跨国深谈← 返回←Netflix 产品负责人谈 AI 时代：每个人都能做一切,但卓越的专长不会消失

Netflix 产品负责人谈 AI 时代：每个人都能做一切,但卓越的专长不会消失

关联

人物 Lenny · Elizabeth Stone

公司 Netflix · InterPositive

概念 GenAI · 智能体 · 系统思维 · 动荡阶段 · 留任测试 · 卓越即操作系统 · 铺设路径 · 人才密度 · 无责复盘 · AI 熟练度 · 真相来源数据 · 护栏

来源 Lenny’s Podcast

两年半前,Elizabeth Stone 第一次做客这档播客时,她还是 Netflix 的 CTO,那时候 AI 远没有如今这么轰动;今天她已经是 Netflix 的产品与技术负责人,而 AI 已经在彻底改变科技公司内部的协作方式。这期对话的核心问题非常贴近每一个职场人:当 PM 能写代码、设计师能做产品、工程师能做分析时,职能边界变得模糊,我们到底该怎么重新理解自己的工作?接下来的内容围绕四个层面展开——先是 AI 如何改变团队角色分工,然后是 Netflix 因此在招什么样的人、如何考核,接着是支撑这一切的「卓越即操作系统」文化究竟怎么落地,最后聊到 AI 会怎样改变娱乐本身。

每个人都能做一切,但专业并不会消亡

工具变了,角色怎么变?这是 AI 带给每一个组织最直接的冲击。Elizabeth 观察到,像 GenAI(生成式 AI)这样的新技术一旦出现,组织会先经历一个「动荡期」(storming phase),然后才能进入「形成期」(forming phase),而目前整个行业正处于动荡期的中间 。

她的核心判断是:AI 确实让职能边界流动起来了,但并没有让专业过时。具体来说,PM、设计师和数据科学家现在能在产品开发生命周期里走得更远,不需要像过去那样早早等工程师来解锁;他们可以自己做原型、写代码来快速验证假设。

但「能做」不等于「该做最终的产品化决策」。Elizabeth 强调,当业务问题清晰时,角色之间的流动是健康的,但「每个人都能把代码发布到生产环境」就不是个好主意 。工程师在「怎么做」(如何扩展、什么是高质量、构建方式会带来什么隐患)上的手艺依然不可替代 。

【背景】「动荡—形成」(storming—forming)借用了组织行为学中经典的团队发展阶段理论(形成 Forming、动荡 Storming、规范 Norming、执行 Performing),用来描述团队在面对颠覆性技术时,旧的协作规则失效、新规则尚未建立的混乱过渡期。

这背后有一个关键的组合拳:一方面,鼓励大家探索 AI 能做什么;另一方面,必须在组织层面把基础设施和护栏(指防止系统越界、确保输出质量的保护机制)搭好。Elizabeth 点出了几件必须落实的事:对「真相来源数据」(source of truth data,指整个组织公认的、准确可信的原始数据)有清晰界定;在代码发布或大改动前有明确的测试护栏;明确哪些场景可以信任 AI 输出、哪些必须走人工审查流程;以及最关键的一条——重申人类对结果仍负有最终责任 。

说完了角色分工怎么变,接下来一个自然而然的问题就是:既然职能在流动,那 Netflix 到底在招什么样的人?哪些技能在升值,哪些在贬值?

系统思维在升值,狭窄的专长在贬值

如果只能记住一个词来概括 Elizabeth 眼中 AI 时代最稀缺的能力,那就是「系统思维」(systems thinking)。她解释说,Netflix 过去成功的很大一部分原因,是本地团队能针对具体业务问题快速搭建自己需要的技术栈,不需要走中央统一规划的路。但在一个有 AI 智能体(agents,能自主跨系统执行任务的 AI 程序)运行的世界里,如果每个团队还是各搞各的,就会出问题:智能体需要跨系统调用真实数据,如果没有统一的「铺设路径」(paved paths,指组织预先搭建好、带有护栏的标准化基础设施和流程),数据安全、代码质量、访问权限都会失控 。

所以 Netflix 正在招聘更多能跨业务域看问题的人,把需求抽象成「在 AI 世界里我们需要哪些通用构建块」。这带来的一个直接变化是:工程师的画像更偏向分布式系统和基础设施,而不只是某个业务领域的专家 。设计团队也一样——现在更需要能制定设计模板和系统规范、思考「Netflix 体验整体该是什么样」的设计师,而不是只负责某个具体功能的人 。

与系统思维同样重要的,是一种心态:对模糊性感到舒服、对探索新事物感到兴奋。Elizabeth 明确说,Netflix 不会招那些对变化和模糊不适应的人 。

反过来,什么在贬值?是那种非常狭窄、深度的专业化。

Elizabeth 澄清说,某些领域(比如视频编码或播放系统的底层技术)世界级专家仍然不可或缺。但整体趋势是,相比五到十年前,Netflix 需要更少的纯专家、更多的通才或能在多方向适应的人——能同时搞前端和后端,能深入基础设施,心态上随时准备学新东西 。一个只愿守着狭窄专业、不愿探索新方向的人,会让她担心。

那么,普通人怎么练系统思维?Elizabeth 给了一个非常实操的小技巧:每接到一个具体任务,就往外退一步,问自己一个更大的问题。

比如让你给会员体验加个新功能,花一拍时间想想:这背后要解决的更大的消费者问题是什么?这个功能要支持的内容类型,未来会不会扩展?

我打算的构建方式,放到更大的产品体系里还成立吗 ?她强调不用「煮干整个海洋」(试图一次解决所有问题),只需要对当前任务做一次缩小(zoom out)就够了。一个相关的思维练习是:想想如果你是经理,你会怎么看待这件事——这自然会让你把视角拉到更大的图景 。

至于这些变化如何反映在考核上,Elizabeth 透露 Netflix 没有在职业阶梯上为 AI 单独写一套逐级标准,而是在所有岗位之上叠加了一层期望:「AI 熟练度」(AI fluency)。它意味着你有实验心态、知道 AI 在哪里有用在哪里没用、而且真的动手用它做过东西。甚至连编程面试都允许候选人使用 AI 工具,因为这就是实际工作的方式 。

明确了要招什么样的人,接下来的问题是:Netflix 凭什么能招到并留住这些人?答案指向了它那套在 AI 时代反而更显珍贵的文化底座。

「卓越即操作系统」:Netflix 文化的底层逻辑

主持人敏锐地捕捉到一个现象:Netflix 早期文化手册里强调的东西——高主观能动性、自主权、高人才密度、支付市场顶薪——恰恰是当下顶级 AI 实验室的运作方式。换句话说,整个行业绕了一大圈,走到了 Netflix 一直在的地方 。

Elizabeth 用一句话总结了这套文化的内核:Netflix 把「卓越」当作一套「操作系统」来运行 。这不是一句口号,它的意思是——赋予人们大量自主权和问责制、把决策尽可能推到组织最深处、雇佣能被信任的优秀人才,所有这些做法本身不是目的,而是通往卓越成果的手段 。

要真正落地这套操作系统,需要几个支柱。第一,也是不可商量的前提:人才密度。

没有这个基础,就不可能对各级决策有信心,也没法让人们去冒险 。第二,对冒险感到自在。

Netflix 不试图避免失败,而是试图快速恢复——她举了 Netflix 涉足直播为例,明知会不完美也要上,因为会快速学习并变得更好 。第三,一种无私:清楚你做的事是为消费者和 Netflix 推动成果,而不是为了个人偏好 。

但最难做到的,是几件「对人类来说很不自然」的事。比如,当你看到下属做了一个你不同意的决定,只要不会「把地方烧毁」,就忍住别介入,让对方自己做完决定、事后复盘学习 。再比如,当事情不顺时,本能反应是加流程、设关卡来约束,但 Elizabeth 发现每次这么做都花了更多时间却没得到更好的结果——正确的做法是抵制那种「加流程」的冲动,相信优秀的人会通过无责复盘(blameless retro,一种不追个人责任、只分析根因的复盘方式)自己反思和改进 。

这套文化的另一面是著名的「留任测试」(keeper’s test)。Elizabeth 特别澄清,大众往往把它理解为「决定让某人走人的那一刻」,但它同样频繁地用于非常正面的场景:上级对下属说「我会拼命留住你」,然后具体讲对方哪里做得好、影响在哪、怎么更好 。它的本质是一个强制反馈的机制——好的坏的都不回避。

那么,在到处是高薪 AI 实验室的今天,Netflix 怎么竞争人才?Elizabeth 的回答很坦率:必须更明确地说清楚什么样的人在 Netflix 会如鱼得水。

你得热爱娱乐、热爱大规模消费产品、热爱技术落地于产品的那个「甜蜜点」。如果你追求的是前沿模型公司做的基础研究,那是完全不同的人格画像 。她不认为缺这样的人——那些对「技术能用来创造人们每天喜爱的东西」感到兴奋的人。

聊完了 Netflix 内部的组织和人,最后一个层面的视角是:这些技术和人才的汇聚,最终会怎样改变我们消费的娱乐本身?

娱乐的未来不会是单一形态

关于 AI 对内容创作的影响,Elizabeth 分享了 Netflix 内部两个影响最大的用例(远超大家熟悉的写代码)。第一个是数据分析和信息提炼:用 AI 快速调取 Netflix 几十年实验和消费者洞察,判断某个方向是否值得深入 。第二个是内容生产本身——Netflix 最近收购了一家由本·阿弗莱克创立的公司 InterPositive,它的技术允许电影制作人在拍摄完成后重新布光、重新构图、甚至修改对白,以获得更高质量的内容,而整个过程仍由创作者主导 。

【背景】InterPositive 是 Netflix 收购的 AI 制作公司,由演员/导演本·阿弗莱克(Ben Affleck)创立,专注于用 AI 赋能后期制作环节。Elizabeth 在此特意强调「仍由创作者主导」,回应了当下好莱坞对 AI 替代人类的焦虑。

Netflix 也提醒大家,它在 AI 和机器学习(ML)上的积累不是从 GenAI 才开始的。早年的 Netflix Prize(一个百万美元奖金的推荐算法优化比赛)就证明了它在个性化推荐上的先行者地位 。而随着内容越来越广(电影、剧集、游戏、直播、播客),用 AI 做个性化推荐的挑战只会更大 。

至于「会不会有整部剧集纯 AI 制作」这种问题,Elizabeth 的态度很明确:我很难想象没有人类在核心的娱乐。讲故事与人性是一回事,屏幕上没有人的角色很难有感染力。

AI 一定会参与制作,但人类是骨干 。Netflix 在好莱坞与硅谷之间的立场是:不规定只用一种方式,而是赋能那些想用 AI 的创作者,也尊重那些完全不用 AI 的创作者 。

本集带走

1. AI 让角色边界流动,但不会消灭专业。能写代码的 PM 和能做原型的设计师固然好,但工程师对「怎么扩展、什么是高质量」的手艺依然稀缺且不可替代。组织要做的不是消灭职能,而是搭好护栏(真相来源数据、发布规范、责任界定),让人在安全边界内快速行动。
2. 系统思维是 AI 时代最值得练的元能力,而且有具体练法。不用高深理论——每接一个任务就往外退一步问一个更大的问题(这个功能背后真正的消费者问题是什么?放到更大的产品体系里还成立吗?),或者想想「如果我是经理会怎么看」,就是在练系统思维。与此同时,狭窄的纯专家在贬值,能在多方向适应的通才在升值。
3. 「卓越即操作系统」的本质是反本能的管理克制。Netflix 文化的底层逻辑不是一堆口号,而是几件很难做到的事:忍住不介入你不认可的下属决定、抵制出问题时就加流程的冲动、用无责复盘代替追责、用留任测试做正面反馈而非只是开除工具。在 AI 让一切加速的今天,这种对人才密度的坚持和对流程的克制,反而成了稀缺的竞争力。

所以,可能是一个智能体编写了代码,或者我帮助进行了分析,而这并不是我的背景,但这并不意味着人们不需要对他们所创造的东西带来的责任负责。
So, it can be that an agent wrote the code or I helped to do an analysis when that’s not really my background, but it doesn’t make people not have the responsibility that comes with what they’ve created.
—— Elizabeth Stone · [06:02]

但我认为如果说设计和深刻的设计专业知识及思维因此而被挤出,那将是一个错误,仅仅是因为我们可以更快地编写代码,我们可以更快地进行数据分析。
But I think it would be a mistake to say design and deep design expertise and thinking gets squeezed out, just because we can write code faster, we can do data analysis faster.
—— Elizabeth Stone · [21:32]

非常狭窄、深度的专业化日子对我来说感觉更加受限了。
The days of very narrow, deep specialization feel more limited to me.
—— Elizabeth Stone · [22:28]

它是对抗许多大公司会做的事情,并且经常在那种不适中感到舒适。
It’s a resistance to do the thing that a lot of bigger companies would do and to feel comfortable in that discomfort very often.
—— Elizabeth Stone · [45:22]

嗯,人才密度是不可妥协的。
Well, the talent density is the non-negotiable.
—— Elizabeth Stone · [41:51]