AI 让构建变廉价后，学习速度怎么追上？现场演示答案
From concept to confidence with Dscout AI | Config 2026 · Jenny Shear
全片 19 分钟·真正值得盯屏约 4 分钟·3 个必看点
- 0:12 – 2:30听
代码变便宜了，研究反而更贵
由 Figma 一方开场引入 Dscout 团队，两位讲者亮相。开篇直接抛出全场的核心矛盾：既然写代码已经近乎免费，为什么不干脆跳过研究直接上线。
迭代能力的天花板不在构建速度，而在反馈的质量和速度——真正的难题是让学习跟上构建。
这段基本是两人站在台上讲话和互相介绍，屏幕上没有需要盯着看的内容，边做别的事听着就够。▶ 跳到 0:12 - 2:30 – 5:00听
别被自己的 AI 捧晕了
讲者提出一个很尖锐的观察：用 AI 构建时，工具会不断夸奖你的方向对、想法好，人很容易「嗑上自己的货」。把这种奉承当成真实市场信号，会慢慢失去对「什么才真正打动人」的判断力。
craft 不只是把东西做精，更是让人产生深度共鸣的能力，而这种共鸣只能从真实用户那里校准。
纯粹的观点论述，配图最多是几句大字标语，闭着眼睛听不会漏东西，反而更容易跟上论证。▶ 跳到 2:30 - 5:00 – 7:14听
人人都能做，谁来定方向
当每个人都成了 maker，能拍板的人骤增，很多公司陷入原型和概念验证做了一堆却推不下去的困境。问题从「怎么造得更快」变成了「什么才值得造」，团队对齐成了新瓶颈。
POC 过剩不是产能问题而是方向问题，缺的是共同的判断依据。
延续上一段的论述节奏，屏幕内容服务于口头表达，用耳朵跟着推理线走即可。▶ 跳到 5:00 - 7:14 – 11:28略
从找到契合到跟上流动
提出一个替代 product-market fit 的说法：产品进出契合状态的速度已经快到「以分钟计」，与其追求找到一个稳定几年的甜蜜点，不如练就随市场流动敏捷调头的能力。随后进入 AI Studio 的发布，讲第一条原则——让团队里任何一个 builder 都能发起研究。
只要给出学习目标和一个 Figma 原型或网址，AI 会自己爬取原型理解上下文，并带着 UX 常识引导你做完搭建一份靠谱研究所需的所有决定；挡住非研究员的从来不是意愿，而是时间和信心。
这一段主要靠幻灯片上的概念图和产品截图推进，图看一眼意思就到了，可以拖着进度条扫过，遇到产品界面停一下再走。▶ 跳到 7:14 - 11:32 – 14:20略
护栏比审批流管用
研究一旦对所有人开放，质量就成了问题。这里给出的答案是把组织的最佳实践直接固化成模板，让做研究必须经由它，用来替代没人维护的文档、Notion 知识中心和层层审批。
模板的定位不是给人一个起点，而是一道不碍事的护栏——治理要长在工作流里，而不是挂在流程外。
内容以模板配置界面和流程图为主，快速扫过截图理解结构即可，不需要逐句听。▶ 跳到 11:32 - 14:20 – 16:15看
AI 主持人与会数据对话
介绍由 AI 主持访谈：它能自己判断哪里该追问、哪里该深挖，可以跨时区跨语言同时跑上百场。接着展示如何直接向数据提问，以及自动策展出的关键时刻集合。
反直觉的一点是，面对 AI 主持人，参与者反而更放得开、说得更实在——这让访谈级的质性数据第一次有了规模化的可能。
结尾处会滚动展示 AI 从大量会话里挑出的高光片段墙，一眼就能看出它挑得准不准、能不能替你省下几小时录像时间，这个判断只能靠看。▶ 跳到 14:20 - 16:15 – 18:36看
在 Figma Make 里跑完一整圈
当日发布的 beta 版连接器，让整套反馈流程发生在设计工作本来就在的地方：在 Figma Make 的对话里叫出 Dscout，生成可发布的可用性测试，收集完反馈再拉回来，让原型据此改一版。
闭环的价值不在于少点几次鼠标，而在于测试与迭代之间不再有工具切换这道坎，学习速度才可能真正贴上构建速度。
全程是在真实界面上一步步操作，输入什么、生成了什么、原型怎么变，都要看着屏幕才成立；单靠讲述完全无法判断这套东西好不好用。最后一小段是展位指引，可以直接结束。▶ 跳到 16:15