“优秀的工程能力仍然稀缺，优秀的数据科学能力仍然稀缺，优秀的创造力仍然稀缺。”

“你负责的每一个问题，都试着往外退一格，看看自己对更大范围做了哪些假设。”

“人才密度是不可妥协的起点。”

两年半前，Elizabeth Stone 第一次走进 Lenny 的播客时，头衔还是 Netflix 的 CTO。

如今，她的职责已经扩展到工程、产品与设计，成为公司的首席产品与技术官。

在加入 Netflix 之前，她做过 Lyft 科学副总裁、医疗数据公司 Nuna 的 COO，也当过经济学家和华尔街交易员。

这段少见的跨职能经历，让她看 AI 带来的岗位变化时，不太容易陷入“哪个工种会消失”的争论。

她关心的是另一件事：当 PM 能写代码、设计师能做原型、工程师也能碰产品，组织靠什么把这些突然多出来的产出接住？

Netflix 给出的答案很明确：专业能力依然值钱，但只盯着自己那一小块已经不够了。AI 时代，他们更愿意把机会交给能看见整套系统的人。

人人都能动手之后，岗位边界会消失吗？

Netflix 内部也有人困惑：PM 已经可以交付代码，设计师会写 PRD，工程师开始做产品判断，那“我的工作”到底还剩什么？

Elizabeth 把眼下称为技术更替中的“磨合期”。旧分工被打乱，新分工还没长出来，摩擦感很正常。

她支持团队大胆试：产品和设计可以先把想法做成可测试的东西，数据科学家也能更早进入建模和分析。

但她不赞成把“能做”直接等同于“可以上线”。原型走向生产环境时，仍要回答扩展性、测试和风险边界这些工程问题。

“我仍然看到每个专业里都有很重要的技艺，而这些技艺短期内不会消失。”

数据科学家依然要判断数据能不能信，PM 要把“我们究竟在解决什么问题”说清楚，工程师则要处理系统如何扩展、怎样部署、会引出哪些后果。

AI 让每个人多会了几种语言，却没有自动补上判断力。

Elizabeth 甚至觉得，出色的工程、数据科学与创造力仍然稀缺。岗位之间可以流动，专业标准却不能跟着变模糊。

对个人来说，这比争抢一块固定领地更实际：先让自己能跨过去搭把手，同时保留一件别人愿意依赖你的真本事。

原型多了，不等于公司真的走得更快

生成速度上来后，最容易出现的景象是“几千个原型”。

每个人都能在很短时间内做出一版，看起来公司一夜之间充满活力。

Elizabeth 对此很谨慎。如果这些原型没有对准重要的业务问题，工程伙伴也不知道产品和设计正在验证什么，它们只会成为散落在组织里的半成品。

Netflix 接受角色流动的前提，是团队先对问题有共识，再让最合适的人把假设推到可测试的阶段。

“我不认为突然拥有几千个原型是一件好事，除非它们都指向一个值得解决的业务问题。”

AI 对 Netflix 最实用的一面，反而没有那么热闹。

公司做过几十年的实验，积累了消费者研究和各业务部门的判断。过去想找一项旧研究，Elizabeth 可能要发邮件询问“哪一年做过、当时问了什么、测试结果在哪”。

现在她能很快找到材料，先形成自己的看法，再去找数据科学家核对。

这个“提前几步”很值钱，前提是使用了可信的数据，并有人检查结论。速度要用“更早得到可验证的假设”来衡量，不能只数做出了多少东西。

Netflix 为什么开始抢“系统型人才”？

Netflix 过去很依赖本地团队的速度：负责某项业务的人，可以自己搭一套技术栈，不必等待中央团队铺好统一道路。

这套方式帮公司快速长大。

Agent 开始跨多个系统工作后，原来的优势也暴露出代价。

每个 Agent 都要知道哪份数据才是真的，能访问什么，哪些操作需要拦住。不同团队若各造一套，安全、身份和质量问题会成倍增加。

因此，Netflix 的中央工程团队正在增加分布式系统、基础设施背景更强的人。他们要穿过不同业务域，抽出可以复用的积木。

“我们需要更多能看遍所有业务域，再把它们抽象成一组基础构件的人。”

Elizabeth 说，一个好的平台可以先把大多数团队送到 80% 的位置，大家不用反复重造底层能力。

更重要的是，护栏可以直接写进“铺好的路”里：数据从哪里取、怎么解释、什么情况不能用，访问权限和测试要求也一起交付。

几千人的组织早就不能靠“去找那个最懂的人”运转，Agent 只会让这个老问题变得更急。系统思维在这里很具体：把散落在人脑里的规则，做成所有人和 Agent 都能调用的基础设施。

设计师的价值，正在从页面移到整套体验

系统思维不只属于工程师。

Netflix 希望体验设计团队建立模板、交互规则和品牌表达，让没有设计训练的人也能做出连贯的产品。

Elizabeth 最担心的，是不同团队借助 AI 各自提速，最后把完全不同的设计语言和交互方式拼成一个“弗兰肯斯坦”。

局部功能可能都能用，放进完整的 Netflix 体验里却彼此打架。

设计师因此要比过去多退一步：少把全部注意力放在某个功能的细节，多想想其他人如何安全地复用这套判断。

“如果我们因为写代码更快、做分析更快，就把深度设计挤出去，那会是一个错误。”

她并不同意“设计流程已死”这一说法。

设计师确实可以更快展示更多方案、迭代和测试，基础设施也应该帮更多人做出合格设计。但碰到最重要的产品问题，Netflix 仍会留出时间做深。

复杂度能在用户面前消失，正是产品、技术和设计长期合作的结果。AI 可以把设计能力分发出去，设计师则要把“什么算好”讲得更清楚、做得更可复用。

这类工作不一定在一张漂亮页面上被看见，却决定了上百个页面最终像不像同一个产品。

练系统思维，只需先把问题“缩小一格”

“系统思维”听起来有点抽象，Elizabeth 给的方法很小：拿到任务时，往外退一格。

比如你负责 Netflix 会员体验中的一个新功能，先问它解决的消费者问题是什么，会支持哪类内容。再看当前做法能不能跨内容类型扩展，是否值得沉淀为平台能力。

你不用顺手解决整家公司战略，也别一直停在追问里。只要把局部任务放进大一圈的关系中看一次，很多原本默认成立的假设就会露出来。

“拿着你负责的那件事，只把镜头拉远一次，重新审视自己正在解决的问题。”

另一个练法，是借一次上级的视角。

Elizabeth 会想：我怎样做自己的工作，能让经理更容易完成他的工作？

从产品和技术往外看，还会碰到财务、内容等部门，局部选择也就有了新的约束。

工程师还可以多问一句，这次修改能否给同事留下更好用的系统，能否支撑下一轮创新。系统型人才和级别没有必然关系，差别藏在解决问题时愿不愿意多看一层影响。

这也是很实在的职业杠杆：你交付的不只是一项任务，还减少了后来者要重新理解和重做的成本。

AI 熟练度，不该变成一张工具清单

Netflix 没有急着在每一级职级里写明“必须会哪款 AI 工具”。

他们给所有岗位加了一层共同期待：具备 AI 熟练度。

它在工程、产品、设计和管理岗位上的样子当然不同，而且几乎每个季度都在变化。

Elizabeth 更看重愿意试、知道 AI 什么时候有用，也知道什么时候不该信。

为了用技术而用技术，不算熟练。高级管理者即使平时不写代码，也不能把理解 AI 当成下属的事。

“最有用的做法，是鼓励所有人走向 AI 熟练，同时对它有用和没用的地方保持良好判断。”

Netflix 在招聘中也开始询问候选人日常如何使用 AI、怎样理解技术变化。

Elizabeth 说，他们不会招对探索毫无兴趣的人。

这里的门槛不在提示词技巧，而在面对模糊边界时是否仍愿意尝试并承担后果。

Agent 可以写代码，AI 也能替不熟悉数据分析的人先跑一版，但产出者仍要负责。

数据是否来自正确源头、结果需不需要专家复核、上线前该做哪些测试，责任不会转给模型。会调用 AI 只是起点，知道何时停下来检查，才是组织真正需要的熟练度。

高人才密度，也救不了没有担当的团队

Lenny 发现，今天顶尖 AI 实验室常讲的高主动性、自治、快速实验和高薪，Netflix 的早期文化手册早就写过。

Elizabeth 用了一个很有意思的说法：“把卓越当成操作系统。”

这些文化原则服务于一个明确目标：优秀的人拿到充分背景和真正的决策权，往往会做出更好的判断。

决定尽量下沉，信任与责任一起交出去。

一个人知道自己手里握着很多钥匙，也知道结果要由自己解释，通常会更认真地对待工作。

“人才密度是不可妥协的起点；没有它，就无法相信组织每一层都能自己做决定。”

这套做法最难的部分，出现在有人犯错之后。

很多大公司会立即加审批、清单和关卡，希望同类事故再也不发生。

Elizabeth 看到的结果常常是大家花了更多时间，产出却没有变好。

她更相信无责复盘：当事人要认真说明学到了什么，下次会怎样工作和分享经验。

领导可以提供意见，最终决定仍属于负责的人。流程无法替代判断，也无法替代一个人对结果的在意。

AI 让组织更容易大量生产，更需要这种克制，否则每一次失误都会变成一层新规矩，最后把最能做事的人困住。

年轻人会用 Agent，仍得补上基本功

如果 AI 接走了大量初级任务，新人还怎么长成资深人才？

Netflix 没有因此停止招聘年轻人。公司保留实习生和应届生项目，这还是他们几年前才开始建立的。

Elizabeth 观察到，年轻同事通常更愿意接受新的工作方式，也更熟悉娱乐消费正在发生的变化。

这些经验对 Netflix 很重要。

但工具用得自然，和专业能力成熟，仍有一段路。

公司需要继续投入导师时间，具体地教“好代码是什么样”“好产品解决了什么问题”，也要让新人承担测试、复查和排障。

“你可能不必亲手写出每一行代码，但理解代码、计算机系统和产品如何工作，这件事不会消失。”

Elizabeth 坦白，有些模型写出的代码性能更好，她却很难看懂原因。一想到出故障时可能不知道怎么修，她会感到不安。

这个细节很真实。

工程工作的抽象层正在上移，从敲每一行代码变成指导 Agent、审查代码、一天交付多个 PR，但人还是要知道系统为何正常、坏了从哪里查。新人最危险的状态，是产出越来越多，却失去了辨别好坏和追到根因的能力。

未来的训练方法会变化，年轻人也会反过来教资深同事使用新工具。双方都绕不开对作品负责这件老事。

写在最后

AI 把很多工作的起步成本压低了，差距更多落在你能否看懂局部之外的关系，并对最后交出去的东西负责。

下一次接到任务，不妨照 Elizabeth 的办法，把镜头往外拉一格：这件事依赖什么，会影响谁，能不能给同事和 Agent 留下一条更好走的路。

系统思维并不神秘，它就从这一次多看一层开始。

内容来源：“Why Netflix is betting on systems thinkers—not specialists—in the AI era”丨Lenny's Podcast（嘉宾：Netflix 首席产品与技术官 Elizabeth Stone）

相关文章

• 《Claude设计总监：设计流程已死，取而代之的是以下这些 | Lenny's Podcast》
• 《Claude Code产品负责人：Anthropic的产品团队为何行动速度远超其他团队丨Lenny's Podcast》
• 《李飞飞：十年后职场只剩两种人丨Silicon Valley Girl》