《Proceedings of the Design Society》：What designers need from agentic AI: case of circularity and CMF design
编辑推荐：
色彩、材料与饰面（Colour, Material and Finish, CMF）设计师正面临日益增长的循环性需求，但缺乏能够整合可靠数据、可追溯推理与创造性控制的工具。本研究报道了一项与汽车CMF设计师的合作案例研究，识别出数据获取、循环选项评估、创作权归
色彩、材料与饰面（Colour, Material and Finish, CMF）设计师正面临日益增长的循环性需求，但缺乏能够整合可靠数据、可追溯推理与创造性控制的工具。本研究报道了一项与汽车CMF设计师的合作案例研究，识别出数据获取、循环选项评估、创作权归属及对人工智能信任等方面的痛点。研究人员提出了设计需求与一个概念模型，用于构建支持循环性CMF工作的智能体人工智能（Agentic AI）系统，同时保障设计师的主体性（designer agency）、问责制（accountability）及材料决策中的信心。
循环色彩、材料与饰面（Circular Colour, Material, and Finish, CMF）设计已成为汽车行业中可持续发展的关键领域。约80%的产品环境影响在设计阶段即已确定，而CMF决策通过界定材料选择与饰面处理直接决定车辆的环境足迹。同时，汽车制造商日益承受采纳循环经济原则的压力——如使用可回收、可再生及低碳材料——且不得牺牲质量或美学。这些要求相互矛盾，因为可持续及可再生在当今市场中被快速淘汰。可持续材料设计需求与现有知识库系统（Knowledge-Based Systems, KBS）的匹配、验证、整合与循环性评估之间存在显著差距。因此，本研究旨在通过为CMF设计决策提供可靠的可持续性数据，支持循环设计选择与消费者期望对齐。
## 研究背景与问题界定
循环色彩、材料与饰面（CMF）设计已成为汽车行业实现可持续性的关键战略杠杆。研究表明，约80%的产品环境影响在设计阶段即已确定，而CMF决策通过界定材料选择与饰面处理直接塑造车辆的环境足迹。然而，当前CMF设计师面临严峻的工具缺失困境：他们虽有意愿践行循环经济原则——如采用可回收、可再生及低碳材料——却缺乏有效的数据支持与评估手段。可持续材料常被消费者视为"低质量"，这一感知偏见加剧了设计挑战；同时，管理层成本优先的决策逻辑与设计师的可持续愿景常形成张力。更具根本性的是，现有知识库系统（KBS）在动态市场环境下的时效性、全面性与可信度均存疑，而基于概率模型的人工智能系统又引发数据透明度、可靠性及隐私等新问题。在此背景下，智能体人工智能（Agentic AI）——能够自主规划、推理并执行任务的AI系统——被视为潜在解决方案，但其设计必须优先考虑用户需求，以增强用户信任并促进更高采纳率。
## 研究设计与方法
本研究采用质性案例研究方法，选取"CMF循环性AI"项目环境作为单一案例，聚焦汽车CMF设计实践及其与可持续性和AI的关联。研究人员通过目的性抽样招募了8位来自不同汽车原始设备制造商（OEMs）及一级供应商的专业CMF设计师，采用半结构化深度访谈收集数据，每次访谈时长60-90分钟。访谈分为两部分：第一部分探讨设计师如何将循环经济原则整合入决策过程（回答研究问题RQ1），第二部分聚焦其对智能体AI工具的期望与需求（回答研究问题RQ2）。数据转录后经研究者校对，并运用质性主题分析法进行系统分析，同时借助AI文本分析工具（Manus AI）进行交叉验证，确保分析的信度。
## 核心研究发现
**设计师需求与当前差距。** 访谈揭示CMF设计师强烈渴望在工作流程中实现更好的数据整合，尤其是可持续性指标。几乎所有参与者都强调在设计阶段需要可获取的环境影响数据（如CO?足迹、材料重量、可回收性），但目前获取此类信息繁琐且不可靠——一位设计师（P3）描述从供应商处获取清晰数据"非常困难"。此外，现有工具的可用性与整合度低下：设计师仍依赖基础电子表格或孤立数据库追踪材料与影响，普遍呼吁"比Excel更友好"的界面。产品生命周期管理（PLM）/物料清单（BOM）系统的设计也不便于查询，迫使设计师进行手动操作。信任建立方面，设计师强调AI系统必须使用可信、及时更新的来源，并清晰记录参考依据。一位工作室工程经理（P4）明确表示，需要"关于该AI工具信息来源、何种数据库支撑其答案的清晰说明"才会信任结果。协作与决策支持方面，设计师希望工具能帮助沟通和记录选择背后的 rationale，例如生成简要报告以"展示设计历史和依据"，从而为CMF提案增添分量。技术局限方面，数字可视化与物理现实之间存在差距：屏幕上的颜色/材料渲染常因光照条件或材料行为难以模拟而与现实不符，导致设计师仍严重依赖物理原型，造成延迟。
**对循环性的态度。** 参与者普遍表达了个人对可持续性和循环设计的强烈承诺，但实际态度受到行业内部张力与矛盾的调和。首要冲突存在于可持续性目标与成本或组织优先事项之间。许多设计师感叹，在实践中环保材料或循环解决方案常被预算考量所覆盖，部分OEM仍缺乏使用可持续材料的正式要求，使相关努力依赖个人领导力支持而非制度性强制。另一核心张力在于循环性定义与其他可持续性标准之间的平衡。多位参与者指出"可持续性"具有多维度性甚至可能内部矛盾：例如产品耐用性（ longevity）与循环性之间的权衡——某部件高度可回收但不够耐用，而极耐用的材料即使不易回收也可能通过延长使用寿命减少浪费。这种循环性、碳足迹与产品寿命之间的权衡被明确Ackn。此外，循环性测量缺乏标准化：不同车企对同一材料（如皮革）的碳足迹计算方式迥异，导致"非常、非常不同的结果"，这种不一致性加剧了设计师的怀疑态度。操作 constraints方面，CMF设计师承认无法单独推动循环性，因为关键决策（材料、零件几何形状、制造方法）常在工程或产品战略的上游阶段即已确定。一位受访者观察到，影响可持续性的大部分因素"在CMF团队之前的链条中已被确定"。文化审美视角则呈现另一张力领域：汽车行业崇尚材料完美与一致的传统与再利用、自然变异的理念相冲突。多位受访者批判行业对"完美"的执念——即每个表面必须看起来 pristine 且 identical——这可能阻碍循环性：使用回收材料可能引入轻微颜色斑点或铜绿，而设计耐用性则意味着接受材料随时间老化。有人主张拥抱"美丽的 aging"，即材料发展出铜绿或磨损可被视为增添特色而非缺陷。
**对AI工具的期望与顾虑。** 讨论潜在AI助手时，参与者抱有高期望但也提出重要顾虑。他们普遍将AI工具设想为强大的助手，用以简化繁琐任务、以数据告知决策并激发创意——同时尊重设计师的专业知识。具体而言，设计师期望AI提供生命周期影响指标、作为创意支持（而非替代者）、并满足信任与透明度要求。分歧方面，所有受访者都同意AI工具需提供定量环境影响数据，但在AI应如何呈现建议上存在差异：有人希望严格指导，有人仅需要灵感。主要顾虑包括可靠性误用和整合挑战。
## 人与AI协同创作与作者权归属
研究人员将智能体AI框定为一个能干的"第二设计师"，加速搜索、测量和探索，但不设定品味或最终设计意图。这一框架与Lee等人（2025）的研究一致，即AI在设计中最有效时是作为增强人类判断而非替代的判断的协作者。其价值在于速度与广度——呈现选项、量化CO?或可回收性、召回 precedents——而作者权仍归属于理解品牌语言、触感及材料真实使用老化方式的团队。过度依赖的风险在于：提示词 drift 向安全调色板、生成式预览 bias 选择、以及本质上不一致的数据可能伪装为确定性。因此，研究人员建议将AI输出视为提案而非决策——有助于缩小范围、压力测试假设和揭示权衡，然后依据工艺标准（如多样光照下的和谐性、随时间的感知质量、品牌契合度）进行评判。为在实践中保护作者权，研究人员提出明确的 guardrails：第一，通过可编辑假设和锁定提示词（范围、边界和品牌线索的模板）使设计师保持"在环"；第二，强制溯源：每个图表、比较或图像携带来源、模型/版本、数据时间戳和不确定性说明，快照冻结以备审计；第三，建立 review rituals——配对评审或"材料 crits"，在其中AI结果受到物理样本、已知基准和 prior programs 的挑战；第四，分离构思和决策模式：生成式图像存在于带有水印和风格指南的沙盒中，决策则依赖可复现的分析和交叉检查；第五，为分歧定义升级路径（设计师以 rationale 推翻）和持续学习（当人类纠正工具时，系统更新其默认设置）。这些实践使团队能从AI的广度中获益，而不稀释创意身份或问责制。
## 概念模型与讨论
研究人员提出了一个概念模型，将设计师的困境与AI助手必备能力及采纳条件相链接。痛点包括：碎片化数据和 opaque 可持续性指标、低可用性工具链和手动变通方案、繁重的协作/论证开销、以及数字-物理 fidelity gap。对应的AI能力包括：对话式界面；连接至PLM/BOM、材料库、供应商、CAD和图像的连接器；针对CO?、重量和可回收性的分析及比较视图；材料和构造的排名推荐；以及一键报告和导出。采纳调节因素涵盖：透明度、可用性和工作流程契合、企业级安全与保密性、以及明确的人-在环过程。预期成果则包括：更早更快的设计决策、关于循环性和CO?的更高决策质量、减少返工和原型 churn，以及可跨团队传递的可审计依据。
在讨论部分，研究人员强调设计师对AI持谨慎乐观态度：他们相信行业与自身团队正缓慢向可持续性核心价值的转变，瞩望"设计思维的文化转变"与新领导层"理解从材料出发的重要性"。这种韧性体现在即使在预算和工具有限的情况下，设计师仍对创新可持续性方案保持开放。然而，真正的循环经济需要跨职能 alignment 超越CMF领域，AI工具可通过质疑设计选择、提示更激进的想法（如通过设计"减少材料流入"）来注入系统性循环思维。
## 研究结论
研究人员考察了汽车CMF设计师当前如何应对循环性，以及他们需要智能体AI提供何种支持以做得更好。通过基于访谈的案例研究，研究发现概念阶段可获取的可持续性数据存在持续差距、工具碎片化与孤立、以及协作和论证支持有限。设计师重视契合工作流程的AI（对话式查询、PLM/BOM/CAD及图像摄取）、提供透明且可复现的分析（CO?、可回收性、重量、成本）、以及生成可共享报告和可辩护建议。他们乐观但谨慎：采纳取决于来源可追溯性、不确定性披露、结果一致性、系统紧密集成及企业安全。本研究的贡献在于提供一个简洁的以用户为中心的需求集和一个概念模型，将当前痛点与AI能力及采纳调节因素相链接，为CMF聚焦的决策支持提供具体设计方向。未来工作应使用真实项目数据原型化这些能力，并测量其对决策质量、时间和循环性成果的影响。
