tools 25%, lack of training 23%, lack of organizational policy or guidelines 22%, lack of executive buy-in 6%, and no major barriers 9%. — *在 521 名受访者中，约有一半人报告称对 AI 产出质量以及数据安全或隐私的担忧是他们在工作中采用 AI 的主要障碍。*

许多人对伦理和环境影响表示担忧

超过三分之一的受访者（34%）选择了伦理或可持续性方面的担忧，将其视为在工作中采用 AI 的障碍。这些担忧也出现在调查末尾的开放式评论中，受访者提出了各种问题：数据中心的环境影响、AI 对就业市场的影响、AI 驱动的监控，以及在未经创作者同意的情况下将其作品用作训练数据。

对一些受访者来说，这些担忧足以让他们避开 AI。另一些人则描述了一种认知失调：雇主要求他们使用一项他们在道德上反对的技术。

“被迫使用自己并不相信的东西，这种感觉很奇怪。”

“我讨厌为了工作不得不使用一些我自己都不让孩子用的东西。这让我感到前所未有的复杂和恶心，以前面对新技术时我从未有过这种挣扎。”

一些受访者似乎对这些问题在组织内部和整个行业中都鲜有讨论感到沮丧。

“我认为作为一个组织，他们在帮助我们学习 AI 和提供工具方面做得比其他组织好，但在解决伦理或可持续性问题方面却什么都没做。”

“没有人在谈论 AI 对环境的影响。为什么会这样？”

当用户参与其中时，AI 的使用率最低

我们询问了受访者从事哪些设计、研究、内容和技术任务，他们使用 AI 完成每项任务的频率，以及 AI 如何改变了每项任务所需的时间。

总体而言，受访者表示 AI 为他们节省了时间。平均而言，他们对 AI 在任务耗时方面影响的评分为 5 分制下的 4.2 分，其中 3 分表示没有变化，5 分表示时间大幅缩短。（我们先对每位受访者在其使用 AI 的各项任务上的评分取平均，然后再对所有受访者的这些分数取平均。）对于每一项任务，大多数使用过 AI 的受访者都表示 AI 让任务变得更快。但使用率和节省的时间因任务而异，差异相当大。

不出所料，AI 在处理制品或数据相关工作时采用率最高，而在涉及与用户直接互动的任务上采用率最低。在从事每项任务的受访者中，约三分之二的人表示他们经常或总是使用 AI 来编写或编辑代码（73%）、案头研究（69%）以及分析自己的研究数据（67%）。这些也是 AI 节省时间最多的任务：在使用 AI 完成这些任务的受访者中，约 9 成（9/10）的人表示 AI 让任务变得更快。

Bar chart of how often respondents use AI for each task, from 1 (never) to 5 (always). Use was highest for writing or editing code (3.99), desk research (3.83), and analyzing their own research data (3.81); 9 other tasks fell between 3.27 and 3.69; and use was lowest for evaluating or reviewing designs (2.59), testing designs with users (1.97), and interviewing users (1.82). — 在从事每项任务的受访者中，AI 使用频率最高的是编写代码、案头研究和分析自己的研究数据。话虽如此，除了三项任务外，受访者使用 AI 的频率都相当高：平均频率评分显著高于中位数。例外的是很少使用 AI 的三项任务：编辑或评审设计、与用户进行测试以及访谈用户。（各项任务的样本量有所不同；参与者只对他们在工作中执行的活动进行评分。）

涉及用户的任务中 AI 使用率最低。大多数受访者从未使用 AI 进行用户访谈（61%）或与用户进行设计测试（51%），而这些任务连同评估设计，节省的时间也最少。访谈环节的设置和进行仍然需要时间，虽然 AI 可以帮助完成辅助性工作，比如起草访谈指南和测试计划，但它无法缩短访谈环节本身。只有 11% 的受访者表示使用了 AI 访谈者，同样比例的受访者表示使用了合成用户。

同样，AI 可以加快设计评估的部分环节，例如根据无障碍最佳实践检查设计，但批评依赖于对人类目标和情境的深入理解，而这很难完全且可靠地传达给 AI 系统。

Bar chart of how AI changed the time each task takes, from 1 (much shorter) to 5 (much longer). Every task averaged below 3 (about the same). Writing or editing code (1.28), debugging or testing code (1.40), and desk research (1.47) were shortened the most; evaluating or reviewing designs (2.10), interviewing users (2.12), and testing designs with users (2.21) were shortened the least. — AI 让我们清单上所有任务的完成速度都显著加快：没有一个置信区间与“差不多”这一中点重叠。（在图中，数字越大代表节省的时间越多。）不同活动的样本量各不相同；参与者只对自己执行过且至少偶尔使用过 AI 的活动进行了评分。

受访者对 AI 仅持中等程度的正面态度

我们用一个 5 分制量表询问受访者对在工作中使用 AI 的感受，从 1（非常负面）到 5（非常正面）。所有受访者的平均得分为 3.57，显著高于 3 分的中立点（p < 0.05），但高出的幅度并不大。

Bar chart of average feelings about using AI at work, by role, from 1 (very negative) to 5 (very positive): content 3.78, design 3.57, engineering 3.43, operations 3.83, product management 3.71, research 3.46, and all respondents 3.57. — 总体而言，受访者对自身岗位中的 AI 略持正面态度。他们的评分显著高于中立中点，且除工程岗位外的所有岗位都是如此——工程岗位的回复数量太少，无法得出结论。没有任何岗位比其他岗位明显更正面或更负面。

这一平均评分有些出人意料；受访者报告称 AI 缩短了他们使用它的每一项任务，因此我们原本预期他们会对此抱有更积极的态度。为了弄清是什么削弱了受访者的热情，我们转向了他们在调查末尾留下的评论。

调查以一个可选的开放式问题结束：关于 AI 如何影响你的工作，你还有什么想分享的吗？在 521 名受访者中，有 226 人（43%）回答了这个问题——对于调查末尾的一个可选问题来说，这一回答率远高于我们的预期。这表明许多受访者有想要分享的看法。

一项情感分析显示，这些评论偏向负面。大多数评论（69%）表达了至少某种程度的负面情绪，其中 41% 是完全负面的，不含任何正面情绪。只有 20% 是完全正面的。

研究人员留下完全负面评论的可能性显著高于设计师（51% 对 33%，p < 0.05）。但一旦把混合型评论也计入，差距就缩小了：78% 的研究人员和 66% 的设计师表达了至少某种程度的负面情绪，而这一差异不具有统计学显著性。

对这些结果的解读应保持一定谨慎。不到一半的受访者留下了评论，而观点强烈的人更有可能这样做。尽管如此，这些评论表明许多受访者对 AI 在其工作或组织中的使用方式感到不满，而且研究人员可能对其使用抱有更严重的担忧。

Stacked bar chart of the sentiment of open-ended comments, by role, given as negative, mixed, neutral, and positive: designers 33%, 32%, 11%, and 23%; researchers 51%, 27%, 7%, and 15%; other roles 45%, 23%, 11%, and 21%; and all responses 41%, 28%, 10%, and 20%. — *在我们的受访者中，43% 留下了评论。大多数回复是负面或混合的。从统计上看，研究人员比设计师和其他岗位的人更有可能给出完全负面的回复。*

我们对每条评论进行了编码，以识别其情绪背后的原因。并非所有评论都能被编码，因为有些受访者只表达了情绪而未作解释。在表达负面情绪的 155 条评论中，我们对其中 149 条编码了至少一个他们对 AI 影响其工作感到负面的原因，共涉及 12 类原因。

Bar chart of reasons behind negative comments, by number of comments: unreliable output and verification burden 40, cognitive offloading or skill atrophy 26, ethical or environmental concern 25, mandated or pressured adoption 24, devaluation of UX expertise and practice 20, increased expectations and workload 18, job and career insecurity 18, burden from others' AI use 17, learning curve and lack of support 15, work less meaningful 10, work more cognitively draining 6, and cost of AI tokens or tools 1. — *不可靠的输出及其带来的验证负担，是负面评论背后最常见的原因。*

其中一些编码原因与AI在组织中的实施方式及其周边文化有关。然而，最常见的原因是AI输出不可靠，以及由此带来的检查和修复负担。

“AI的反馈很长，阅读起来很耗时，而且没有任何说明文件（MD文件）能完全阻止智能体做出错误的假设。”

“AI之所以不可思议，是因为在别人纠正5个错误的时间里，它能犯80000个错误。它还让业务人员更容易创建复杂的垃圾流程（slop-flows），这些流程可能需要数周到数月才能理清，而如果没有AI，设计师花一个月就能把它们做好。”

许多受访者表示，他们的组织强制要求使用AI并追踪其使用情况，这导致了表演式的使用。结果是产生了更多AI生成的内容，然后又必须有人去检查和修复。一些受访者描述了修复他人糟糕的设计，或在AI“垃圾（slop）”中艰难跋涉。

“我现在有时会发现自己试图快速修复产品经理制作的完全不可用的原型。而我被期望能像AI一样快地想出解决方案。”

“那些真正在乎我们产品的人最终要做双倍的工作，既要审查和修复他人的垃圾，又要做好我们自己的工作。”

一些受访者认为，领导层提出的节省时间的期望是不合理的，这使他们的工作压力更大。

“领导层期望工作更快，设计师能做更多，但AI的输出质量目前还无法支撑这一点。”

“高管们的期望现在高得多（被不合理地夸大了），所以工作强度大得多，却没有时间先搭建好工作流和运营流程以实现AI赋能，所以现在完全是一团糟。”

另一些人则认为，为了追求速度，他们的专业知识和贡献被贬低了。

“在输出质量明显变差的情况下还期望我更快地工作，这只能说明公司并不真正关心好的用户体验。”

最后，一些受访者报告说，由于没有关于使用AI的培训或指导，摸索如何使用AI的负担以及加快速度的期望都落在了他们身上。

“普遍的期望是我们尽可能多地使用AI来提高工作效率。与此同时，我们几乎得不到关于使用哪些AI工具或如何使用的指导。”

AI帮助从业者更快地工作并扩展其能力

并非所有评论都是负面的。近一半的评论（49%）表达了至少一些积极的情绪。迄今为止最常见的原因是AI让受访者更快或更高效：在带有积极情绪的评论中，超过一半提到了这一点。

“有了AI，我现在大多数日子都能在几小时内完成工作。这腾出了更多宝贵的时间。”

速度并非唯一的好处。一些受访者表示，AI提高了他们的工作质量，通常是因为节省下来的时间又被重新投入到了工作本身。

“我能够更快地迭代，而沉没成本（设计工时）不会影响继续改进的决定。这确实提高了我的工作质量。”

“很多问题（和对话）都是关于速度的好处，但以正确的方式使用AI也提高了质量、完整性和确定性，更重要的是，赋予了我和我的团队新的能力。”

许多受访者表示，AI 让他们能够完成以前做不到的事情，比如编程或复杂的数据处理。

“有些事情我可能要花好几年才能学会，甚至永远也学不会，但我确实需要（复杂的表格数据关联等），现在几秒钟或几分钟就能完成。”

“AI 还让我接触到了一些我过去（现在也）不具备的新技能，比如编程。”

独立工作或在小团队中的从业者可能受益最大：在 7 位提到自己独立工作或身处极小团队的受访者中，有 5 位给出了完全正面的评价。对他们而言，AI 已成为思维伙伴和替身同事：它帮助他们承接专业领域之外的工作，让他们对自己的决策更有信心，并帮助他们学习新技能。

“我是一家金融科技公司（专注金融领域的初创公司）的独立设计师。工作中的 AI 让我成了一支单人队伍。如果有真正的团队来支持决策和工作，我的交付质量会更好，但就我而言，AI 最大的好处无疑是产出量。”

“由于我身处一个非常小的团队，无法总是与他人讨论问题，AI 让我更有信心，确信自己的思考方向是正确的。”

收益和挫败感往往来自同一批人。在提到 AI 让他们更快或更高产的 61 条评论中，有 26 条同时表达了负面情绪。综合来看，这些评论表明 AI 的收益是真实存在的，但并不均衡。对于能够自主掌控 AI 使用方式的从业者，收益最为明显；而对于那些受限于规定、不断上升的期望或他人 AI 产出的人来说，收益就不那么清晰了。

大多数受访者预计自己的角色将发生变化，但仍将保持重要性

尽管存在这些挫败感，受访者对自己角色的未来仍持乐观态度。当被问及“以下哪项最能描述你预期自己的角色会因 AI 发生怎样的变化？”时，大多数（65%）受访者表示，他们的角色要么会保持同等重要性，要么会变得更加重要，承担更有价值的工作。只有 18% 的受访者认为自己的角色会缩小或被消除。

Bar chart of how respondents expect their role to change because of AI: grow or take on more valuable work 23%, redefined but about as important 42%, stay largely the same 12%, shrink or become less central 15%, eliminated 3%, and not sure 6%. — *大多数受访者认为自己的角色将保持重要性，但会被重新定义。极少数人认为自己的角色会被消除。*

这种乐观态度因角色而异。

研究人员对其角色更加怀疑

当我们对比研究人员和设计师的回答时发现，从统计上看，研究人员更不可能认为自己的角色会被重新定义但仍保持同等重要性，而更可能认为自己的角色会缩小或变得不那么核心。

Grouped bar chart of how designers and researchers expect their role to change, designers first: grow or take on more valuable work 21% and 20%; redefined but about as important 49% and 34%; stay largely the same 9% and 12%; shrink or become less central 12% and 23%; eliminated 3% and 4%; and not sure 5% and 6%. — *与设计师相比，研究人员更少认为自己的角色将保持重要性，而更多认为它会缩小或变得不那么核心。*

产品经理的工作安全感更高，研究人员和设计师更低

我们还让受访者在 5 分制上为自己的工作安全感打分，1 分代表非常没有安全感，5 分代表非常有安全感。尽管产品经理在我们的样本中占比较小（n=21），但他们的平均评分显著高于研究人员和设计师（分别为 3.81 对 2.94 和 2.99；p <0.05）。研究人员的平均评分低了将近一分。

Bar chart of average job-security ratings by role, from 1 (very insecure) to 5 (very secure): content design 3.04, design 2.99, engineering 2.86, operations 3.28, product management 3.81, research 2.94, other 3.49, and all respondents 3.08. — *产品经理对工作安全感的评分为所有角色中最高（3.81），显著高于设计师（2.99）和研究人员（2.94）。误差棒表示 95% 置信区间。*

在“其他”角色类别的受访者中（n = 61，占受访者的 12%），平均评分位居第二（3.49），同样显著高于研究人员和设计师（p < 0.05）。这一群体包括担任领导、战略或通才角色的人，职位名称如 UX manager、UX generalist 和 strategist。工程师的平均评分最低（2.86），但由于回答人数太少（n = 7），这一差异不具有统计学显著性。

产品经理和“其他”受访者得分较高的一个解释可能是，这些角色在本质上更具通才性质。他们的工作涉及的领域更广，而不是局限于单一专业领域。AI 正在让UX 通才更有价值，因为现在一个人就可以承担过去需要多名专业人员才能完成的任务。如果确实如此，那些角色范围更广的人可能会觉得，在 AI 模糊角色边界的过程中，自己受到的冲击较小。

还有一点值得注意的是，我们样本中的产品经理很可能比大多数人更了解 UX，因为我们是通过自己的渠道招募他们的。（出于同样的原因，他们可能无法代表更广泛的产品经理群体。）我们在深度访谈中跟进的两位产品经理此前都曾担任设计师，我们样本中的其他人也可能有类似的背景。这可能使他们更有能力亲自承担设计和研究工作。

其中一位参与者在五六年前逐步转到了产品岗位。他被这个岗位吸引是因为拥有更大的决策权。由于他的设计背景，加上 AI 工具加快了他的工作速度，他能够贡献设计、推送代码并撰写需求。在谈到这个职业的未来时，他告诉我们：

“我看到（……）产品经理和 UX 正在融合。因为一个人可以做更多的事情（……）以前，同样的事情需要三四个人。”

另一位参与者曾是首席设计师，最近因为喜欢工作的探索环节而转到了新产品岗位：

“我认为其中仍然有一部分是与 UX 相关的，但 Product 似乎正在接管其中更多的部分，至少在我看来是这样。”

如果产品经理承担了更多的设计和研究工作，那么研究人员和设计师相比之下感到不那么安全也就不足为奇了。

政府雇员比私营部门员工更有安全感

政府雇员报告的工作安全感平均评分在所有组织类型中最高（5 分制 3.86 分），显著高于在企业、中小型企业以及初创公司工作的人（p < 0.05）。与企业员工相比，他们更有可能预期 AI 基本不会改变自己的角色（31% 对 8%）。

Bar chart of average job-security ratings by organization type, from 1 (very insecure) to 5 (very secure): agency or consultancy 3.36, enterprise or large corporation 2.96, freelance or independent 3.24, government or public sector 3.86, nonprofit or education 3.32, small or mid-sized business 2.87, and startup 2.74. — *政府受访者对工作安全感的评分最高（5 分制 3.86 分）。误差棒表示 95% 置信区间。*

政府工作可能让人感觉受 AI 相关冲击的影响较小。这类工作通常有更强的裁员保护，而且政府机构由于安全审查和审批流程，往往采用新技术的速度更慢。这两点都可能让 AI 带来的变化显得更加渐进，使员工有更多时间适应。

结论

AI is making individual UX tasks faster, but that hasn’t made UX work better or practitioners happier. We think the difference comes down to productivity at an individual task level versus a broader system level. Respondents reported that AI shortened every task they used it for. Yet the time saved rarely stayed with them: it was absorbed by expectations to produce more or was spent cleaning up other people’s AI-generated work. A task made faster for one person can create work for another.

Most organizations judge AI at the task level: how many people use it and how much faster a deliverable gets produced. Our findings suggest the right unit of analysis should be the system — the total time and effort, across everyone involved, needed to ship work of acceptable quality. By that measure, a prototype generated in minutes that costs a designer days to make usable is a net loss, and the frustration and strain in our respondents’ comments are the symptom.

These findings are a baseline. As tools improve and organizations learn to use them, we expect the picture to change. In the meantime, leaders should not measure whether each individual uses AI, but whether work reaches users faster and better. They should help teams decide which tasks merit AI; not every task benefits equally, and tasks involving users benefit least. And they can treat AI output as a draft rather than finished work: someone still has to check it, and time saved doesn’t have to become more output. The respondents whose work got better, not just faster, were the ones who put that time back into the work — which is what system-level productivity looks like.

System-level thinking also means considering the broader impact beyond short-term wins. A third of respondents named ethical or sustainability concerns as a barrier, and several described being required to use a technology they object to on moral grounds. UX professionals have long argued that technology should serve people, and in Design for a Better World, our cofounder Don Norman argues that designers must also weigh the impact of their work on the environment and on society. Leaders who ask teams to adopt AI should make room to discuss these costs openly, rather than treating the concerns as resistance to change.

Survey Methodology

Our survey ran from August 24, 2026, through September 11, 2026. We used a convenience sample collected through our practitioner-research panel, our newsletter, and selected invite-only professional Slack communities. We also advertised through LinkedIn. The survey received 2,814 responses. We removed incomplete and bot responses (which came exclusively from LinkedIn), as well as responses from practitioners who were not currently working. We were left with 521 complete responses. These responses came from 246 designers, 145 researchers, and 21 product managers. The remaining 109 included roles like content designers, ops practitioners, strategists, and developers. Three-quarters of our sample worked for either an enterprise, small- to mid-sized business, or an agency, with almost half working for enterprise organizations. Fewer respondents worked in nonprofits or education (8%), government (7%), or startups (4%).

描述性统计和推断性统计均使用 Stata 完成。开放式回答由研究人员在 Dovetail 中进行编码。情感分析由 Claude Opus 5.5 和 ChatGPT-6 Astra 依据同一套书面规则完成。一名研究人员还对随机抽取的 50 条评论进行了评分，以核查模型的工作，并复核了两个模型存在分歧的所有评论。