過去一年多，Netflix 產品與技術長 Elizabeth Stone 觀察到，公司內部浮現一種新的困惑。PM 開始自己寫程式，設計師動手寫起 PRD（產品需求文件），工程師則跳下來做產品決策。
AI 工具讓每個人都能多做一點，但隨之而來的問題是：「那我的工作到底是什麼？」
在 Lenny's Podcast 訪談中，她把這種混亂稱為「風暴期」。Stone 掌管 Netflix 的工程、產品、設計三大部門，兩年半前第一次上這個節目時職稱還是技術長（CTO），如今已升任 CPTO。
主持人 Lenny Rachitsky 拋出的核心提問是：當 AI 讓職能界線變得模糊，一家把「頂尖人才」奉為信仰的公司，接下來要多聘什麼人、少聘什麼人？
Stone 的答案，恰恰不是「人人都變成 builder」。這裡的 builder，指什麼都能自己動手做的「全能建造者」。
「人人皆 builder」這個敘事，漏掉了稀缺性
過去一年，矽谷流行一種說法：既然 AI 讓每個人都能寫程式、做設計、跑分析，職能頭銜就該被打散。業界甚至出現「member of technical staff（技術成員，不分頭銜）」的趨勢，暗示未來只需要一種人，什麼都能建的通才。
Stone 對這個方向有保留。她在訪談中說，用 AI 快速發想、做原型、寫初步程式碼來測試想法是好事，但這不代表任何人都該把程式碼推上正式環境，也不代表每個人都該做所有事。
她的判斷是：craft excellence（工藝卓越）短期內不會消失。「我仍發現偉大的工程很稀缺、偉大的資料科學很稀缺、偉大的創意很稀缺。」有些事變容易了，稀缺性卻沒有跟著消失。
換言之，AI 讓工程師、設計師、資料科學家「會說更多語言」，卻沒有讓「什麼是好」這件事變得不值錢。誰來判斷這段 AI agent（能自主跑任務的 AI 代理）寫出來的程式該不該上線、這個產品體驗對會員好不好，依然是稀缺技能。
因此 Stone 反覆強調一句話：就算是 agent 寫的程式碼，人類仍要為結果負責。
為什麼她加碼的是「系統思考者」，而非通才
Stone 眼中真正上升的能力，是「退一步看全局」。她用 Netflix 自己的轉向當例子。
過去 Netflix 的成功，靠的是各地團隊針對特定商業問題快速交付，各自打造需要的技術堆疊，不必走中央鋪好的路（paved path，指預先建好的共用路徑）。但在 AI agent 要跨多個系統運作、需要一致「真實來源資料」（source of truth data）的世界，這套各自為政的打法開始吃力。共用基礎設施、一次把問題解好，重要性反而上升。
代價 Stone 沒有迴避。這意味 Netflix 工程團隊的招聘輪廓，從「在地業務專精」明顯偏向「分散式系統、基礎設施、系統思考」。她說這是 additive（疊加），個人化、廣告、內容遞送的深度人才仍在，但重心確實移動了。至於那種非常狹窄、非常深度的專精，用她的話說，「對我而言更受限了。」
不過，Stone 對「系統思考者」的定義並不等於「什麼都會的通才」。她給出一個很具體的培養訣竅：面對每個要解的問題，往外退一格（step out one click），問一句「關於這個更大的空間，我假設了什麼是真的？」
具體來說，如果這個員工被指派做一個會員新功能，他會不會先停一拍來思考：這功能在跨多種內容類型時規模化擴展得起來嗎？能不能變成貢獻給整個平台、供多個領域使用的能力？
從訪談可以整理出 Stone 談到的三個具體方向。
方向一：把「什麼是好」編碼進系統，而不是留在某個人腦裡
Stone 描述的第一個資源重分配，發生在中央工程與設計兩端。
工程上，Netflix 增聘能橫看所有業務領域、抽象出「我們需要哪些共用元件」的人。設計上，體驗設計團隊被要求開發模板與 design systems，定義「Netflix 的好設計長什麼樣」，讓大量非設計背景的人也能做出連貫的產品。Stone 說她最怕的，是不同設計語言、不同互動拼出來的「科學怪人（Frankensteins）」產品。
背後的邏輯是：一家數千人的公司，不能再靠「部落知識（tribal knowledge）」或「去找那個唯一懂的人」來運作。這在 AI 之前就是挑戰，AI 只是讓它更急迫。
因此她的做法是把「真實來源資料在哪、怎麼詮釋、護欄在哪」直接編碼進工作方式，而不是讓每個動手建東西的人自己去摸索。
方向二：AI 流暢度不綁職級，做成蓋在全員之上的一層期待
Netflix 沒有在每個職級精確定義「AI 該怎麼改變你的工作」。Stone 的做法，是在所有人才之上放一層「AI fluency（AI 流暢度）願景」的 overlay。
白話說，與其規定「你這個職級該會多少 AI」，不如給所有人一個共同方向，各自照職能與資歷去達成。
她坦言 AI fluency 很難定義：是否有實驗心態？是否知道 AI 何時有用、何時無用？是否真的用 AI 建過東西？因為技術進展太快，這個標準幾乎每季、甚至每月都在變，所以與其寫死在職級手冊裡，不如當成鼓勵所有人前進的方向。
按她的說法，這是所有角色不可妥協的要求，連 Netflix 最高層也一樣，即使日常不寫程式，也被期待要有深度的 AI 流暢度。
這已經反映在招聘上。面試會探索應徵者怎麼思考 AI、日常用什麼工具、對變動有多自在；連 coding 面試也允許用 AI，因為那就是工作的實況。
方向三：用「卓越即作業系統」守住人才密度
Stone 把 Netflix 那份著名的文化簡報（culture deck）元素，高自主權、高人才密度、少流程、付市場頂薪，概括為一套「卓越即作業系統（excellence as an operating system）」的框架。
她的意思是，這些元素本身不是目的，而是一個手段：透過把決策推到組織最深處、聘用可被信任的人，來換取卓越的成果。
支撐它的是「keeper test（守才測試）」。外界常把它理解成「決定讓某人走」的時刻，但 Stone 說多數時候那是一場正向對話。切入問法是：如果這個人今天來說要離職，我會拚命留他，還是鬆一口氣覺得換個人也許更好？
若是後者，她認為自己該更早展開那場對話。她也刻意抵抗一種本能：有人犯錯時，別急著加一道流程去防堵，因為最優秀的人不想在滿是檢查清單與關卡的地方工作。 因為如果為了防範平庸或不適任員工犯錯，而建立層層審查與流程，受傷害最大的往往是那群最聰明、最渴望自主權的頂尖人才。
這不是 Netflix 第一次押 AI
把鏡頭拉遠，Stone 提醒外界一件事：AI 對 Netflix 並不新。早年的「Netflix Prize（Netflix 大獎）」祭出約百萬美元獎金，向全球高手徵求優化推薦演算法的方法，優勝團隊最終讓推薦系統的預測表現較 Netflix 既有的 Cinematch 系統改善逾 10%，跨過拿下獎金的門檻。
也就是說，個人化一直是 Netflix 體驗的核心，視覺特效與語言在地化也早就在用機器學習。她甚至自嘲，以前這些叫機器學習，還有人說「這不是 AI，AI 永遠不會發生」，現在則什麼都叫 AI。
創作端也在加碼。Netflix 近期收購了 Ben Affleck（班·艾佛列克）創辦的 InterPositive，據 Stone 在訪談中所述，其模型能在拍攝後重新打光、重新取景、補拍、調整對白，藉此提升內容品質，但仍由電影創作者主導、需經人工核准才能套用變更。
這呼應了 Stone 強調的定位：Netflix 的角色是「用創作者想用的任何工具，賦能他們實現願景」，堅持不用 AI 的創作者也照樣合作。
至於「會不會出現一整部大受歡迎的純 AI 影集」，她的看法是說故事與人性一體，她很難想像一個沒有人類當骨幹的版本。
資料來源：Lenny's Podcast（YouTube 原片）、Lenny's Newsletter 逐字稿
本文初稿為AI編撰，整理．編輯/ 李先泰
