奈飞：这2种人，坚决不招

内容来源：Netflix 首席产品与技术官 Elizabeth Stone 于 7 月 19 日做客 Lenny’s Podcast 的访谈。她谈到 AI 如何改变产品、技术与设计岗位，以及 Netflix 在招聘中更看重什么样的人。

一、AI提速了，但真正值钱的东西变了

新技术出来后，尤其是生成式AI这种级别的变革，总会先经历一段混沌期，然后才会慢慢稳定。

Netflix现在就在这个阶段，内部感受很明显：产品经理能写代码了，设计师能出PRD （产品需求文档） 了，工程师也能兼着做产品，每个人都成了多面手。

让大家去试、去探索，这没问题。怎么更快形成想法、做出原型、写一批初始代码来测试，这些都值得鼓励。但探索归探索，不是每个人都要把代码推到生产环境，也不是每个人都该把活全包了。

过去两年半，产品经理、设计师和数据科学家在产品开发流程里走得更远了，不用等工程团队在前面扫清障碍。但这事得谨慎：突然冒出几千个原型，如果不是冲着真正重要的问题去的，那不是好事。

Netflix内部沉淀了几十年的实验数据、消费者洞察和各业务线反馈。AI在信息提炼和洞察提取上确实强，不建议完全依赖，但它能给你一个先发优势。

拿我自己的工作来说，以前查个资料得发邮件问别人“我们哪年做过什么研究、当时跑了什么测试”，现在几秒钟就找到了，直接跳到“这里有什么能落地的”。

更大的变化是，财务、内容和广告部门的同事也能自己做初步分析了，带着假设来找数据科学家和工程师深挖。假设生成、原型制作和深度思考都在提速，各职能之间的协作顺畅了很多。

执行速度提上去了。但问题没消失，只是换了： 当更多人能更快地产出更多东西，组织真正稀缺的不再是“谁能做”，而是“谁来判断这些产出靠不靠谱”。

优秀的工程师仍然稀缺，优秀的数据科学家仍然稀缺，出色的创意仍然稀缺。有些事变容易了，但这种稀缺性并没有因此消失。

但要在组织层面把这事做好，得有几条底线：第一，哪些场景能信任AI输出、哪些需要人工复核，得判断清楚。第二，人要为结果负责。代码可能是Agent写的，也可能你借AI做了原本不擅长的事，但责任不因此消失。

二、系统思考，是当下最看重的能力

1.AI越高效，系统思考越重要

执行能力在扩散，但另一种能力在升值：系统思考。

拿核心基础设施团队来说。过去Netflix的成功靠的是一线团队快速交付，他们不觉得需要走中央统一路径，自己搭技术栈、解决问题就行。

但AI时代不一样了，Agent要跨多个系统跑，需要“唯一事实来源”的数据，标准化路径和护栏变得至关重要。共享基础设施、统一路径、一套核心能力解决共性问题，越来越重要。

所以我们在招更多能纵览所有业务、抽象出“AI时代需要哪些基础积木”的人。让Netflix走到今天的东西，未必能让它走到明天。要想跑得快，基础设施得更强。工程师画像会偏向分布式系统、基础设施和系统思维，而不是只深耕某个局部业务。

设计也一样。体验设计团队要开发模板，把“Netflix好的设计长什么样”定义清楚，让更多人，包括没有设计背景的人，也能做出连贯的、符合会员体验的产品。

我很担心出现各种不同的设计语言和交互方式，最后拼出来一个“科学怪人”。所以招设计师时也要看：能不能做系统层面的思考？怎么用模板？怎么表达品牌？差异化在哪？

每个职能都在发生这种“退一步看全局”的变化。现有团队要调整技能，新招的人要具备这种能力。心态上也要转变：不愿探索、不敢面对变化、受不了模糊性的人，不会招。

至少在我干这行的这些年里，好奇心和创新心态从未如此重要。

系统思考不是要求每个人掌握所有专业知识，而是一种新的工作习惯：不只交付结果，还要理解结果在整个系统中的位置。

有个小技巧：面对每个问题，先退一步，问自己“为了解决这件事，我对更大的全局做了哪些假设？”

比如接到任务，要给会员做个新功能。先停一下：真正要解决的更大的消费者痛点是什么？这个功能能不能跨多种内容类型扩展？会不会成为一个平台能力被多个业务复用？随着娱乐版图扩张、我们追求更个性化和沉浸式的体验，这个问题在未来是不是最重要的消费者问题之一？

不用把整个海洋煮沸，也不用去解决整体战略。拿起自己负责的事，把问题放大一层，对它提问就行。

别在提问状态待太久，否则会卡住。但这能帮你用系统的方式想：我是在用正确的方式解决对终端消费者真正有意义的问题吗？

换个角度想：如果我不只盯着自己负责的事，而是站在经理的位置，不仅看产品和技术，还看财务、内容和业务的其他部分，自然会退一步想这些怎么拼在一起，整体怎么大于部分之和。

工程师也一样：怎么留一个更好的系统版本？怎么构建一个对其他人来说质量更高、更可扩展的东西？做对整个组织有利的事，而不只是对本地团队有利，这也是系统思维。

它不关乎资历，关乎的是解决问题和构建东西时的视野宽度：这对同事有用吗？是不是为未来的创新留了更强的根基？

2.专业能力没贬值，贬值的是把自己锁死在专业里

没有专业深度，就很难识别什么是高质量，也无法判断AI生成的内容是否可靠。

数据科学家最懂“数据可信不可信、解读对不对”；产品经理最擅长判断“解决的到底是不是真正值得解决的问题”；工程师最清楚“怎么上规模、高质量长什么样、这种做法会埋什么雷”。这些没变，变的是以前经常卡住的环节，现在能更顺畅地跨过去了。

工匠精神也是一样。工作边界在模糊，但每个学科的专业判断力不会消失。工程师、数据科学家和设计师现在确实因为AI工具掌握了更多“语言”，但 要判断什么算“优秀”，仍然有不可替代的东西。

这一点，不管什么职级都成立。依然需要人来拍板：做的事合不合理，是不是在用最合适的方式为会员和业务解决正确的问题。

真正降低需求的，是过于狭窄、只能在固定边界内工作的人。不愿探索、不敢面对变化、受不了模糊性的人，不会招。

什么样的人在Netflix能如鱼得水？得对“用技术构建产品来解决具体问题”充满热情。得热爱娱乐，热爱大规模消费产品，热爱全球化影响力。

如果你更受前沿模型公司基础研究的吸引，那当然也令人兴奋，但那是另一种职业特质和问题领域，截然不同的赛道。但我坚信不乏这样的人才：对技术应用本身感到兴奋，又渴望把它和自己热爱且每天使用的产品连起来。

Netflix还在招初级员工，他们对我们的人才战略很重要。还有实习生项目和校招项目，这是几年前才新设的，以前各职能只招有经验的人。

年轻人思想更开放，更自然地适应Netflix的新工作方式。他们也非常熟悉娱乐怎么变、消费者行为怎么变、产品和技术怎么影响他们用的东西。这不只是“刚毕业的工程师”是什么样的人，更是二十多岁的年轻人对世界变化有天然的适应力。

步入岗位后用上了以前不存在的AI工具。但工匠精神仍然重要。作为团队成员，要对提交上线的代码质量负责，对构建的产品质量负责，包括设计方式和用户体验。这些责任不会消失。

我们要投入大量精力去教初级员工什么叫优秀、怎么用这些工具，同时依然对结果和产出质量负责。精通工艺和追求卓越的人才仍然稀缺，要确保把这些教给他们。

“如果不像以前那样亲力亲为，怎么获得这些能力？”这个担忧是合理的，但审查代码、测试代码、诊断问题、判断好产品长什么样的责任，依然要扛。

三、AI素养是所有人的基础门槛

除了系统思考，还有一件事对所有岗位不可妥协：AI素养。

Netflix没有试图精确描述AI怎么改变每一级的期望，而是在所有人身上叠加了一层对“AI素养”的期望。具体表现因职能、职级和角色类型而异。

AI素养很难精确定义。是具备实验思维？是知道AI什么时候有用什么时候没用？是真用AI搭过东西？这个概念的定义几乎按季度在变，因为技术本身进步太快。

最有效的做法不是把它绑到某个级别或角色上，而是鼓励所有人朝这个方向走。 不是为用技术而用技术，而是当技术真正有价值时去用它，有判断力，保持开放心态去试。

这对所有岗位都不可妥协。Netflix最高层也是如此：即使日常不写代码，也需要对AI有深度理解。

招聘上也体现了这一点。面试时会聊候选人怎么看待AI和技术，日常用什么工具，对变化和探索的适应度。编程面试当然允许用AI工具，因为这本来就会是工作的一部分。

说起来，有人问Netflix怎么看AI的时候，我总想提醒一句：这对我们不是新鲜事。尤其在个性化方面，AI一直是给会员提供好体验的核心。内容越多，发现就越难。你想在合适的时刻给对的人推荐正确的作品，目录越精彩、内容越广，这事就越难。而且现在不只影视了，还有游戏、直播和播客。

以前大家管这叫机器学习，说“这不是AI，AI永远不会来”。后来突然之间什么都叫AI了，其中一些其实就是机器学习。但不管贴不贴AI公司的标签，对我们来说这是非常熟悉的工具，一直在帮我们做出更好的娱乐和技术成果。

AI在Netflix的应用也远不止编码和原型。第一个大场景是数据分析和信息提炼。用工具梳理所有洞察：做过哪些实验、某个问题该看哪些指标、做过哪些消费者调研。只要验证结果有效，速度和质量都高很多。这已经超越了原型和编码，进入了分析思考和把数据变成行动的层面。

第二个大场景是内容生产。生成式AI出来之前，机器学习就已被深度用于制作工具：大规模制作宣传素材、字幕和配音本地化。生成式AI让潜在影响上了一个台阶。

创意构思阶段有“预可视化”的工作，就是真正开拍之前，先把创作者的愿景变成可见的东西。后期制作也有大量用例。

2026年3月Netflix花了约5.87亿美元收购了Ben Affleck创办的InterPositive，这家公司做了一套模型，用电影自己的拍摄素材训练，可以在后期重新打光、调整构图、补拍遗漏的镜头、增强背景。方向仍然由电影人或创作者掌握，但工具确实有用。

四、没有信任和冒险的文化， 这些能力都跑不起来

系统思考和AI素养说起来好，但真要落地，需要一种匹配的组织环境。

我把Netflix文化的这些方面想成“把卓越当作操作系统”。

这些文化元素的目标不是它们本身。不是“让每个人承担尽可能多的责任”，也不是“不喜欢流程就完全不要流程”。真正的信念是： 想要卓越，就得给人足够的自主权和责任，把决策尽量下沉到组织深处 ，招值得信任、能做出好判断的人才。

这样会带来惊人的结果，也带来更多动力和责任感。团队里每个人都会觉得自己拿到了很多钥匙，也扛着对等的结果责任。知道自己被这样信任和问责，就会想把活干到最好。

人才密度是不可谈判的前提。没有它，就不可能对组织各层的决策有信心，也不可能让人承担风险、快速创新。

Netflix文化里，卓越很重要的一部分是对承担风险感到自在。不是回避失败，而是失败发生了快速恢复。

做直播就是个好例子。我们愿意承担大量风险，知道不可能一开始就完美，也知道可以快速学习、因此变得更好。看到团队怎么处理这件事，我从未如此为他们骄傲。

要相信人们会利用你给的上下文，有判断力，愿意冒险，为业务最好的结果努力。还得非常清楚：自己的工作是在为消费者和Netflix带来结果。重要的是Netflix，是会员，不是个人的成功或偏好。卓越操作系统里有一种无私。

有些事对人性来说是逆着的。有时我看到某个决定，会想“我会做出不同决定，这真是最好的选择吗？”

但在Netflix文化里，我的职责不是每次都介入推翻。只要不至于把公司烧了，就让那个人做决定、从中学习，事后请他复盘。也许我才是错的，也许那个决定其实很好。

风险高的时候，让别人去冒险会不安。但这恰恰意味着，事情不顺的时候，别指望加个流程就能解决。

过去几年我学到一点：规划难的时候，从没听人说过“我们找到了完美的规划方法”。

每次遇到问题就加流程，只是多花了时间，结果并没变好。

事情又难又复杂的时候，大家往往觉得加一堆约束是在简化它。但真正该问的是：有没有更有创意的方式来规划、做人员决策或优先级决策，让结果真正变好？所以要抵抗大公司都会做的事，让自己习惯待在不舒服的状态里。

最优秀的人才渴望知道会有一场无指责的复盘，他们会感到强烈的个人责任感，从而自问：我怎么确保这类问题不再发生？不是靠加流程，而是靠分享经验教训、调整工作方式，确保下次拿到更好的结果。当你信任人们去反思、学习和成长，假以时日你会收获更好的成果，也会建立更强大的团队。

结语：什么该变，什么不该变

我们正处在一个令人难以置信的高速创新期。但有时候会沉迷于纯粹的技术讨论，只见树木不见森林。

工具变了，有些事该变：岗位边界要松开，基础设施要统一，AI素养要全员化，流程要精简，反馈要常态化。

有些事不该变：专业判断力，工匠精神，承担责任，理解系统怎么运作，故事里的人性。