Jean-Michel Lemieux：交付、招聘与产品对齐

Jean-Michel Lemieux 比较 Shopify 对质量的重视和 Atlassian 对速度的重视，并认为团队既要打造产品，也要建立一场运动。他与 Harry Stebbings 讨论交付、招聘、对齐和 AI 辅助开发。

Lemieux 对计算机的兴趣源于在学校结合音乐、艺术和数学。他用计算机和键盘为学校演出制作音乐，随后听从顾问建议学习计算机科学。对他而言，计算机是创意工具，而不是目的本身。

他建议刚进入职场的人从自己擅长的事情出发。他说，在 Atlassian 和 Shopify，他学到了创始人长期思考、投资营销和社区的重要性，即使工程师眼前的重点是构建产品。

他回忆 Atlassian 围绕团队工作方式建立社区，而 Shopify 培育了一场创业运动。按照他的叙述，这些都是为了让人们围绕共同目标聚集而有意作出的努力，而不是只依靠产品功能。

Lemieux 说，两家公司都有强大的创始人搭档，但工作文化不同：根据他的经历，Atlassian 常常快速交付，而 Shopify 会在较少的事情上花更多时间，并可能因质量问题停止工作。这些是他在特定时期的观察，并非对任何一家公司的固定描述。

他将 Atlassian 的商业运作方式与 Shopify 对客户喜爱并愿意推荐的产品的关注作对比。他说两者都需要变现，但使用不同的手段。他的叙述反映了自己曾在两家组织担任领导职务的经历。

Stebbings 认为，早期公司可以通过缩小理想客户范围获得成功。Lemieux 同意年轻团队的想法往往多于执行能力，在扩张前先把少数事情做到很好会有好处。

Lemieux 建议不要抽象地在速度和质量之间二选一，而应反复决定哪些工作需要精细打磨，哪些可以更快交付。选择取决于客户会注意什么，以及哪些基础必不可少；他目前的小公司正在试验这种平衡。

他的团队每周将常规设计讨论限制在一小时，重点讨论现在要交付什么、下个月需要准备什么。长期愿景仍然重要，但他说对遥远工作的过度讨论可能挤占当前执行。

他通过观察团队交付的内容及其质量衡量进展，包括查看拉取请求，而不是把代码行数作为目标。一行代码也可能影响重大；有用的信号是持续、有意义的产出节奏。

Lemieux 说，在当前工作中他已告别僵化的软件流程。他担心的并非所有规划，而是他所谓的“时间范围摩擦”：规划遥远项目的人反复打断建设者，导致讨论工作的会议多于实际工作时间。

他的试验方法是先对齐三年方向，讨论下个月的工作，并每周开一次简短会议处理阻碍。他认为交付可以通过产生反馈来降低风险，同时承认合适的规划程度取决于具体背景。

他认为大型组织也需要对齐，并相信 Shopify 正在推进相关变化，尽管他说这番话时已不在公司内部。他认为学校可能训练人们独自完成作业，而构建软件通常需要协作、原型和反馈。

为了解团队表现，他会问领导者交付了什么，以及哪些结果算好、哪些算优秀。他希望组织中的人形成共同质量标准，而不是通过是否遵守流程判断成功。

他质疑“招聘优秀人才，然后让他们独自工作”的建议。他说，人们在目标和标准上达成一致后，自主权才更有效；否则优秀员工可能朝不兼容的方向前进。

对新高管，他建议在领导工作上“结对编程”：商定少数重点，一起处理决策，同时请对方找出其他机会。他回忆自己曾与一位新工程领导者一起审阅 React Native 工作和文章，以了解彼此的思考方式。

他用频繁的小型交流对齐决策，而不是将所有事情都变成会议。Stebbings 提出异议，更希望受信任的员工不要每天向他发送更新；两人对多少沟通有用存在分歧。

Lemieux 借用一个决策树框架：根部决策影响重大且难以撤回，树干决策可能受益于讨论，而树叶决策通常可以独立作出。他建议团队明确商定哪些决策需要对齐。

他的招聘流程从“滑雪板测试”开始：提出关于候选人理想职位的开放式问题，了解什么能自然地激励他们。他想知道公司需要完成的工作，是否也是对方真正想做的事。

接下来，他请候选人向自己讲解他们关心的领域，探究其对各个层面的理解有多深。最后，他讨论岗位并询问对方曾构建过的最困难的东西，通过回答了解判断、质量标准和寻求帮助的方式。

他通常更重视动机、技能和学习能力，而非完全相同的行业经验，同时承认某些领域会受益于直接经验。这是他的招聘理念，并不能证明经验不重要。

常见错误包括没有发现候选人并不真正想要这个职位，以及只评估复杂岗位的一个层面。他希望面试官了解一个人的优势和可能需要帮助的地方，而不是寻找所谓完美候选人。

他自己不理想的招聘往往发生在仓促行事、跳过部分流程时。现在经理离职后，他会设法争取时间：召集团队，明确客户仍然需要什么并提供支持，而不是承诺立即找到替代者。

他还持续维系一个自己希望与之共事的人脉网络，目标是每周认识一位有趣的人。当职位出现时，之前的关系能提供更多背景，减少从零开始寻找的压力。

Lemieux 对 AI 编码工具充满热情，将其与学生时代借助计算机制作音乐的经历相比较。他说，在自己当前的工作流程中，副驾驶工具编写了约 80% 的代码，而他负责架构；这是个人估计，并非测得的行业生产力水平。

他预测 AI 会帮助小团队，并将技术人才重新分配到医疗、教育、农业和能源等服务不足的领域。他预计能够解决的问题范围会扩大，但没有确立未来就业结果。

Stebbings 担心既有厂商拥有前所未有的现金、数据和速度。Lemieux 则看到建设更好基础设施的机会，例如政府和医疗系统，尽管他承认构建基础平台很困难，也可能耗时很长。

被问到为什么强团队会变得平庸时，他建议找一个“配速员”：定期与同行交流他们交付的内容、事故和运营实践。外部参照既能揭示共同问题，也能发现团队可以改进的地方。

他说，重新回到从零到一的工作有时很孤独。妻子在高低起伏中给予他支持。他也喜欢尝试新工具，直接向构建者学习。

他作为客户称赞 Equals，因为它将电子表格工作与共享数据连接起来，并明确说自己没有投资该公司。Stebbings 对价格、获客和拥挤的市场定位提出疑问；Lemieux 说，喜欢一个产品并不能证明它是一笔好的投资。

在快问快答中，他说首席执行官常低估寻找客户和建设社区的日常工作。他提醒不要过快招聘，并建议开始产品领导工作时花时间做客户支持，就像他在 Shopify 所做的那样。

他描述设计、产品和工程之间，有时还有销售之间的张力。他说自己曾领导 Shopify 销售团队一年，帮助产品已准备好服务的客户与公司的销售重点对齐。

他的团队发现，小商家与一些商品目录相对简单、交易量极大的品牌之间有共同点。他说，Shopify 没有立即追逐每个复杂客户，而是专注于产品需求相近的客户，同时改善支持更大交易量的能力。这是他对该策略的回忆。

Lemieux 说，一旦产品与销售团队对目标客户达成一致，销售就能迅速接触这些客户，产品团队也能聚焦路线图。对谈随后在感谢中结束。