Netflix CPTO on AI and the future of product and tech roles | Elizabeth Stone

Netflix 产品与技术官 Elizabeth Stone 指出：AI 让每个人都能做更多事，但系统思考能力正变得比深度专精更重要——公司正在减少招聘“窄领域专家”，转而寻找能跨域抽象、搭建通用平台的人。

当人人都会写代码，Netflix 在招什么人？

嘉宾：Elizabeth Stone，Netflix 首席产品与技术官（CPTO），一个人统管工程、产品、设计三大团队。她上一次做客还是 CTO，那期节目长期占据 Lenny 播客历史最受欢迎第二名，只输给 Airbnb 创始人 Brian Chesky。她的履历也不寻常：美林交易员出身，做过经济学家、Lyft 数据科学负责人，是硅谷少见的"从数据一路管到产品设计"的高管。

两年半前她上节目时，AI 才刚冒头。这次回来，她开场就接住了一个所有人都在焦虑的问题——AI 让"每个人都能做所有事"了，PM 能写代码、设计师能写 PRD、工程师能做产品，那我的工作还剩什么？

这期回答了 8 个问题：

1. 角色大混乱会怎么收场？职能分工还有意义吗？
2. 为什么"系统思考者"成了 Netflix 招聘的第一关键词？
3. 系统思考怎么练？（她给了一个当天就能用的动作）
4. AI 时代什么人才在贬值、什么还稀缺？
5. Netflix 为什么故意不把 AI 要求写进职级表？
6. Netflix 内部最大的 AI 杀手应用是什么？（不是写代码）
7. "卓越作为操作系统"到底怎么运转？为什么出了问题反而不加流程？
8. 还要不要招应届生？工程师五年后还需要懂代码吗？

Lenny 第一个问题就很扎心：很多人现在困惑"我作为 PM、作为设计师，到底还负责什么"。Stone 没有回避，直说"我在 Netflix 内部确实听到这种声音"。

她给这个混乱期起了个名字：每次变革性技术出现，都要先经过 storming（风暴期），才能进入 forming（成形期），我们正处在风暴中间。她的态度是：不能因为 AI 搅乱了角色定义就把它塞回盒子里，但"人人都能探索原型"不等于"人人都该往生产环境提交代码"。

真正值得抄的是她给出的落地前提。角色可以流动，但组织要先铺好四块地基：数据要有明确的"真相来源"，谁都不能拿一份来路不明的数据做决策；代码上生产前要有测试和护栏；要想清楚哪些场景能直接信 AI 的输出、哪些必须过人工审查；最后反复重申一件事——不管代码是 agent 写的，还是你用 AI 做了个自己不擅长的分析，责任都还是你的。工具变了，责任不跟着转移。

至于"职能会不会消失"，她的回答是全场被引用最多的一句："我依然觉得优秀的工程稀缺、优秀的数据科学稀缺、优秀的创造力稀缺。"人人都多会了几门"语言"，但每个行当里"什么是好"的判断力，一点没变便宜。

被问到现在扩招什么人，Stone 的回答不是某个职能，而是一种人：能跨所有业务域、把具体问题抽象成通用构建模块的系统思考者。

有意思的是，这恰恰是在革 Netflix 自己的命。过去 Netflix 的成功秘诀就是各团队各自为战：本地团队遇到业务问题，自己搭一套技术栈快速交付，从不觉得需要走什么统一路径。但她判断这套打法到头了——用她的话说，"把 Netflix 带到今天的东西，带不到明天"。原因是 agent：当 AI agent 要跨多个系统干活、要调用可信数据、要遵守统一护栏时，公司层面的通用基础设施从"锦上添花"变成了"不铺就走不动"。所以中央工程在加招分布式系统和基础设施人才，目标是"一个问题只解决一次"。

设计团队的转向更形象。体验设计师现在的核心工作不是给某个功能画界面，而是搭模板和设计系统，让包括非设计师在内的更多人做出来的东西风格统一。她说自己最怕的场景是各团队用各自的设计语言，最后"缝出一个科学怪人（shipping Frankensteins）"。

她也划了边界：系统思考是叠加在业务专长上的，不是替代——个性化、广告、内容分发的深度专家照样在。

Lenny 替听众问了最实用的问题：这能力怎么学？总不能人人都去啃那本封面画着弹簧的《Thinking in Systems》。

Stone 给的方法小到可以今天就用，她叫它 "step out one click"（往外退一格）：每接到一个任务，先停一拍，问自己"我对这个问题所处的更大空间，默认了什么是成立的"。比如接到一个新功能需求，退一格问：它背后要解决的消费者问题是什么？我打算的做法，放到多种内容类型上还成立吗？这个能力要不要沉淀成平台让别的团队复用？

她特意加了刹车：不用把整个海洋煮开，不用推导 Netflix 的全局战略，退一格就够；而且别在质疑态里待太久，"不然你就卡住了，不再往前走"。

她还补了第二招，来自她多年前收到的职业建议：用"帮你老板做成他的工作"的视角来做你自己的工作。一旦这么想，你自然会跳出自己团队的 KPI，去看财务、内容、广告这些板块怎么拼在一起。她笑称这招"对职业发展也有好几重好处"。

被问到"现在看轻了什么"，Stone 答得直接：窄而深的专精岗，比 5 到 10 年前需要得更少了；通才和能朝多个方向适应的人，需要得更多了。

但她立刻举了反例，防止这话被听歪：视频编码、播放系统这些领域，"全世界真正懂的人就那么几个"，Netflix 团队里这样的人做出过极具创新性的贡献，这种专精依然不可替代。

真正的分界线不在"专不专"，在心态。她的原话是，现在需要的心态是 "I can learn that quickly"（这个我能很快学会）——这句话本身就是系统思考的一种体现。危险信号是另一种人：我是支付专家、我是广告市场设计专家，所以我只干这个——却不再愿意追问"我现在用的工具和思路，还是对的吗"。专精是优势，前提是它还在生长。

Netflix 前几年才刚给自己建了职级体系，按理说 AI 时代应该往每一级里塞 AI 要求。Stone 说他们故意没这么干，而是给全公司加了一层统一的覆盖要求：AI fluency（AI 熟练度），所有角色不可谈判。

为什么不写细？因为写不了——这个标准的表述方式"几乎按季度演化，有时按月甚至按天"，技术跑得太快，今天写死的定义下个月就过时。所以与其分层定义，不如让所有人朝同一个方向：有判断力地用（不是为了用而用），保持开放心态去试新东西。

这条线一直画到最顶层：Netflix 最高管理层即便日常不写代码，也被要求对 AI 有深度理解。招聘环节也变了——面试会专门聊候选人怎么看 AI、日常用什么工具，连编程面试都允许用 AI 工具，理由朴素得可怕："因为这本来就是现在工作的一部分。"

被问到"被低估的 AI 用例"，Stone 第一个说的不是 coding，而是数据分析和信息蒸馏。

Netflix 攒了几十年的实验数据、消费者研究、跨部门业务输入，过去调用这些知识的方式是——找到那个在这儿待了 20 年、看过每一次实验的人。现在她自己想知道"某年做过什么研究、当时的问题和测试是什么"，几乎立刻能查到，不用再发一封打扰别人的邮件，然后直接跳到"这里面有什么可行动的东西"。她自陈这是她个人用 AI 用得最多的场景。

连锁反应发生在产品技术部门之外：财务、内容、广告的业务伙伴现在也能自己做初步分析、先形成假设，再带着成型的问题来找数据科学家深入合作——协作的起点整个往前挪了一步。

边界她也说得清楚：结果必须核验、必须确认用的是真相数据源。数据科学家"这批数据能不能信、该用数据还是该用判断"的能力，不但没贬值，反而更值钱了。

很多人不知道，GenAI 出现之前，ML 就深度用在 Netflix 的制作管线里——规模化生产宣传素材、字幕和配音本地化，都是老应用了（更早还有那个百万美元悬赏优化推荐算法的 Netflix Prize）。GenAI 带来的增量在创意的两端。

开拍前，是他们内部叫 pre-visualization（预可视化） 的东西：在把人和设备拉到片场之前，先把创作者的构想具象化出来。杀青后，Netflix 最近收购了 Ben Affleck 创办的 Inner Positive，这家公司的模型能让创作者在拍完之后重新打光、重新构图、重拍、改对白——但决定权始终在导演手里，是创作者主动选择"我想再试一种方式"。

对于好莱坞对 AI 的抵触，她给的定位很清晰：创作者是一个光谱，有人"绝对不用 AI，这不符合我的创作方式"——没问题，照样合作；也有越来越多创作者想探索"这工具能不能让我用新方式讲故事"。Netflix 做的是 creator enablement（给创作者递工具），不做规定动作。

Lenny 抛出一个观察：Netflix 早期文化手册里的东西——高自主性、人才密度、顶薪、快速实验——"正是我现在从顶级 AI lab 嘴里反复听到的运作方式，大家都在往 Netflix 待了二十年的地方走"。

Stone 把这套文化总结成一个词：excellence as an operating system（卓越作为操作系统）。关键在于，那些文化要素都不是目的本身——不是"为了让人有自主权"，而是一个机制：把决策推到组织最深处，招能被信任做出好判断的人，卓越是这个机制运转出来的结果。起点只有一个不可谈判项：人才密度。

落地要做两件反人性的事。第一件：看到不认同的决策，忍住不出手。她每天都会看到"换我会做不同选择"的决策，但只要不至于把公司烧了，她的工作不是逐个否决，而是让人做完决定、事后一起复盘——"进展如何？也许我当时想错了，也许这个决定很好"。第二件：事情不顺时，抵制加流程的冲动。她这几年学到的规律是：每次因为规划难、事情复杂就加流程，结果都是花了更多时间、没换来更好的结果。最好的人要的不是防出错的审批链，而是一场不指责任何人的复盘——他们会自己追问"我怎么确保这事不再发生"。

顺带她纠正了外界对 Keeper Test（留任测试）的最大误读：大家只记得"决定裁人的艰难时刻"，但她日常用得更多的是反方向——下属问"我过你的 keeper test 了吗"，绝大多数时候她的回答是 "I would fight so hard to keep you"（我会拼尽全力留住你），然后具体讲对方强在哪、影响在哪、还能在哪更进一步。留住顶尖人才，同样需要把"你做得很好"说出口。

两个所有人都在猜的问题，她给了不含糊的答案。

应届生还招吗？招，而且是人才战略的关键一环。Netflix 的 new grad 项目几年前才设立（此前只招有经验的人），现在反而在 AI 时代更重要——年轻人对新工作方式更"原生"，也更懂娱乐消费正在怎么变。但入行逻辑变了：手艺的精通（craft mastery）依然稀缺，团队要加倍投入 mentorship，教"什么是好"，同时让新人明白——工具再多，产出质量的责任还在你身上。

工程师五年后还要懂代码吗？她的区分是：会写某种语言的代码，和理解代码、系统、产品如何运作，是两件事——后者不会消失。如果完全信任 agent 写所有代码，出了问题你不知道它是好是坏、更不知道怎么修。然后是全场少有的、她没给出成熟答案的时刻：她坦承现在看一些模型写的代码，"性能确实更好，但我不知道为什么好；这东西要是坏了，我不知道怎么修——这让我不舒服"。她把这归为自己也还在爬的学习曲线，没有假装已经想通。

这场访谈从"人人都能做所有事"的焦虑开场，到"很难想象没有人在核心的娱乐"收尾，Stone 其实一直在回答同一个问题：AI 把"执行"变便宜之后，人的价值要重新定价——稀缺的不再是"会做某件事"，而是能看见全局（系统思考）、能为结果负责（人始终担责）、能判断什么是好（craft excellence）。

结尾她引了一句常被误传为 Rushdie 的话：孩子出生后，先要食物、水和照顾，然后就会要求——给我讲个故事。技术能放大讲故事的方式，但故事里得有人。对一家娱乐公司如此，对每一个在 AI 风暴期里困惑"我还负责什么"的人，也是同一个答案：机器能做的越多，你越要说得清，人到底为什么在场。