AI时代的组织转型、人才标准与个性化能力——Netflix首席产品与技术官Elizabeth Stone访谈要点梳理（Lenny's Podcast，2026-07-21）

——据Lenny's Podcast节目《Why Netflix is betting on systems thinkers—not specialists—in the AI era | Elizabeth Stone (CPTO)》（2026-07-21）整理

摘要：本文对Lenny's Podcast节目专访奈飞（Netflix）首席产品与技术官Elizabeth Stone的主要观点进行了梳理汇总。梳理了Netflix在AI引入过程中所处的组织阶段与四项前置条件，介绍了AI对内部原型开发与分析检索环节的影响、招聘标准向系统性思考者的转向以及将AI流畅度纳入职级体系的做法，最后阐述了Netflix在数据分析、内容制作、产品与个性化方面的AI应用方向。Stone负责工程、产品与设计，本期主题集中于组织与人才，未涉及收入、成本、订户与利润数字。

关键词：组织变革；企业采用；研发效率；应用层护城河；Netflix；Elizabeth Stone

一、组织转型的阶段与前置条件

Stone认为Netflix正处于引入AI的风暴期，原型与分析环节的效率已明显提升，但规模化推广须以数据、护栏与责任机制为前提。

（一）风暴期的阶段判断与四项前置条件

Stone表示，任何新技术出现，组织都要先走过风暴期才能进入成形期，“我们现在正处在中间”。她对边界的划分较为具体：做原型可以放开，人人往生产环境提交代码则大概不该。

她列出四项前置条件：一是权威来源数据；二是护栏与测试；三是AI输出的信任边界；四是人对结果负责。她明确拒绝“突然出现上千个原型”和往墙上乱扔意大利面的做法，坚持问题要选对、工程伙伴要知情、各方要事先对齐。

（二）AI对内部生产环节的影响

据其介绍，AI的影响主要体现在两个环节。一是原型与初始代码，产品经理、设计师、数据科学家如今能在产品开发周期里往前走得更远，之后才需要工程团队介入解锁，这与两年前不同。二是分析与检索，过去要发邮件询问同事公司哪年做过什么研究、跑过什么测试，现在几乎可以即时获取；更大的变化在于，财务、内容、广告部门的业务相关方也能自行分析一遍再带回假设。

与此同时，她认为专业能力的稀缺性依然存在：“我仍然觉得优秀的工程是稀缺的，优秀的数据科学是稀缺的，优秀的创造力是稀缺的。”据其表述，仍然稀缺的能力主要包括数据可信度、问题框定以及扩展与质量方面的手艺。

二、人才标准与职级体系

Stone认为AI时代需要更多系统性思考者，并以覆盖全体人才的AI流畅度期许调整职级体系。

（一）招聘标准转向系统性思考者

Stone表示：“在有AI的世界里，我们需要更多系统性思考者。”她举了两个由本地自建转向公共基础设施的例子：一是核心基础设施侧，掌握具体业务问题的本地团队原本会直接搭建自己的一套技术栈，并不认为需要沿着中央铺好的路走；二是设计侧转向设计系统与模板，她担心“出现不同的设计语言或不同类型的用户交互，基本上就是交付一堆弗兰肯斯坦”。她引用的一句话是：“把Netflix带到这里的东西，带不了Netflix去那里。”

对于这一转向为何更为紧迫，她给出三条理由。一是平台通常能把多数团队送到八成的位置，此后无需重新发明积木。二是AI带来一批新的脚手架需求，包括身份访问、安全与质量下限。三是数千人规模的组织难以再依赖部落知识，“让每一个正在建东西的人都自己去搞清楚这里好长什么样、我该记住哪些界桩或护栏，我不觉得这能扩展”。她的愿景是“我们会有非常多的代理在贡献工作，以至于你必须能在其中做推理和梳理”。

（二）AI流畅度作为职级体系的覆盖层

在做法上，Stone放弃了在每个层级逐条重写期望，改为在所有人才之上加一层覆盖，提出关于AI流畅度的期许。其中有两点值得注意：一是这项期许在职级阶梯中的呈现方式几乎按季度演化，甚至按月、按天调整；二是她表示这对所有角色都“不可谈判”，资深层级也不例外，即便写代码并非其日常工作。

她表示公司仍在招聘初级人才，并视之为人才战略的重要部分，面试中也允许使用AI工具。对于手艺，她作了重新界定：能用某种语言写出代码行，与理解代码、计算机系统和产品如何运作是两件不同的事，后者不会消失。她同时明确表达了保留意见：“看看这些模型或代理正在写的一些代码，它们非常难跟。我知道我从这里得到了更好的性能，但我完全不知道为什么，而如果这东西坏了，我将完全不知道怎么修。那让我不舒服。”

三、Netflix的AI应用方向

Stone介绍了Netflix在内部分析、内容制作与产品端的AI用法，并将多年的个性化积累视为公司的先发优势。

（一）分析、制作与产品端的应用

据其介绍，Netflix的AI应用主要有三个方向。一是数据分析与信息蒸馏，把数十年的实验与消费者研究做成可即时调取的组织记忆，她本人经常使用。二是制作端，从宣发素材、字幕配音等传统机器学习用法，延伸至预可视化以及后期的重打光、重构图、改台词，公司为此收购了一家后期制作公司。三是产品端，按规模生成预告片与艺术素材，她表示这有助于影片在世界各地找到观众。

（二）个性化的“提前起跑位置”

Stone表示，AI与机器学习对Netflix并不新鲜，个性化一直是为会员交付良好体验的核心，所要解决的问题是在对的时刻把对的片子推荐给对的人。随着内容目录从影视扩展到游戏、直播与播客，这一问题变得更难，个性化因此更为重要。她把多年的积累称作一个“提前起跑的位置”，价值在于公司对要解决的问题是什么、以及它对会员有多重要足够清楚。

总的看，Stone认为组织引入AI须先走过风暴期，以权威数据、护栏、信任边界与责任机制为前提；AI时代需要更多能够借助公共平台进行推理与梳理的系统性思考者，AI流畅度已成为覆盖全体人才的职级期许；在业务层面，个性化能力随内容品类扩张而更为重要，多年积累构成了Netflix的提前起跑位置。