专精让位，系统当立：Netflix CPTO 谈 AI 时代的人才新秩序

摘要

AI 让"人人皆可造物"成为现实，但 Netflix 首席产品与技术官 Elizabeth Stone 认为，这场变革真正稀缺的能力并非被 AI 取代的手艺，而是"系统思考"——从局部专业走向全局抽象、从单一职能走向跨域协作。专业分工不会消失，但它正在被重新定义：专精让位，系统当立。

她观察到，产品经理、设计师、数据科学家如今能在工程介入前把想法推进得更远，AI 在提炼 Netflix 数十年累积的实验与洞察上展现出惊人的杠杆；但与此同时，数据科学家对"这份数据能不能信"的判断、产品经理对"我们到底在解决什么问题"的框定、工程师对"怎么做才能规模化"的手艺，这些比较优势并未被稀释。Netflix 因此在招聘上明确转向系统思考者，并为全员叠加了一层"AI 素养"的期望，而非按职级逐条改写岗位说明。

在 Stone 看来，Netflix 文化的内核从来不是"取消流程"或"给足责任"这些手段本身，而是把它们当作一台"卓越操作系统"的组件——人才密度、风险承受、无私，以及"反直觉地不加流程"，共同指向同一个目标：让卓越人才做出最好的工作。AI 放大了这场变革的紧迫感，却没有改变其底色——讲故事与造产品，终究要以人为核心。

正文

一、风暴与成形之间：当"人人皆可造物"降临

节目一开场，主持人 Lenny Rachitsky 就用一句话点破了当下的集体焦虑：AI 让"每个人都能做所有事"——产品经理能写代码，设计师能写产品需求文档（PRD），工程师也能做产品，随之而来的是普遍的困惑与挫败感：我到底还是不是 PM、还是不是设计师？我究竟该对什么负责？他把这个问题抛给了时隔两年半再次做客的 Elizabeth Stone。

Stone 的框架很冷静。她认为，任何一种变革性技术降临，尤其是生成式 AI（GenAI）这样颠覆性的技术，组织都会先经历一个"风暴期"（storming phase），然后才进入"成形期"（forming phase）。而 Netflix 此刻正处在风暴的正中央。这不意味着应该把 AI 塞回盒子里、假装它不存在；恰恰相反，它意味着我们必须更审慎地思考：如何在拿到好处的同时，降低代价。

她认可"人人都在探索"这件事本身的价值——更快地产生想法、做原型、拼出第一版代码去验证。但她划了一条明确的线："这是否意味着任何人都该把代码直接推到生产环境？是否意味着每个人真的该做所有事？大概不是。"她真正乐见的是：当业务问题清晰时，产品与技术团队之间出现某种健康的角色流动性——产品与设计不必干等工程团队腾出手，就能先把原型往前推进；但他们仍需与工程伙伴一起想清楚如何产品化、如何规模化、有哪些护栏（guardrails）。

这种流动性不会让职能专长过时。Stone 反复强调，要让变革的收益大于代价，组织必须在几个基础面上先站住脚跟：对"数据真源"（source of truth data）的清晰界定、对"代码上生产前先测试"的护栏、对"哪些 AI 输出可以信任、哪些必须经过人工复核"的分辨，以及一条不能动摇的原则——无论代码是智能体（agent）写的、还是一次不属于自己背景的分析，最终要对结果负责的，仍然是那个署名的人。"投资这些核心基础设施与惯例，反复重申人对结果的责任，才能真正平衡'可能'与'应该'。"她这样总结。

二、两年半的角色位移：谁跑得更快，谁仍在把关

Lenny 顺着话题追问：过去两年半里，产品、工程、设计、数据科学、用户研究这几个角色，谁变化最大、谁变化最小？

Stone 的回答是"整体向前位移"。她发现，产品经理、设计师、数据科学家如今能在工程真正卡住进度之前，把产品开发周期推进得更远。但她谨慎地补了一句：这并不意味着可以突然冒出成千上万个原型——前提是这些问题对业务真正重要，工程伙伴知道我们在解决它，产品与设计在"牵头塑形"的同时，并非在真空中各自为政，也不是把一堆面条甩到墙上看哪根能粘住。

她还看到一个更隐蔽的价值点。Netflix 的"虚拟墙"里积攒着几十年跑过的实验、消费者洞察、来自各业务线的输入，过去这几乎是一笔难以调用的资产——得问那个在这里待了二十年、见过每一次实验的老员工才知道去哪找。而 AI 极擅长提炼信息、跨域扫描、做出初版分析，直抵"有哪些可用的洞见"。她自己的日常也因此改变：过去得发一封打断别人的邮件去问"我们某年做过什么研究、问过什么问题、跑过什么测试"，现在几乎瞬间就能找到，然后直接跳到"这里有什么可行动的"。她强调"我不会只依赖它"，但这无疑是一个起跑加速器。

更重要的是，这种加速不再局限于少数专家。财务、内容、广告等业务线的人也能自己先跑出一个初始假设，再回来找数据科学家和工程师深入合作。不过，Stone 依然看到鲜明的比较优势：数据科学家仍是"这数据能不能信、该怎么解释、哪些是数据哪些是判断"的专家；产品经理仍是"我们有没有把'what'框对"的专家；工程师的手艺则在"how"上——如何规模化、高质量长什么样、这么建会给将来埋什么雷。"我只是看到，那些过去会卡住我们的步骤，现在能更流畅地流动了。"她说。

当 Lenny 抛出那个流行观点——"如果人人都是建造者，我们还需要分工吗？"以及硅谷一度风行的"技术成员"（member of technical staff）无头衔趋势——Stone 的回答斩钉截铁：专业分工不会消失。"我仍然看到一种手艺上的卓越，它极其重要，短期内不会消失。即便工作内容在职能线之间流动、模糊了。"她的话里带着一种稀缺感：卓越的工程、卓越的数据科学、卓越的创意，在她眼里依然稀缺。"有些事变容易了，但这并没有在我心里消解掉那份稀缺。"

三、系统思考者的崛起：从"局部专家"到"全局抽象"

被问到"哪些职能在扩招、哪些在缩减"时，Stone 没有按职能图来回答，而是给出了一个跨越所有职能的答案：在一个有 AI 的世界里，我们需要更多的"系统思考者"（systems thinkers）。

她举了两个例子。其一在核心基础设施团队：Netflix 过去的成功，很大程度上靠的是本地团队带着具体业务问题快速交付，往往觉得自己不需要走一条"中央铺好的路"（paved path）。但在一个智能体跨多个系统作业、渴望数据真源的 AI 世界里，共同的基础设施、共同的铺好的路、"用一套核心能力把问题只解决一次"，变得前所未有地重要。于是工程画像正在从"本地业务专家"转向"分布式系统、基础设施与系统思维"。她的判断一针见血："把 Netflix 带到今天的东西，未必能把它带到明天。"当然，那些深耕个性化、广告、内容分发的人仍然存在——系统思考是"叠加项"，不是"替代项"。

其二在体验设计。她极度警惕"不同的设计语言、不同的交互方式，最终拼出一堆科学怪人"（Frankensteins）。因此设计师的角色，正从"帮某个具体产品设计某个具体功能"，转向"设计系统思考"——定义模板、品牌表达、好的用户体验长什么样、什么才是 Netflix 那味"独门酱料"。

当 Lenny 追问"为什么系统思考现在变得更重要，是因为大家跑得太快、必须先搭好平台教人钓鱼吗"，Stone 给出的核心词是"速度"（velocity）。平台天然有杠杆效应，能让多数团队走到八成的路、不必重造轮子。而 AI 世界又多了一层"脚手架"（scaffolding）的意味：越来越多的人在干越来越多全新类型的工作，随之而来的是访问权限、身份、安全、如何交付高质量代码与体验等一系列风险。"你不可能让每个造东西的人都自己去琢磨'好的标准是什么、护栏在哪'，你必须把这些编码进铺好的路和协作方式里。"一家数千人的组织，再也不能靠"部落知识"（tribal knowledge）或"找到那个唯一懂的人"来运转——这个挑战在 AI 之前就存在，AI 只是让它更紧迫了。

她还描绘了一个 Netflix 的未来图景：将会有大量智能体参与工作，人类负责引导"我们要解决什么问题"、判断产出是否高质量，而具体的工作由人与智能体共同完成。"这带来速度与收益，也带来风险。"她认为从工程角度看，关键是找到一种管理方式，让人们能快速前进，又不给公司制造不当的下行风险。

关于"设计流程已死"这个来自此前嘉宾 Jenny Wen 的命题，Stone 的态度是"五味杂陈"。她承认用基础设施与系统思维赋能更多人做出强设计的作品是对的，但对最重要的优先事项，设计仍然必须认真做、做对。"我们仍然为重要的设计工作留出时间。设计师手里的工具更多了，速度更快、能展示更多方案、更快地学习迭代。但如果因为'代码写得快、数据分析得快'就把深层设计专长挤出局，那对 Netflix 这样的大规模消费产品是场灾难——我们会丢掉让复杂变得不可见、让体验无缝的那份设计心智。"

谈到"怎么培养系统思考"，Stone 给了一个她称之为"小技巧"的方法：每次面对要解决的问题，往外退一步（step out one click），问自己——关于这个更广阔的空间，我默认了什么前提？她举例：接到一个为会员体验做新功能的任务，先花一拍想清楚，更大的消费者问题是什么？这个功能要支撑什么类型的内容？我计划的构建方式，能否跨多种内容类型规模化？这个消费者问题，是否是 Netflix 在娱乐版图不断扩张时最需要解决的问题之一？"你不必去煮沸整片海洋，不必替 Netflix 回答整体战略，但你要对自己负责的那件事，做一次'zoom out'并质询它。"她也提醒别在质询状态里停留太久，否则会卡住、失去前进的动力。

她还补充了另一个久经检验的视角：想想怎么做自己的工作，能帮助你的经理做好他的工作。"如果我从经理的视角、而不只是产品与技术的视角去看，自然就会放大一层，去想财务、内容和其他业务线这些零件如何拼起来，让整体大于部分之和。"这同样是一种系统思考——不只关乎资历，更关乎解题与构建的"宽度"。

四、下行的专精，与全员 AI 素养

被问到"哪些技能在走低、哪些你不再那么看重"时，Stone 说得相当直白：极度狭窄的深度专精，正在变得局限。她仍能举出必须保留专精的反例——比如编码（encoding）、播放系统这类世界上只有极少数人真正懂、且对 Netflix 极富创新的领域。但作为一般规则，相比五到十年前，Netflix 如今的专业人才变少了，通才与"可多方向适应"的人变多了。这种适应可以是跨职能的，也可以是跨工程风味的——既能驾驭后端也能驾驭前端、还能带着相当的专长接上基础设施。

她把这个变化追溯到心智：现在的人需要具备"我能很快学会它"的信念，而这又回到了系统思考。"专精者其实比过去更容易拓宽自己的工具箱，所以我们需要的人变少了，因为人才有能力朝那个方向成长。"她还点出一个微妙的担忧：固守狭窄专长这件事，有时会让她怀疑——这个人有没有朝不同方向成长、去探索的心智？她强调，即便是专精者，也必须保有"我想试试解决这些问题的新方式"的冲动，而不是沿用老路。

话题转向 Netflix 新近引入的职级与职业阶梯。Lenny 提到，Netflix 过去并没有这套东西。Stone 解释了他们在 AI 世界里的处理方式：与其在每个职级上逐条改写 AI 如何改变期望，不如在全体人才之上叠加一层对"AI 素养"（AI fluency）的期望。这个素养很难精确定义——是实验心态吗？是知道 AI 在哪里有用、哪里没用吗？是真的动手用 AI 造过东西吗？——而且它的内涵几乎每个季度都在变，因为技术本身在以季度、甚至月度、日度为单位演进。"所以最有用的做法，不是把它做成职级特定或角色特定，而是鼓励每个人都朝 AI 素养这个期望靠拢。"

她进一步解释，"AI 素养"不等于"为了技术而用技术"——而是在有用处用它、对此有良好判断、并保持开放探索的心态。"这是所有角色的硬性要求，对 Netflix 最高层同样成立：哪怕我们日常不写代码，也需要对 AI 有深度的掌握。"这一变化已经渗透进招聘：面试时去探索候选人如何思考 AI 与技术、日常在用哪些工具、对变化与探索有多自在；甚至连编码面试也允许候选人使用 AI 工具，因为这本来就是工作的一部分。"但我不觉得这是一次已经完成的转变——我们正处在它中间。"

五、AI 不止于写代码：数据与内容的双重杠杆

当 Lenny 请她举出"编码与原型之外、人们可能没意识到的 AI 用例"时，Stone 给出了两个方向。

第一个是数据分析、信息提炼与建模。用工具把 Netflix 所有的洞察"搂进怀里"——跑过哪些实验、某个问题该看哪些指标、做过哪些消费者研究——速度和质量都大幅提升，前提是你得核验结果是否有效、用的是不是数据真源。她坦言，这是她个人用得最多的场景之一："它超越了原型和编码，走向一般的分析性思考，把数据翻译成行动与洞见。"

第二个方向在内容生产与创作侧，应用极为广泛。机器学习与 AI 早就深入了制作工具——规模化生成宣传物料、字幕与配音的本地化。生成式 AI 则把影响力推进了一大步：所谓"预可视化"（pre-visualization），即在把人拉到片场、真正开拍之前，就把创作者的愿景预先"活"出来；后制环节的用例同样丰富。她特别提到 Netflix 最近收购了由 Ben Affleck 创办的公司 Inner Positive，其模型与能力让你在拍完之后还能重新布光、重新构图、重拍、改写对白，且始终由电影人主导——"我想试试别的方式把这个愿景呈现出来"。此外，字幕、配音的本地化，以及大规模生成高质量预告片、图片与美术物料，帮助每部作品在全球找到它的观众，这些都是巨大的杠杆，且同样适用于广告、营销与站外投放。

这番展开自然引出了 Netflix 与 AI 的历史渊源。Lenny 提到年轻观众可能不记得的 Netflix Prize——那个悬赏百万美元、看谁能把推荐排序算法再优化几个百分点的竞赛。Stone 顺势接过话头：每当有人问"Netflix 怎么看待 AI"，最值得提醒的正是这一点——这对我们并非新事物。尤其在个性化上，它一直是给会员交付好体验的核心：内容越来越多，让发现越来越容易这件事本身就在变难，而 AI 与机器学习正是解法。"为对的人、在对的时刻、推荐对的内容"——这个问题的难度，随着片库从电影电视扩展到游戏、直播与播客，只会越来越高。

她还调侃了术语的流变：当年大家叫它"机器学习"，对"AI"避之不及，觉得那永远不会发生；如今一切又都归到"AI"名下，其中有些其实还是机器学习。"我们干脆把所有东西都装进 AI 这个筐里了。"她想强调的是，Netflix 使用着极其广泛的 AI 用例，其中相当一部分并非生成式。即便 Netflix 并不以"AI 公司"自居，AI 依然稳稳地处在所有这些娱乐与技术成果的中心。"对在这里工作的人来说，最有趣的是：无论你痴迷的是创意、消费产品还是基础设施，Netflix 都有这些难题，而 AI 就在它们的正中央。"

六、卓越作为操作系统：Netflix 的"反直觉"文化清单

Lenny 不吝赞美地指出：翻看 Netflix 早期的文化手册——高能动性（high agency）、自主性、高人才密度、自下而上、快速实验与上线、按市场顶薪付酬——这些如今成了顶尖 AI 实验室的标配，而 Netflix 从一开始就是如此。Stone 则用一句带点书呆子气的话点破："我把文化的这些面向，理解为'卓越作为操作系统'（excellence as an operating system）。"

她的逻辑是：那些文化元素本身从来不是目的——不是"让人责任越大越好"，也不是"我们讨厌流程所以干脆没有流程"。真正的信念是：把决策尽可能压到组织最底层，招进值得信赖、判断力强的人，用高能动性与问责制去逼近卓越。"每个团队成员都能感到，自己被交付了一大串钥匙、一大份责任；而当你扛着那份信任与问责时，你会想拿出最好的作品。"她认为新一代公司正是接住了这个他们无比熟悉的信号，而文化不是静态的，它得随公司变大、问题变难而生长——但"我们要的是卓越、要相信卓越人才需要空间去做最好的工作"这件事，从未改变。

Lenny 请她把"卓越操作系统"的配方拆开来讲给创始人听。Stone 给出的第一块基石无可商量："人才密度（talent density）是前提中的前提。没有它，你根本无法对组织各层级的决策有信心。"第二块是坦然面对风险——Netflix 不回避失败，而是失败后快速恢复（recover quickly）。她以 Netflix 切入直播为例：那是一次明知不完美、明知要快速学习的豪赌，"我从未像那段时间那样为团队骄傲。"第三块是"无私"：所做的一切必须指向为消费者和 Netflix 创造结果，"这是 Netflix 的事、是 Netflix 会员的事，不是我个人的成功或偏好。"

她还列出几件"对人类极不自然"的事。其一，看着一个决策发生、心里想"我会做不同选择"，却忍住不上前推翻、否决、质疑——只要它不致命，就让那人做决定、从中学，"事后去问一句'怎么样，也许是我错了'。"其二，在事情不顺时，抵抗"加流程就能修复"的本能。"每当我们在规划、反馈、职级与薪酬这些难题上叠加更多流程，我们只是花了更多时间，却没有得到更好的结果。"她承认这违背直觉：人的天性是给复杂问题套上重重约束，以为这样就能简化，可它恰恰扼杀了更富创造力的解法。

这种文化里还有那个著名的"留住测试"（keeper's test）。Stone 澄清了一个普遍的误解：人们总把它想象成"决定放走某人"的那个时刻，但它同样、甚至更常被用来谈某个人有多么出色。"入口常常是我的下属问我'我在你的 keeper's test 里表现如何'，而绝大多数时候我的回答是'我会拼了命留住你'。"她会借此展开一整套关于优势、影响、如何更进一步的反馈。当然也有艰难的那一面——坦诚地说"你目前还没通过，但某些情况你能达到"并给出里程碑，或者"我们真的试过了，我看不到通往成功的路"。她喜欢它的地方在于，它是反馈与定期检查的"良好卫生习惯"，逼着你去做那些艰难对话，而不是回避。"而要留住顶尖人才，你确实得说出'你做得很棒'——这是让人感到被认可、被珍视的重要一环。"

Lenny 为听众补了一段通俗释义：带人时永远问自己——如果今天重新招人，凭我现在对他的了解，我还会雇他吗？如果答案是否定的，就该早点放手。Stone 又加了一条推论：如果某人今天来提离职，你是会拼命挽留，还是心头掠过一丝"换个人也许更好"的解脱？若是后者，你本应更早就行动。

七、人才、手艺与娱乐的未来

关于吸引顶尖人才，Stone 不讳言竞争空前激烈——前沿 AI 实验室的资金满天飞。但她也直言不讳地相信：Netflix 依然坐拥大量顶尖人才，"那么多优秀的人，我觉得就坐在 Netflix。"关键在于把"什么样的人在这里如鱼得水"讲得更明确：你必须热爱技术的应用、热爱规模化消费产品、热爱其全球属性，更要热爱娱乐本身。"如果你被前沿模型公司那些基础性工作所吸引——那也很精彩，但那是另一种人格、另一个问题空间。而我这样的人，正是被技术与产品、与娱乐交汇处的那个甜蜜点所驱动。"

初级人才是 Lenny 的另一个担忧：AI 让一切变得太容易，年轻人会不会根本没学会任何东西？Stone 的回答坚定：Netflix 仍在招新人，实习生项目和几年前才新设的应届生项目都会继续。她看重年轻人的开放心态、对新型工作方式的"母语感"，以及他们对娱乐、消费者行为如何变化的敏锐。"二十出头的人对世界变化的那种视角与自在，价值极高。"但她同样强调：手艺的掌握（craft mastery）仍然至关重要。即便有 AI 工具，你依然要对提交生产的代码质量、对产品的质量与体验负责——这些都还在。"我们得投入同样多的精力去带教'好是什么样子'，因为你依然要承担结果的问责。"她甚至认为这种带教是双向的：初级人才注定会反过来教她这样年纪更大的人许多新东西。

被问到"五到十年后工程会走向何方、人还需不需要懂代码"，Stone 划出了一条关键区分：用某种语言写代码，与理解代码、计算机系统、产品如何工作，是两回事。"后者不会消失。如果我们把一切都交给智能体去写、去懂，那当它出问题时，我们既不知道这产品好不好，也不知道该怎么修。"她坦言，眼下有些模型或智能体写的代码极难读懂——"我知道性能更好了，却完全不知道为什么，万一它坏了，我毫无头绪怎么修"——这让她不安。但她把这归因于学习曲线："我们需要一套测试与理性化的方式，去获得对这种世界的安心。工程会慢慢演化出这种流利度。"

话题最后落到娱乐本身。Stone 描绘的图景是：娱乐从来不是、未来也不会是"一件事"。Netflix 之所以走出电影与电视，正因为消费者期待更大的跨格式、跨设备、跨时段的多样性——云游戏、直播、播客、更广泛的创作者。她举了一条正在被编织进 Netflix 的无缝旅程：从听 Bill Simmons 的播客，到看《四分卫》，再到在电视和手机上玩最新一季的 FIFA 云游戏。"娱乐的未来不会只有一种形态，它会更个性化、更沉浸、更互动，是一个能让你朝无数方向探索的世界。"而 Netflix 真正的挑战，是让发现与参与比今天容易得多。

至于 AI 与好莱坞的紧张关系，Stone 的立场是一以贯之的"创作者赋能"（creator enablement）：为创作者提供他们想用的任何工具，而非规定"只能这么做"。会有创作者说"绝对不用 AI，那不是我的方式"——没问题；也有越来越多创作者跃跃欲试："这些工具能不能做出从前不可能的东西？能不能讲出新故事？"——Netflix 同样支持，并支持中间的所有人。

当被问到"会不会有一天整部剧都是 AI 做的、人们还爱看"，她几乎不假思索地拒绝了那种画面："我很难想象一种没有人类作为核心的娱乐。讲故事和人性是一回事——知道什么能打动人，这是稀缺而珍贵的技艺。"她引了一句被误安到萨尔曼·鲁西迪名下的话：孩子出生后，先要食物、水和投射，然后要的是"给我讲个故事"。自时间之始，讲故事就是社群、连接与情感的一部分。"技术可以放大它、用全新的方式点亮它，但若没了以人为核心的那份人性，总会觉得少了点什么。"

在快问快答里，Stone 推荐了两本"怀旧之作"——Jon Krakauer 的《进入空气稀薄地带》与 Michael Lewis 的《说谎者的扑克牌》（"我在华尔街待过，喜欢提醒人们往昔是什么样"）；最近看哭的一部是《Remarkably Bright Creatures》；最近爱上的产品是 Eight Sleep；而她最常回味的两句人生信条来自父母——"每天都会有好事发生，留意它"，以及"最后那 5% 的努力，往往决定一切。"至于正在筹备的骑行——她和丈夫将在环法自行车赛最后一周沿着赛段骑行、下午看比赛，她开玩笑说"这可不是轻松的假期"。

结尾，Stone 把这份兴奋落到最朴素的落脚点：这是一个在娱乐业造产品的绝佳时刻，但行业有时谈论纯技术、谈能力，却"只见树木、不见森林"。"我们最终想做的，是造出人们热爱的消费产品、做出人们热爱的娱乐。那才是最有启发性的事——我们给全世界的人带来了什么。"