Lenny's Podcast 新单集精读｜Elizabeth Stone，Netflix Chief Product & Technology Officer
Elizabeth Stone 讨论的不是「AI 会不会替代某个岗位」这么窄的问题，而是：当 PM、设计师、数据科学家都能更早做原型、分析数据、调用 agent 时，组织怎样重新划分责任，个人怎样保住判断力，企业怎样在速度与质量之间找到新的平衡。
本期图片按节目顺序拆成 8 张卡：岗位边界 → 嘉宾背景 → systems thinking → AI fluency → excellence OS → 初级人才 → 娱乐形态。正文补充完整要点、中文精译与逐句翻译。事实主要来自官方单集页、本期完整音频及其官方公开视频字幕；Elizabeth 的人物背景与真人头像来自Stanford Data Science 人物页。
先看结论
- AI 让角色更流动，但不会让专业能力失去价值。 PM 仍要定义正确的问题，数据科学家仍要判断数据是否可信，工程师仍要对规模、质量和系统后果负责。
- 生产环境的责任不能外包给 agent。 Stone 支持用 AI 更快地产生想法、原型和初始代码，但不认为每个人都应该把代码直接推到生产环境。人仍然对自己创造的结果负责。
- systems thinking 是向外退一步。 不只问「这个功能怎么做」，还要问更大的消费者问题是什么、它能否变成平台能力、是否能被多个业务复用。
- AI fluency 是所有岗位的横向要求。 它不是某个职级的固定技能，而是实验心态、知道 AI 何时有用或没用、愿意探索，同时对结果保持判断力。
- 卓越是一套操作系统。 人才密度是非谈不可的前提；强判断、愿意承担风险、失败后快速恢复，比不断增加审批流程更重要。
- 初级人才不会被跳过。 Netflix 仍保留实习生和应届生项目；工具会改变，但导师带教、理解系统、判断质量和对结果负责仍是成长基础。
- 未来的娱乐不是只有一种格式。 电影、电视剧、游戏、直播、播客、移动端体验和创作者工具会组成更个性化、更沉浸、更可探索的娱乐旅程；AI 应该赋能创作者，而不是强迫所有人采用同一种创作立场。
按节目顺序整理全部要点
1. 人人都能做一切，岗位为什么还需要存在？
主持人先把 AI 时代的混乱说得很直接：PM 可以写代码，设计师可以写 PRD，工程师也可以做产品，于是很多人开始困惑自己的工作到底还剩什么。
Stone 的回答是，Netflix 内部确实也能听到这种焦虑。每次颠覆性技术出现，组织都会先经历一段 storming，再逐渐进入 forming；GenAI 现在正处于这段混乱的中间阶段。但这不代表应该把 AI 关回盒子里，而是要更认真地拿到它的收益，同时降低它带来的成本。
她支持大家用 AI 更快发展想法、做原型、写一套能验证假设的初始代码。她不支持的是把「能做」直接等同于「应该负责生产」。要让 AI 产生正收益，组织至少需要：
- 明确的 source of truth 数据；
- 生产发布前的 guardrails 和测试；
- 区分哪些输出可以直接信任，哪些需要复核；
- 让每个人都记住：即使代码是 agent 写的、分析不是自己的专业领域，人仍然要对结果负责。
这也是本期最重要的底线：能力边界可以变宽，责任边界不能变模糊。
2. 职能会变得更流动，但 craft 仍然稀缺
Stone 观察到，PM、设计师和数据科学家现在都能在产品开发流程中走得更远，工程师不必像几年前那样一开始就站在最前面解锁所有事情。AI 可以帮助团队更快生成假设、做原型、分析几十年积累在 Netflix 内部的信息。
但她也提醒，不能因为原型变便宜，就制造成千上万个没有业务问题牵引的原型。真正有效的情况是：问题足够重要，业务和工程伙伴对要解决的问题有共同理解，团队再用 AI 把想法推进到可测试的状态。
职能的比较优势没有消失：
- PM 的核心仍是把「我们到底要解决什么」框对；
- 数据科学家的核心仍是判断数据是否可信、解释是否正确，以及哪里需要判断而不是数据；
- 工程师的 craft 仍是回答怎样规模化、怎样保证质量、怎样减少部署后果；
- 设计师仍要让复杂性消失，维护产品体验的一致性。
Stone 特别担心没有系统设计时产生的 Frankenstein：每个团队都更快做出一块功能，但最终用户面对的是互相冲突的设计语言和拼接式交互。她希望体验设计团队更多建立模板、设计系统和对「什么是 Netflix 的好体验」的共同理解。
3. systems thinking：向外看一层，而不是把海洋煮沸
AI 让局部执行更快，因此真正稀缺的是能看见局部工作如何进入整个系统的人。Stone 说，Netflix 正在寻找更多能够跨越业务域、抽象出未来所需 building blocks 的 systems thinkers。
这不要求一个人解决 Netflix 的全部战略。更实用的训练是接到一个具体任务时向外退一步：
- 这个 feature 服务的更大消费者问题是什么？
- 这个方案能否扩展到不同内容类型和业务场景？
- 它应不应该沉淀成平台能力，而不是一次性项目？
- 如果从 manager 的视角看，怎样做能让整个组织更好，而不只是让自己的 KPI 更好？
对工程师来说，systems thinking 还意味着留下一个更好的系统版本：构建高质量、可扩展、可复用的能力，为下一轮创新留出空间。对设计师来说，它意味着避免不同团队各自发明一套交互，最后把产品变成 Frankenstein。
所以，central infrastructure、common infrastructure 和 preferred paved paths 会更重要。它们不是为了把所有人锁在一个流程里，而是把高频问题解决一次，让更多人能在有 guardrails 的前提下更快前进。
4. AI fluency：横向叠加在所有职级上的要求
Netflix 没有把 AI 机械地拆成每个 level 的新条目，而是在所有岗位上叠加一层 AI fluency。具体表现会因职能、职级和角色而不同，但共同期待包括：有实验心态，真的尝试过，知道什么时候有用，知道什么时候没用，也不为了使用技术而使用技术。
Stone 认为这套能力变化太快，不适合写成一张永远不变的检查清单。招聘时，Netflix 会更关注候选人如何思考 AI、怎样在工作中使用工具、是否适应探索；coding interview 也可以使用 AI，因为那已经是实际工作的一部分。
但 AI fluency 不等于把判断交给模型。Stone 自己常用 AI 做信息提炼、数据分析和建模：把分散在 Netflix 虚拟墙内的实验、消费者洞察和利益相关方输入快速汇总成起点。她仍会和数据科学家合作，检查 source of truth，并把 AI 的初步洞察当作 head start，而不是最终结论。
在内容生产中，AI 的范围也远不止写代码：创意构思、前期预演、后期重打光和重构图、对白修改、本地化字幕与配音、营销素材规模化生成，都可能成为创作者和制作团队的工具。
5. Netflix 的 AI 不是从生成式 AI 才开始
Stone 反复强调，Netflix 早就在使用 AI 和机器学习。个性化推荐的核心挑战一直是：在不断增长的内容库中，让对的人在对的时间找到对的内容。Netflix Prize 也是早期公开证明：公司很早就用机器学习解决推荐和排序问题。
因此，讨论 AI 时不必只盯着「生成式」这个标签。机器学习、生成式 AI、分析和自动化工具都只是手段，关键仍是它们是否解决了真实的消费者、产品或内容问题。
6. Excellence OS：人才密度、判断和快速恢复
Stone 把 Netflix 文化称为「excellence as an operating system」。这套操作系统的非谈不可前提是人才密度：只有当团队相信彼此能在上下文中做出好判断，才有可能把决策下放、快速试错和承担风险。
Netflix 不试图避免所有失败，而是希望失败发生时快速恢复。遇到问题时，组织很容易本能地增加审批、清单和流程，但 Stone 观察到，流程越多，不一定带来更好的结果，反而可能让优秀的人不愿意留下。
keeper test 也不只是裁人的工具。它可以是一次及时、诚实、甚至正向的反馈：如果一个人问自己在 manager 的 keeper test 里表现如何，得到的回答可能是「我会非常努力地留下你」，随后再讲清楚他的优势、影响和下一步。只有在确实没有成功路径时，才需要直接面对离开的难题。
Stone 描述的组织组合是：高人才密度、上下文而非控制、团队之间高度对齐但松散耦合、只保留让优先级清楚和执行有效的最低必要流程。
7. 顶尖人才为什么还会选择 Netflix？
AI 实验室和高薪市场让人才竞争更激烈，但 Netflix 的人才画像并不完全等同于基础模型研究实验室。它吸引的是喜欢技术应用、产品、大规模消费产品、娱乐和全球化的人：他们想把技术与真实消费者体验连接起来。
Stone 认为 Netflix 仍然有非常强的人才，吸引力来自工作本身、文化和把产品交付给全球用户的机会。她也承认，维持这种文化并不自然，尤其在规模变大之后更难，所以需要持续努力。
8. 初级人才不能被跳过
主持人担心，如果 AI 让所有工作都变得更容易，初级工程师、PM 和设计师会不会失去练习，因而永远长不成资深人才。Stone 的回答很明确：Netflix 仍招聘实习生、本科和研究生毕业生，并且会继续这样做。
初级人才的价值不只是便宜或可培养。他们对新工具更自然，对娱乐消费和世界变化有更近的观察，也可能反过来教资深员工新的工作方式。
但培养方法必须变化。导师要教什么是好、怎样使用工具，同时让新人对结果负责。工程师未来也许不需要把某一门语言当成身份，但仍需要理解代码、计算机系统和产品如何工作；否则无法判断 agent 生成的东西为什么出错、是否是好产品、是否按预期运行。
9. 娱乐会变成跨格式、可探索的旅程
Stone 认为未来的娱乐不会只有电影和电视剧。移动端、电视端、云游戏、直播、播客以及更多创作者都会进入同一张体验地图。她举的想象是：用户可以从 Bill Simmons 的播客到《Quarterback》，再到 FIFA 云游戏，在不同设备上无缝切换。
内容越多，发现和参与就越难。Netflix 的产品挑战，是把这种跨格式旅程做得更个性化、更沉浸、更互动，也更容易探索。
对于 AI，Netflix 不要求创作者只有一种立场。有些创作者明确拒绝 AI，有些创作者用生成式 AI 实现过去做不到的故事，也有大量人处于中间。平台应该支持整个光谱：支持创作者，而不是替创作者决定。
Stone 也不相信完全没有人性的故事会成为最有吸引力的娱乐。AI 可以帮助把人类的故事呈现得更好，但讲故事、理解什么能打动人，仍然需要人的参与。
10. Lightning round
Stone 推荐的书包括 Jon Krakauer 的《进入空气稀薄地带》和 Michael Lewis 的《Liar's Poker》。她最近喜欢的作品是母亲推荐的《Remarkably Bright Creatures》，她说这是一部会让人落泪、也能说明故事中「人」的部分的作品。最近喜欢的产品是 Eight Sleep。
她从父母那里记住两句话：每天都会有好事发生，要留意；最后 5% 的努力，通常才是决定性的。
她和丈夫计划在环法自行车赛最后一周沿赛道骑行，上午骑山地赛段，下午看比赛。最后她邀请听众关注 Netflix Tech Blog，尝试 Netflix 的新产品、观看 live events、玩游戏、体验移动端竖屏视频流 Clips，并把反馈发回来。
逐句全文翻译
以下为依据本期完整音频及官方公开视频完整字幕整理的中文逐句译文。为适应中文阅读，保留原始对话顺序与说话人标签；不保留英文原文，不把观点改写成第三人称摘要。
开场：岗位边界
主持人：现在每个人都可以做任何事。PM 可以发代码，设计师可以写 PRD，工程师可以做产品，于是大家开始困惑：我现在的工作到底是什么？这也是你在 Netflix 里观察到的情况吗？
Elizabeth：我当然在 Netflix 里听到过这种声音。每当一种新技术出现，尤其是像生成式 AI 这样具有变革性的技术，组织通常都会先经历一段混乱期，再进入成形期。我觉得我们现在正处于这段混乱的中间。
Elizabeth：但这不意味着我们应该把 AI 重新关回盒子里，说我们别用了，因为它把我们对岗位的预设弄复杂了。我认为，我们需要更认真地思考：怎样拿到它的收益，同时降低它的成本。
Elizabeth：我觉得人们尝试怎样更快发展一个想法、做出原型、写出一套最初的代码，让我们可以测试这个想法，这是好事。至于这是不是意味着任何人都应该把代码推到生产环境，或者每个人真的都应该做所有事情？我大概不会这么认为。但探索可能性是好事。
Elizabeth：从组织角度看，要让事情更连贯、少一些挫败感，我们需要先把一些基础条件放好：source of truth 数据要清楚；生产发布要有 guardrails；做大改动之前要测试；还要判断哪些地方可以信任 AI 输出，哪些地方需要流程或复核来检查质量。
Elizabeth：还要不断重申，人仍然要对发生的事情负责。可以是 agent 写了代码，也可以是我借助 AI 做了一份原本不属于我专业范围的分析，但这不会让人失去对自己创造的结果所承担的责任。
角色变流动，专业不消失
主持人：如果我们所有人都变成 builders，还需要分开的职能吗？
Elizabeth：我发现，PM、设计师和数据科学家现在能在产品开发流程里走得更远，工程师真正需要站到最前面去解锁事情的时间点，比几年前晚了。
Elizabeth：但如果只是突然拥有几千个原型，而这些原型没有对准业务重要的问题，工程伙伴也不知道我们在解决什么，那并不好。真正有价值的是：问题正确，团队有对齐，然后产品、设计和数据科学能更快把假设推进到可测试的东西。
Elizabeth：AI 很擅长在 Netflix 的虚拟墙里梳理信息。我们有几十年做过的实验、有消费者洞察、有整个业务里的利益相关方输入。AI 可以跨越大量材料，做分析，把它们提炼成一些最初的洞察。
Elizabeth：我不会只依赖它，但它是一个起点。以前我可能要发邮件打断别人，问某年我们做过什么研究、问题是什么、测试是什么；现在几乎可以立刻找到。它可以帮助做数据分析、建模、信息提炼，也让财务、内容和广告团队先形成初步假设，再与数据科学家和工程师深入合作。
Elizabeth：不过比较优势仍然存在。数据科学家仍然最擅长判断数据能不能信、解释是否正确、哪里是数据、哪里需要判断。PM 仍然最擅长判断我们是否正确框定了要解决的问题。工程师仍然有自己的 craft：怎样规模化、怎样定义高质量、怎样避免构建和部署方式带来新的问题。
Systems thinking 与设计系统
主持人：你说过，未来需要更多 systems thinkers。为什么？
Elizabeth：AI 让我们更快地做更多事情，也让我们更需要能够看见整个系统的人。我们在招聘更多能跨越业务域、把它们抽象成未来所需 building blocks 的人。
Elizabeth：在 central engineering 和 core infrastructure 团队里，我们会更需要共同基础设施和 preferred paved paths。过去把 Netflix 带到这里的东西，不一定能把 Netflix 带到下一个阶段；未来需要更强的基础设施，才能快速移动。
Elizabeth：共同基础设施、共同 paved paths、用一套核心能力一次性解决问题，会变得更重要。它们能拿到 AI 的大部分收益，同时提供一些 guardrails。
主持人：有人认为设计流程会被压缩，设计师只需要引导方向、调整细节，剩下的让 AI 来做。你同意吗？
Elizabeth：我部分同意。基础设施和系统化能力确实能让更多人做出更好的东西。但我不希望最重要的设计思考因为写代码更快、分析数据更快而被挤掉。Netflix 是复杂的消费产品，产品、技术和设计共同把复杂性隐藏起来，这是体验的核心。
Elizabeth：所以我们需要更多 design systems thinking。模板、品牌表达、好体验长什么样，以及 Netflix 独特的部分，都要被系统地思考。我会很紧张，如果不同团队带着不同的设计语言和不同的交互上线，最后做出一个 Frankenstein。
如何练习向外看一层
主持人：一个普通人怎样培养 systems thinking？
Elizabeth：不需要一下子解决整个 Netflix。你可以从自己的任务往外退一步，问这个 feature 支持的更大内容类型是什么，原来的方案能不能扩展到不同类型，是否应该成为平台能力。
Elizabeth：也可以站到 manager 的位置看：如果你是 manager，你会怎样看这个问题？你的 manager 看到的不是一个团队、一个问题或一个 KPI，而是更大的全局。想一想怎样做自己的工作，能让 manager 更容易把工作做好，这本身就是 systems thinking。
Elizabeth：对工程师来说，还要问：我留下的是不是一个更好的系统？它是否高质量、可扩展、可复用？我是否为下一个创新留下更强的基础，而不只是让自己这一小块看起来正确？
AI fluency 与职业阶梯
主持人：Netflix 怎样把 AI 写进 career ladder 和 performance criteria？
Elizabeth：我们没有试图在每个 level 里逐条写 AI 会怎样改变要求。我们更像是在所有人才上加一个横向的 AI fluency。它会因职能、职业阶段和角色而不同，但我们希望所有人都具备它。
Elizabeth：它可能包括实验心态，知道 AI 什么时候有用、什么时候没用，真的用 AI 做过事情。但这变化太快了，可能按季度、按月甚至按天变化，所以不适合把它写死。
Elizabeth：真正重要的是不要为了技术而技术，而是在合适的地方使用它，知道什么时候该用，保持开放并愿意探索。这不是只有某些岗位需要的能力，而是所有角色都不能绕开的要求，最高层也一样。
Elizabeth：面试时我们会更关注候选人怎样思考 AI，怎样在工作里用工具，对变化是否自在。在 coding interview 里使用 AI 也没有问题，因为这已经是现实工作的一部分。
AI 在数据与内容生产中的位置
Elizabeth：我自己经常用 AI 做数据分析、建模和信息提炼。它不是最后的答案，而是帮助我更快找到起点。我会继续检查数据、和数据科学家合作，确认我们用的是 source of truth。
Elizabeth：内容生产也有很多场景：创意构思、pre-visualization、后期重打光、重构图、修改对白、本地化字幕和配音，以及规模化制作高质量的预告片、图片和营销素材。
Elizabeth：Netflix 的 AI 不只是生成式 AI。个性化推荐一直是我们的核心能力；内容库越来越大，帮助用户发现对的内容越来越重要。Netflix Prize 也是很早就用机器学习改进推荐算法的例子。
Excellence OS 与人才密度
主持人：Netflix 的文化怎样在 AI 时代继续成立？
Elizabeth：我把 Netflix 的文化想成一套操作系统，听起来可能有点 nerdy，就是 excellence as an operating system。
Elizabeth：人才密度是非谈不可的。如果没有人才密度，就很难相信组织各层都能做出决定，也很难让人承担风险、快速创新。
Elizabeth：我们不试图避免失败，而是希望失败后快速恢复。人面对复杂问题时很容易增加流程，但我们发现，每次增加流程，往往花了更多时间，却不一定得到更好的结果。
Elizabeth：我的工作不是在每个小事情上都介入、推翻或否决，尤其当事情不重大、不会把公司烧掉时，要让人做决定并从中学习。我们需要上下文，而不是控制一切；团队高度对齐，但松散耦合；流程只保留最低必要的部分。
主持人：keeper test 仍然是文化的一部分吗？
Elizabeth：是的。人们常把它理解成决定要不要让一个人离开的工具，但它也常常用于正向反馈。一个人可以问 manager：我在你的 keeper test 里怎么样？回答可能是「我会非常努力地留下你」，然后双方继续讨论他做得好的地方、影响和成长空间。
Elizabeth：如果没有成功路径，也要直接说清楚。它的价值在于让反馈及时、诚实，不逃避困难对话，也让真正优秀的人知道自己被认可。
人才竞争与初级人才
主持人：现在有大量资金和前沿 AI 实验室在抢人，Netflix 怎么吸引顶尖人才？
Elizabeth：人才竞争一直存在，现在可能更明显，但 Netflix 有非常优秀的人才。我们吸引的是喜欢技术应用、产品、娱乐、大规模消费产品和全球化的人。对于想把技术变成真实消费者体验的人，这里的工作和基础模型实验室是不同的。
主持人：AI 会不会让初级工程师、PM 和设计师失去练习，因而无法成为资深人才？
Elizabeth：我们仍然招聘实习生和应届毕业生，也会招聘本科和研究生毕业生。年轻人通常更开放，对新工具更自然，也对娱乐和消费者世界的变化有新的视角。
Elizabeth：craft mastery 仍然重要。工程师要对生产代码负责，产品人要对产品、设计和体验负责。我们需要导师教新人什么是好、怎样使用工具，同时让他们对结果负责。
Elizabeth：需要区分会不会写一门语言，和是否理解代码、计算机系统与产品如何工作。后者不会消失。否则你无法判断 agent 写的东西是不是好产品、为什么出错、是否按预期运行。
娱乐的未来与人类故事
主持人：未来会不会出现整部电视剧都由 AI 制作，而且大家也很喜欢？
Elizabeth：我很难想象一种娱乐里没有人类作为核心。讲故事和人性是一回事，知道什么能打动人是稀缺且有价值的能力。我不喜欢看到没有人性的角色，因为故事的力量来自看到另一个人如何扮演、如何把情绪带进现实。
Elizabeth：AI 当然会帮助我们把这些东西呈现出来，让作品看起来和感觉上更接近创作者的愿景。但我看不到一种完全不以人为底色的版本。讲故事从人类诞生起就是社区、社交网络和情感联系的一部分；技术可以放大它，但不能把人性从中心拿掉。
主持人：Netflix 正在把娱乐扩展到什么地方？
Elizabeth：娱乐已经不只是电影和电视剧。移动端、电视端、云游戏、直播、播客和创作者都会进入更大的体验。用户可以从一个播客到一部剧，再到一场游戏；我们希望让这种跨格式、跨设备的旅程更顺畅、更个性化、更沉浸、更可探索。
Elizabeth：创作者对 AI 的态度会处于很宽的光谱。有些人拒绝，有些人用它做过去做不到的事情，还有很多人在中间。我们要支持这些创作者，而不是替他们决定。
Lightning round 与结束
主持人：最近推荐的书？
Elizabeth：我想到两本。《进入空气稀薄地带》，还有 Michael Lewis 的《Liar's Poker》。我以前在华尔街工作，所以也喜欢提醒大家那段历史是什么样。
主持人：最近喜欢的影视作品？
Elizabeth：《Remarkably Bright Creatures》，是我妈妈推荐的。它很催泪，也让我想到故事中人的部分。
主持人：最近发现的产品？
Elizabeth：Eight Sleep 对我的健康和幸福感很重要。
主持人：常常回想的人生格言？
Elizabeth：每天都会有一些好事发生，要留意它。还有，最后 5% 的努力通常才是决定性的。
主持人：你和丈夫要去环法最后一周沿赛道骑行？
Elizabeth：是的。每天早上骑一部分路线，下午看比赛。它不是轻松的度假，所以我在努力训练，希望能享受它。虽然不是比赛，但我也不想落在队伍最后面。
主持人：听众在哪里找到你？怎样对你有帮助？
Elizabeth：可以去 Netflix Tech Blog，看我们正在做的工作。也请大家尝试新产品，观看 live events，玩游戏，体验移动端竖屏视频流 Clips，然后把反馈发给我们。很多事情都是新的 zero-to-one 努力，我们想尽快把它们做到 great 和 excellent。
主持人：我喜欢这个作业：去看 Netflix。
Elizabeth：也可以看别的，告诉我们怎样做得更好；但我确实很想知道 Netflix 怎样能变得更好。
主持人：Elizabeth，谢谢你再次来到节目。
Elizabeth：谢谢邀请，总是很开心。
主持人：谢谢大家收听。如果这期对你有帮助，可以在 Apple Podcasts、Spotify 或你常用的播客应用订阅、评分或留言。你可以在 lennyspodcast.com 找到往期节目和更多信息。下一期见。
来源与说明
- Lenny's Podcast 官方单集页：Netflix CPTO on AI and the future of product and tech roles
- Elizabeth Stone｜Stanford Data Science 官方人物页与头像
- Lenny's Podcast 官方公开视频字幕入口
本期发布日期为 2026 年 7 月 19 日；节目原音频约 72 分钟。图片中的观点、引语和人物信息均以本期完整稿源为依据；图像为信息编辑与视觉化表达，不是现场照片或事件证据。
Comentar
Inicia sesión para comentar.