@lennysan:我从Netflix首席产品与技术官Elizabeth Stone身上学到的最重要几点:1. Elizabeth认为…

X AI KOLs Timeline 新闻

摘要

Lenny分享了Netflix首席产品与技术官Elizabeth Stone关于AI时代系统思维、Netflix卓越文化、通才价值以及所有岗位AI流畅度重要性的关键见解。

我从@Netflix首席产品与技术官Elizabeth Stone身上学到的最重要几点: 1. Elizabeth认为“系统思维”正在成为AI时代最重要的技能。在工程和产品领域,这意味着那些能够跨业务领域思考并构建通用能力的人,从而让多个团队快速行动。在设计领域,这意味着经验设计师创建模板和设计系统,使非设计师也能交付连贯且符合品牌的作品。背后的驱动力是速度:当越来越多的人以更快的速度做更多类型的工作时,你需要擅长构建通用支架。 2. 系统思维是可以学习的:从你的具体问题中向上退一层。面对任务时,后退一步——这个更大的问题如何服务于业务?它能否扩展到产品表面区域?是否应该成为平台能力?伴随的习惯:以帮助你的经理完成他们工作的方式完成你的工作。这会迫使你思考所有部分如何组合在一起。 3. 在形成阶段之前,预计会有一个风暴阶段。人们现在感受到的角色困惑(“我的工作到底是什么?”)是任何变革性技术可预见的中期阶段。Elizabeth的建议:专注于高质量的真相源数据、对发布内容的护栏,以及在内部不断强化人类对自己创造的东西拥有所有权。 4. 顶级AI实验室与Netflix的文化不谋而合。高自主性、高人才密度、市场顶级薪酬、自下而上的思考、快速实验——Lenny经常从AI实验室听到的这些特质,早在Netflix早期的文化手册中就出现了。Elizabeth的解释:卓越来自于雇佣优秀的人,信任他们做好工作,并让他们承担责任。 5. Netflix的文化围绕“将卓越作为操作系统”构建。高人才密度、彻底透明、上下文而非控制、以及守门人测试。这些共同创造了一个信任和责任感的环境,没有官僚主义。但这也令人不适。它需要容忍别人做出与你不同的决定,抵制在事情出错时增加流程的本能,以及让人们承担自己选择的重量。Elizabeth认为最难的部分是“在这种不适中感到舒适”。 6. 守门人测试既关乎识别优秀的人,也关乎移除不合适的人。测试——“如果这个人告诉我他们要离开,我会努力留住他们吗?”——通常以其困难的形式被引用:当你意识到某人不合适的那一刻。但Elizabeth主要将其作为坦诚绩效对话的切入点,这些对话往往是积极的。大多数情况下答案是“我会非常努力留住你”,这为阐述优势、讨论影响、指出有效之处创造了机会。良好的反馈卫生需要强制功能;守门人测试提供了一个。 7. 专业化正在下降——适应性通才正在上升。我们正从狭窄的栈层专家(纯前端、纯后端)转向能够跨层流动的人。同样的逻辑适用于业务领域知识:“我是支付专家,仅此而已”的心态不如“我对支付足够了解,并愿意想象未来版本的样子”有价值。元技能是学会学习,而不是锁定单一赛道。 8. Netflix对AI流畅度的做法是一个通用原则,而不是基于级别的期望。Netflix没有重写职业阶梯来指定每个级别的AI能力,而是在所有角色和级别上增加了一个共同追求:AI流畅度。流畅度的含义因职能和资历而异,但最低要求在任何地方都一样——开放、实验的心态,真正的好奇心,以及对模糊性的适应。
查看原文
查看缓存全文

缓存时间: 2026/07/22 10:26

我从@Netflix首席产品与技术官Elizabeth Stone那里获得的最大收获:

  1. Elizabeth认为“系统思维”正在成为AI时代最重要的技能。在工程和产品领域,这意味着能够跨业务领域观察、构建通用能力让多个团队快速行动的人。在设计领域,这意味着创造模板和设计系统的体验设计师,让非设计师也能产出连贯且符合品牌调性的作品。其根本驱动力是速度:当更多人用更快速率完成更多类型工作时,你需要擅长构建通用框架。

  2. 系统思维是可习得的:从你具体的问题往外缩放一层。面对任务时后退一步——这个任务对应的更大业务问题是什么?它能扩展到产品哪些表面区域?是否应该成为平台能力?伴随的习惯:以帮助你的经理完成他们工作的方式做你的工作。这会迫使你思考各个部分如何组合在一起。

  3. 预期一个风暴阶段会先于形成阶段出现。人们现在感受到的角色混淆(“我的工作到底还是什么?”)是任何变革性技术可预见的中间状态。Elizabeth的建议:专注于高质量的事实来源数据,对发布内容设置护栏,并持续在内部强化“人类拥有自己创造的东西”。

  4. 顶尖AI实验室与Netflix的文化趋同。高自主性、高人才密度、市场顶尖薪酬、自下而上的思考、快速实验——Lenny从AI实验室反复听到的这些特质,早已出现在Netflix早期的文化手册中。Elizabeth的解释:卓越来自于雇佣杰出人才,信任他们做出优秀的工作,并让他们承担责任。

  5. Netflix的文化核心是构建“卓越作为操作系统”。高人才密度、彻底透明、提供背景而非控制、以及“保留者测试”。这些共同营造出一个充满信任与问责、没有官僚主义的环境。但这也会让人感到不适。它要求你容忍别人做出与你不同的决策,抵制在出问题时增加流程的本能反应,并让人们承担自己选择的后果。Elizabeth将最难的部分描述为“在这种不适中保持舒适”。

  6. “保留者测试”既关乎识别优秀人才,也关乎淘汰不合适的人。这个测试——如果这个人告诉我要离开,我会努力留住他们吗?——常常以其困难的形式被引用:当你意识到某人不合适的那一刻。但Elizabeth主要将其作为诚实绩效对话的切入点,这些对话往往是深具积极意义的。大多数时候答案是“我会拼命留住你”,这为阐述优势、讨论影响、指明有效之处创造了空间。良好的反馈习惯需要一个强制机制;保留者测试提供了这一点。

  7. 专业化趋势正在下降——适应性强的通才正在上升。我们正从狭隘的堆栈层专才(纯前端、纯后端)转向能灵活跨层工作的人。同样的逻辑适用于业务领域知识:“我是支付专家,就这样”的心态不如“我对支付足够了解,并且愿意想象未来版本可能是什么样”有价值。元技能是学会如何学习,而不是固守单一赛道。

  8. Netflix对AI熟练度的处理方式是一个通用原则,而非特定级别的期望。Netflix没有重写职业阶梯来规定每个级别的AI能力具体什么样,而是为所有角色和级别增加了一个共同目标:AI熟练度。熟练度的具体含义因职能和级别而异,但最低要求在所有地方都是一致的——开放、实验的心态,真正的好奇心,以及适应模糊性的能力。

不要错过我们的完整对话

我收到你的分享了

这些收获真的很棒。感谢分享@lennysan,她的观点也很有趣。

我越深入研究“AI化”意味着什么,就越发现目前它其实并非关乎工具,而是关乎元技能。

相似文章

@yoheinakajima: Netflix的技术栈

X AI KOLs Following

Netflix使用vLLM和NVIDIA Triton构建了一个内部LLM服务平台,通过统一的gRPC和兼容OpenAI的API将自托管模型集成到生产基础设施中,并分享了生产经验。