English | 繁體中文

目錄

第1部分: 為何設計思維「現在」必須結合 AI [詳情]

第2部分: DT 1.0 與 DT 3.0：從紙本工作坊到「活的系統」 [詳情]

第3部分: 從通用 AI Agent 邁向專業化 AI 設計思維代理 [詳情]

第4部分: 協同運作 150 個 AI 設計思維代理，推動企業級創新 [詳情]

第5部分: 把 AI 設計思維代理 嵌入日常營運 [詳情]

參考文獻

第1部分: 為何設計思維「現在」必須結合 AI

過去 50 多年，設計思維 (Design Thinking) 一直是個人與企業進行創造性問題解決的核心方法。然而，當前的商業挑戰具備系統性、數據密集與高度波動等特性。傳統「單靠人力」的作法，已難以及時回應來自用戶、市場、合作夥伴及科技環境的各類訊號，進而限制創新的成功率。

引入 AI 後，企業可將創新週期加速 48–95%【詳情】（Dash, 2023；InnoEdge, 2024），並把針對用戶需求的決策準確度提升至接近 90%【詳情】（Ducange et al., 2019）。在此背景下，由 AI 設計思維代理驅動的「AI 賦能設計思維」方法，已成為致力於持續產出成功創新的組織之關鍵能力。

生成式 AI 與 AI 代理，為設計思維注入可擴展的「計算型認知能力」，能高速分析大量非結構化資料，從中辨識模式、萃取洞見，發掘傳統團隊難以察覺的機會。AI 亦將同理、共創、原型設計與驗證，從實體工具延伸至全方位數據與情境。關鍵在於：AI 並非取代人的判斷，而是重新配置與提升人類專業的價值，使團隊能把時間與精力集中在最具策略價值的決策上，從而同時提升創新品質與命中率。

第2部分: DT 1.0 與 DT 3.0：從紙本工作坊到「活的系統」

紙本版設計思維—DT 1.0—主要依賴便利貼、畫布與手繪草圖。這些工具有助於建立團隊共同理解與凝聚力；Samsung SDS 的設計思維工具箱（圖 1）就是一個具代表性的案例。然而，這些成果大多是靜態的、難以重複運用，並與即時數據脫節。洞見往往停留在牆面或相片存檔中；每一次新專案幾乎都要重新開始，組織的累積學習因而零散且淺層，難以支撐可複製的創新成功模式。

圖 1：Samsung SDS 設計思維工具箱

DT 3.0 則以 AI 賦能的數碼基礎設施，取代上述限制。系統能自動匯入訪談逐字稿、問卷、系統紀錄與各類文件，並進一步運算與整合，生成可持續優化的角色設定（Personas）、旅程地圖與問題定義。Samsung 的 AI「增強版旅程地圖」（圖 2a）正是這一轉型的體現：它即時呈現客戶旅程，同時由 AI 自動辨識關鍵阻力點與成長機會，大幅提升解決方案的貼合度與表現。透過導入 Design Thinking 3.0，Samsung 報告顯示，人為錯誤降低 96%，管理成本下降 15–25%，盈利提升 5–10%。這些具體指標，清楚反映出創新成功率與投資報酬的顯著改善。

圖 2a：Samsung AI「增強版旅程地圖」

第3部分: 從 「通用 AI 代理」 邁向 「專業化 AI 設計思維 代理」

多數設計思考實務者一開始採用的是通用型 AI Agent——例如可以回答問題、摘要文件或協助撰寫內容的「泛用 Co‑pilot」。這類工具確實能帶來一定程度的生產力提升，但其與企業創新策略、設計思維各階段，以及企業級關鍵績效指標（KPIs）之間的連結相對薄弱，因此對整體創新成功率的影響往往零散且難以量化。

相較之下，「專業化 AI 設計思維代理 (Specialized AI Design Thinking Agents)」是經過嚴謹治理與深度整合的系統：它們與企業、事業單位及團隊的創新目標精準對齊，並由超過 150 個專業化工具與數以百計的最佳實務引導，直接對準創新成果與成功率提升。

如下方比較表所示，從 通用 AI 代理 (Generic AI Agents)【第 (1) 欄】轉向 專業化 AI 設計思維代理 (Specialized AI Design Thinking Agents)【第 (2) 欄】，並非單純的工具升級，而是一場關乎治理結構與能力體系的深度轉型。這種轉型，能系統化地提升創新工作的速度、品質與可預測性，為企業打造可規模化、持續性的 AI 賦能創新優勢。

項目第 (1) 欄
通用 AI 代理
(Generic AI Agents)		第 (2) 欄
專業化 AI 設計思維代理
(Specialized AI Design Thinking Agents)
(1) 焦點與治理方式以個人與資料支援為主；協助處理任務、內容與問題；多為獨立工具聚焦於企業、團隊與事業單位創新；內建於共同流程、創新階段、投資組合與 KPI 管理之中
(2) 解決問題的方式回應臨時提問；一次一題，範圍狹窄由 150 個專業工具及數百項最佳實務引導，覆蓋端到端創新工作
(3) 影響層級主要提升個人生產力；改善文件與資料分析品質直接作用於企業／團隊／事業單位層面的策略、收益、成本、顧客體驗 (CX)、員工體驗 (EX)
(4) 效能與速度質量與速度高度依賴個別使用者與提示技巧創新工作最高可加速 95%；在捕捉與結構化用戶需求方面，準確度高達約 90%
(5) 可擴展性難以超越個人層次擴展；導致零散、各自為政的使用情況自設計為企業級部署；以一個協調一致的「AI 創新工作群」覆蓋整間公司

第4部分: 協同運作 150 個 AI 設計思維代理，推動企業級創新

在 Design Thinking 3.0 架構下，六大類 AI 代理縱貫整個創新生命週期，分別聚焦於: 界定挑戰（Determining Challenges）、洞察資訊（Discovering Information）、確立機會（Defining Opportunities）、發展構想（Developing Ideas）、交付方案（Delivering Solutions）及推動變革（Driving Changes），形成一個完整而可持續優化的創新系統。

研究者指出，自 2019 至 2025 年間，共有 17 個 AI 設計思維代理人被開發出來（圖 5；dos Santos et al., 2025）；其後 InnoEdge 又於 2026 年 1 月正式宣佈，推出 150 個 AI 設計思維代理人【詳情】（www.DesignThinkers.AI，圖6）。

這種從不足二十個代理人，到發展成 150 個成熟生態系的急劇躍升，清楚顯示 AI 對設計思維的支援，已快速從零星試驗進化為真正的企業級能力。AI 代理人不再是創新流程的邊陲工具，而是構成可規模擴展、數據驅動且持續以用戶為中心的「創新基礎設施層」，直接提高專案在市場與組織內落地成功的可能性。

圖 5：17 個 AI 設計思維代理人（按此放大）
圖 6：150 個 AI 設計思維代理人（按此放大）

第5部分: 把 AI 設計思維代理 嵌入日常營運

綜合本文的證據，可以得出明確的策略結論：AI 設計思維代理人必須從「選擇性試點」轉變為「日常必備做法」。它們能把設計思維，從偶發、以工作坊為主的活動，升級為植入核心營運的紀律化、數據驅動創新引擎，有效提升創新產出量與成功率。

當組織將專業化 AI 設計思維代理人的「每日使用」制度化後，便能同時提升速度、準確度與與企業策略的對齊程度，並降低因偏見、資訊不全或方法不一致而導致失敗的風險。對高層領導而言，這已不再只是科技選項，而是一項關乎治理與競爭力的關鍵決定——是打造可規模擴展的 SMART 創新人才隊伍、並持續把創意轉化為可衡量業務成果的核心槓桿。

參考文獻

  1. Brinck, T. (2025). Design Thinking with Generative AI: Powerful ChatGPT Skills for UX. Proceedings of the Extended Abstracts of the CHI Conference on Human Factors in Computing Systems
  2. Casanovas, M. M. (2025). TRANSFORMING DESIGN THINKING EDUCATION WITH GENERATIVE AI: A COMPARATIVE STUDY IN HIGHER EDUCATION. EDULEARN25 Proceedings
  3. Chen, Y., Qin, Z., Sun, L., Wu, J., Ai, W., Chao, J., Li, H., & Li, J. (2025). GDT framework: integrating generative design and design thinking for sustainable development in the AI era. Sustainability, 17(1), 372.
  4. Clay, J., Li, X., Goldstein, M. H., Demirel, H. O., Zabelina, D., Xie, C., & Sha, Z. (2024). Board 258: Engineering Design Thinking in the Age of Generative Artificial Intelligence. 2024 ASEE Annual Conference & Exposition
  5. Clay, J., & Sha, Z. (2025). Paradigmatic design thinking: how generative AI changes the role of human designers. Proceedings of the Design Society, 5, 2571-2579.
  6. David, Y., Krebs, A., & Rosenbaum, A. (2023). The use of generative AI tools in Design Thinking academic makeathon. CERN IdeaSquare Journal of Experimental Innovation, 7(3), 43-49.
  7. Dash, S. K. (2023). Artificial Intelligence (AI) Facilitated Data-Driven Design Thinking. In (pp. 17-24). Springer Nature Switzerland.
  8. dos Santos, R. A., Gauthier, F. A. O., Macedo, M., & Roberg, V. (2025). Generative AI Applied to the Design Thinking Process in Knowledge Engineering Projects. Proceedings of the 25th European Conference on Knowledge Management (2 vols)
  9. Ducange, P., Fazzolari, M., Petrocchi, M., & Vecchio, M. (2019). An effective Decision Support System for social media listening based on cross-source sentiment analysis models. Engineering Applications of Artificial Intelligence, 78, 71-85.
  10. Georgiev, G. V., Mahmud, N., & Islam, M. M. (2024). AI Enabling Design Thinking: Exploring the Impact of Generative AI on Creative Design. International Conference on Society for Design and Process Science
  11. Indriani, D. N., & Kumalasari, R. D. (2025). Integrating Generative AI with Design Thinking Approach to Improve Efficiency and Relevancy of MSMEs Promotional Content. 2025 IEEE International Conference on Artificial Intelligence for Learning and Optimization (ICoAILO)
  12. InnoEdge (2024, December). Innovation Jam 2024: Co-creative community design journey for Sham Shui Po Fabric Market with 2-day AI-driven Design Sprint. InnoEdge.
  13. Jiang, C., Huang, R., & Shen, T. (2025). Generative AI-enabled conceptualization: Charting ChatGPT’s impacts on sustainable service design thinking with network-based cognitive maps. Journal of Computing and Information Science in Engineering, 25(2), 021006.
  14. Lee, S. (2025). Case Study on Digital Design Education using Design Thinking and Generative Artificial Intelligence. Journal of The Korean Society of Living Environmental System, 32(1), 54-65.
  15. Li, M., Li, Y., He, C., Wang, H., Zhong, J., Jiang, S., He, M., Qiao, Z., Chen, J., & Yin, Y. (2025). Navigating the Role of Generative AI in Shaping Self-Efficacy and Design Thinking Process of Novice Designers: A Case Study in Sustainable Design Education. International Journal of Human–Computer Interaction, 1-20.
  16. Rana, V., Verhoeven, B., & Sharma, M. (2025). Generative AI in design thinking pedagogy: Enhancing creativity, critical thinking, and ethical reasoning in higher education. Journal of University Teaching and Learning Practice, 22(4), 1-22.
  17. Suwannatip, R., Sintanakul, K., & Srisomphan, J. (2025). A Learning Model using Design Thinking in an Online Environment, Integrating Project-Based Learning with Generative AI Tools for Design. 2025 International Conference on Power, Energy and Innovations (ICPEI)
  18. Yeji, S., & Jeongmin, L. (2025). Personalized Support for Creative Problem Solving: Design and Development of a Generative AI Chatbot in Design Thinking. Educational Technology International, 26(1), 37-67.

RELATED ARTICLESMORE FROM AUTHOR