系统思考者优于专才：Netflix CPTO 谈人才密度、AI 流利度和卓越操作系统

Lenny Rachitsky 一上来就点出眼下的普遍焦虑：AI 让产品经理也能交代码，设计师能写需求文档，工程师能做产品工作，于是很多人开始问「我的工作到底还剩什么」。Elizabeth Stone 说，Netflix 内部同样听得到这种困惑和挫败。她的判断是，任何足够颠覆的新技术都会先经历风暴期，再进入成形期，而生成式 AI 正把团队甩在风暴的正中间。

她并不主张把 AI 关回盒子。快速把一个想法做成原型、写出第一版代码去验证，她认为是好事；但她不相信每个人都该把代码推进生产，也不相信人人都该什么都干。业务问题一旦清楚，产品和设计不必干等工程档期，先往前走是健康的流动性；他们仍应和工程搭档一起想清楚如何产品化、如何扩规模、护栏设在哪里。职能专长并没有过时，团队只是要对「这段路可以走得更快」更习惯。

要把好处拿到、把代价压住，Stone 列出几项组织前提：权威数据要清楚；大规模改动上线前要有护栏或测试；要想明白哪些 AI 产出可以信任、哪些必须过审；还要反复强调，人对自己创造的东西仍然负责。智能体可以写代码，分析可以不是自己的老本行，问责并不因此消失。投资这些基础设施和习惯，才能在「什么都可能」和「什么真正该做」之间找到平衡。

过去两年半，Stone 观察到产品经理、设计师和数据科学家，能在工程真正挡在关键路径之前，把产品开发周期往前推得更远。她立刻补了一句提醒：如果突然冒出成千上万个原型，却不对准业务认定的重要问题，工程搭档也不知情，那就只是在墙上扔意大利面。问题对、做法有思考、方向有对齐时，产品、设计和数据科学可以更快走到可验证的假设，无论是原型还是写代码。

另一层变化是，Netflix 几十年实验、用户洞察和业务方意见，过去散落在虚拟墙里，很难用上。AI 擅长跨材料蒸馏和分析，能给出一个起点。Stone 自己也不再为「哪一年做过什么研究、测过什么」去打断同事，几乎立刻就能查到，再形成自己的判断。她把它当成助跑，而不是可以独家依赖的答案。财务、内容和广告侧的业务方也能先形成假设，再找数据科学家深挖。

Lenny 问：如果人人都成了构建者，还要不要分职能？Stone 的回答是要。数据科学家仍是「数据能不能信、解读对不对」的专家，产品经理仍擅长把问题本身框对，工程师仍握着如何扩规模、高质量长什么样、某种构建方式会留下什么坑。大家因为工具会说更多「语言」了，但她依然觉得优秀工程、优秀数据科学、优秀创意都稀缺。事情变容易了，手艺并没有溶解。

被问到饼图里哪块在涨、哪块在缩，Stone 说变化并不精确对应某个职能名称，但公司明确需要更多系统思考者，而且在不同职能里长相不一样。过去 Netflix 能跑得快，很大程度是因为本地团队按自己的业务问题搭栈，不必走中央铺好的路。智能体要跨多个系统工作、要权威数据时，一次把问题解对、做成通用能力和护栏，就变得更重要。工程画像因此更偏向分布式系统和基础设施，同时仍保留个性化、广告和内容分发上的深度专家。她的原话是：把 Netflix 带到这里的那套，带不到下一站。

设计侧是同一逻辑。体验设计团队要做模板和系统，让没受过设计训练的人也能做出连贯、嵌进端到端会员体验的产品。Stone 很怕不同设计语言、不同交互方式拼出「科学怪人」。设计师因此要从「给某个产品做某个功能」后退一步，去想品牌表达、什么叫好的用户体验、Netflix 自己的那味儿是什么。每个职能都在发生这种往后站、看全景的转向，现有团队要重新定向技能，招人也要找这种专长。

原因不只是速度。平台能给大多数团队八成的起步，Netflix 现在跨业务下的注也更多；AI 世界里还有脚手架的问题：更多人在做更多类型、对他们来说更新的工作，访问、身份、安全和高质量交付不能交给每个构建者自己去问「提醒我一下好的标准是什么」。几千人的组织不能再靠口口相传或找到那个唯一知情的人。她的愿景是许多智能体一起干活，人负责框问题和判断产出，同时把风险管住。

Lenny 提到此前嘉宾 Jenny Wen 的论点：设计过程已经死了，因为根本没时间走完整流程，设计师变成给别人指路、纠偏，有空才想大图景。Stone 心情复杂。基础设施和系统思考，本就该让更多人把设计做进日常工作里，新技术提供了这个机会；但最重要的优先级上，设计仍然关键，Netflix 仍会为重要设计工作留出时间。设计师自己工具箱更大了，能更快给选项、学习、迭代和测试。

她认为，仅仅因为写代码和做分析变快，就把深度设计专长挤出去，会是个错误。对 Netflix 这种大规模消费产品来说，产品、技术和设计把复杂度藏起来、做出无缝体验，本身就是必须守住的设计心智。工作形态可以变，心智不能丢。

被问到哪些技能在往下走，她点名非常窄、非常深的专业化。编码、播放系统这类世界上只有少数人真正懂的领域，她仍要专才；但和五到十年前比，她预期专才会更少，能在前后端、职能或基础设施之间切换的人会更多。专才可以留下，前提是愿意成长，并持续追问「这个工具、这种解法现在还对不对」。黏在窄专项上，会让她担心对方有没有朝不同方向探索的心态。

人们听完会问：系统思考到底怎么练？Stone 给了一个小技巧。对正在解的每个问题，往外点开一格，问自己对更大空间做了什么假设。如果任务是给会员体验做一个新功能，先停一拍：更大的用户问题是什么？它要支撑哪类内容？这样建，能不能跨内容类型扩出去，或者变成平台能力贡献给多条业务？随着娱乐边界变宽、个性化更深，这个问题会不会仍是 Netflix 最该解的用户问题之一？不必把整盘公司战略和竞品格局煮成一锅，但要把自己负责的那件事往外拉一格。提问状态停太久就会卡住，向前走仍然重要。

另一条路是站到管理者视角：不只看自己团队和 KPI，还看财务、内容和其他业务如何拼在一起，让整体大于部分之和。这也对应 Netflix 工程文化里的一条：做对组织整体有利的事，而不是只做对自己本地有利的事；给同事和未来的创新留下更好的系统。系统思考不只是资历，也是广度：你这样解、这样建，对同事有没有用。

职业阶梯方面，Netflix 没有按级别逐条改写 AI 期望，而是给所有人才叠上一层 AI 流利度。它随职能和职业阶段而变，定义几乎一个季度一变，因为技术本身走得太快。Stone 说，这不是为了用技术而用技术，而是对「哪里有用」有判断，并保持开放去试。最高层同样需要深度流利度，哪怕日常并不写代码。招聘也在变：面试会问候选人怎么用 AI、对变化是否自在；编程面试允许用 AI 工具，因为那已经是工作的一部分。

Lenny 问，除了编码和原型，还有哪些用例真正有冲击。Stone 自己用得最多的是数据分析和信息蒸馏：过去做过哪些实验、该看哪些指标、做过哪些用户研究。速度和质量都明显上去，前提是和本地数据科学家核对、用的是权威数据。这已经超出原型，进入把数据翻译成行动和洞察。

第二块是内容制作。生成式 AI 出现之前，机器学习已经用在制作工具、大规模宣发物料、字幕和配音上。生成式模型是一次跃迁，尤其在创意构思：他们称之为预可视化，让创作者在进棚之前先看见构想。后期制作里，Netflix 收购了一家由 Ben Affleck 创办的公司，模型能在拍完之后重新打光、重新构图、改对白，始终由电影人主导「我想再试一种办法把这个画面做出来」。同类工具也用于预告片、海报和艺术品规模化生产，好让片目在全球找到观众，并延伸到广告和营销。

Lenny 提醒听众，Netflix Prize 曾用百万美元奖金优化排序算法，说明公司很早就把机器学习当核心能力。Stone 说个性化一直是会员体验的中枢：目录越宽，发现就越难；现在不止影视，还有游戏、直播和播客，把对的内容在对的时刻推给对的人，只会更难。Netflix 并不以 AI 公司为品牌，但 AI 是它很习惯用来把娱乐和技术焊在一起的工具。她提醒，很多有冲击的用例甚至不是生成式的。

Lenny 观察到，Netflix 早期文化卡里的高主动性、自主、人才密度和市场顶端薪酬，听起来很像今天头部 AI 实验室的运转方式。Stone 把这些元素的目标称为卓越操作系统：目的不是「责任越多越好」或「我们讨厌流程所以一项都不要」，而是一个很强的信念——给人充分的主动权和问责、把决策尽量往下推、招有判断力的人，才能同时做出结果和动机。每个人都感到被托付了大量钥匙，也就更想把工作做到最好。文化会随公司变大而演进，但「卓越人才必须被允许把最好的工作做出来」这一条没变。

她说人才密度是不可谈判的起点。没有它，就无法在各层级放心地决策、冒险、快速创新。Netflix 并不追求避免失败，而是追求失败后迅速恢复。进军直播就是例子：明知会不完美，也接受大量风险，以求学得快。她还强调一种无私：做的是对 Netflix 和会员最好的事，不是个人偏好或个人功绩。

有些做法对人并不自然。Stone 常看到自己会做不同选择的决策，但只要不是会把公司烧掉的实质性风险，她的工作就不是否决，而是事后要复盘。事情不顺时，她也抵制「加流程就能修好」的本能：规划、反馈、定级、薪酬从来没有完美配方，每次加流程都只是多花时间、结果没有更好。优秀的人要的是无责难复盘，以及自己去想下次如何把活干得不同，而不是一堆清单和关卡。领导者是在养一支有韧性、懂得怎么产生影响力的团队，不是把一切控制住。

看守测试常被人理解成决定让谁走的那一刻。Stone 说，它同样常被用来谈一个人有多出色。入口可以是她问直接下属，也可以是对方问她：「我在你的看守测试上怎么样？」大多数时候她的回答是：我会拼命把你留下。然后才是优点、影响力，以及还能更好的地方。难的时候也有：对方眼下没过关，有时能给出里程碑，有时看不到成功路径。她把它看成反馈卫生：逼出该有的难对话，也用明确的肯定留住优秀的人。

Lenny 把它概括成：以你现在对这个人的了解，今天还会不会招他。Stone 补了一条推论：如果对方今天来说要走，你会不会去抢；若心里松了一口气，说明那次对话早该发生。她还列出规模化组织通常做不到的几件事：情境优于控制，高度对齐却松耦合，只用最少流程把优先级说清。这些都不自然，需要持续的纪律，因为最终是工作和氛围在吸引并留住人。

面对前沿实验室砸钱抢人，Stone 并不觉得别人把优秀的人都吸走了，因为许多优秀的人就在 Netflix。公司必须更明确地说清谁会在这里如鱼得水：对把技术用到娱乐和全球规模消费产品上有热情的人。被基础模型工作本身吸引的，是另一种人格、另一块问题空间。她认为并不缺会被「技术应用到自己每天都在用的东西上」点燃的人，而这正是 Netflix 能提供、也必须讲清楚的那块甜区。

Lenny 担心：AI 把事情做容易了，初级工程师、产品经理和设计师还怎么长成优秀的资深者。Stone 说 Netflix 仍在招初级人才，这是人才策略的关键一块。公司仍有实习项目，几年前才开始的应届生项目也会继续。即便有些事更容易了，她观察到更年轻的人往往更开放、更原生地适应新工作方式，也对娱乐、消费行为和产品技术如何互相塑造更流利。二十出头的人对正在变化的世界的视角，本身就值钱。

走进角色之后，手艺掌握仍然重要。团队成员要对提交进生产的代码质量、做出的产品设计和用户体验负责，这些都不会消失。对更早职业阶段的人，导师制要教的仍是「好看起来是什么样」，以及如何使用新工具，同时对结果负责。她承认「手不再那么脏，还怎么练出来」是合理担忧，但审代码、测代码、诊断问题、知道好产品长什么样，仍然是稀缺技能。训练方式必须改，因为工具变了；她也保证，更早职业阶段的人会反过来教她这类更年长的人许多新东西。

展望五到十年后的工程，Stone 区分「用某种语言写出一行行代码」和「理解代码、计算机系统和产品如何工作」。后者她认为不会消失。若把所有语言和代码都交给智能体，人就无法判断产品好不好、出了问题为什么坏。Netflix 敢快速失败、快速恢复，前提是有人懂这些系统。智能体可以帮着发现异常、加快分诊，人仍需要对「我们在建什么、它怎么运转」保持流利。她承认有些智能体写的代码很难跟，性能更好却不知道为什么，坏了也不知道怎么修，这让她不安；她预期工程会演进出引导智能体、并对产出真正放心的流利度。工程、数据和产品过去十年二十年也经历过巨大转变，只是这一轮周期更快。

Stone 说娱乐已经不是一件东西，这正是 Netflix 走出影视、进入移动端与云游戏、直播和播客的原因。用户期望的是跨形态、跨设备、跨一天里不同时刻的多样性。她描述过一条无缝旅程：听 Bill Simmons 的播客，再看《Quarterback》，再在电视或手机上玩最新的 FIFA 云游戏。产品挑战是让发现和投入在如此多内容里变得更容易。未来的娱乐会更个性化、更沉浸、更可互动，像一个可朝许多方向探索的世界；Netflix 的内容已经很多，也可能让人觉得碎，它自认有位置把娱乐、产品和科技拼成这件事。

好莱坞对 AI 的态度远不是铁板一块。Netflix 的角色是创作者赋能：用创作者想用的工具把构想做出来。有人会说绝对不要 AI，这和他们的制作方式与构想不一致，Netflix 照样合作；越来越多创作者则想探索生成式工具能否让以前不可能的叙事成为可能、质量更高、对观众更有共鸣。介于两端的人也都支持。娱乐不会只有一种形态，既会有传统影视，也会有全新格式，所以工具和合作必须灵活，而不是规定只准一种做法。

Lenny 问，会不会有一天整部剧都由 AI 生成、而且观众喜欢。Stone 很难想象没有人在心脏位置的娱乐。叙事和人性是一回事：知道什么能连上人，看着屏幕上另一个人把角色和情绪演出来，这是故事真正的力量。AI 会在部分制作的观感上扮演实质角色，但她看不到去掉人作为骨干的版本。收尾时她强调，不要只盯着纯技术能力而见树不见林：行业在一个高速度的创新窗口里，最终要做的仍是人们热爱的消费产品和娱乐。