系統思維勝過專業分工

資料來源#

• Why Netflix is betting on systems thinkers—not specialists—in the AI era | Elizabeth Stone (CPTO)

摘要#

Elizabeth Stone（Netflix CPTO，Lenny's Podcast，2026 年 7 月，practitioner-opinion）被問到 AI 時代 Netflix 正增加招募哪些人才，她的回答不是某種職能，而是一種思維模式——「在有 AI 的世界裡，我們需要更多系統思考者」——能夠縱觀所有業務領域，並將其抽象成「我們需要的基礎構件」。反過來說，「非常狹窄、深入的專業分工似乎正變得更受限」——專家人數減少，更多人能跨職能界線與技術堆疊層次靈活適應，因為 AI 工具讓人才得以比以往更快拓展能力（「我認為現在需要的思維模式是：我可以很快學會」）。她指出的例外確實存在，但範圍很小：全世界只有少數人了解其運作方式的領域（例如 Netflix 的編碼與播放系統）。

為什麼代理程式迫使組織重新集中#

Netflix 過去的成功公式恰好相反：各地團隊帶著特定業務問題快速行動，不走任何中央既定路徑，並依問題所需建置各自的技術堆疊。Stone 認為代理程式扭轉了經濟效益——「帶 Netflix 走到今天的方法，無法帶 Netflix 走向未來」：

• 代理程式會跨多個系統運作，並需要唯一真實資料來源；零散的地方技術堆疊會讓它們缺乏所需資料。
• 速度會放大槓桿效益。 在 AI 出現之前，平台能讓大多數團隊完成 80% 的工作就已經很不錯；如今同時進行的嘗試更多，一次用核心基礎構件解決問題，所產生的複利效益也更大。
• 以腳手架控制風險。 更多人從事新型態工作，會帶來存取權限／身分、安全與品質方面的問題。Stone 的解方是將「好的標準」編碼進既定路徑，而非依賴個人流程：「我不認為要求每個正在建置東西的人都得自己弄清楚——能不能告訴我這裡的好標準是什麼、有哪些防護欄或護欄？——這種做法能有效擴大規模。」有數千人的組織「再也不能仰賴部落知識，也不能只靠我去找那個懂的人。」
• 工程人才的特質也隨之轉變：增加分散式系統與基礎設施人才，補充（而非取代）深入了解個人化、廣告與內容交付的專家。

她明確描述了代理程式規模下的終局：Netflix 的願景是「有這麼多代理程式參與工作，以至於你必須能夠一路推理與判斷」——人類引導要解決的問題並評估產出品質，工作則由人類與代理程式共同完成。這是組織設計版的 Agentic Work Systematization（OpenAI 衡量從臨時使用代理程式轉向可重複使用的技能／外掛基礎設施），也是對 Acceleration Whiplash 的建設性回應：Faros 記錄了 AI 湧入以人類速度運作的 SDLC，超過其吸收能力；Stone 的既定路徑試圖在不增加人工流程關卡的情況下提高吸收能力（Netflix 為何拒絕以流程解決問題，見 Excellence as an Operating System）。

設計系統是設計領域的同一種做法#

設計領域的做法是：體驗設計師日益著重建置範本與設計系統，將「在 Netflix 什麼才算優秀的使用者設計」編碼其中，讓許多人——包括非設計師——都能推出一致的產品，避免「推出」設計語言各異的「拼裝怪物」。這是企業規模下實踐 Living Design System，也讓設計人才的招募重點從「設計特定功能」轉向設計系統思維。

不過，Stone 反對「設計流程已死」這種強烈論點（Jenny Wen 的說法，由 Lenny 引述，認為設計師如今只是在引導快速行動的建置者）：賦能是為了照顧長尾需求，但**「對我們最重要的優先事項而言，設計對於以正確方式解決問題至關重要。我們仍然會為重要的設計工作留出時間。」** 深厚的設計專業能使用更快的工具，而不是被淘汰——失去這種專業，就會失去那種「讓產品中許多複雜性隱形」的能力。

AI 熟練度是職涯階梯的附加要求，不是各職級的標準#

Netflix 最近增設了職涯階梯與職級，並刻意沒有在每個職級寫入 AI 期望。取而代之的是，對所有人才設置單一的附加要求：以 AI 熟練度為目標，並依職能與職涯階段而異，因為熟練度的定義「幾乎每季、甚至每月或每天都在演變」。這是每個職位都明確不可妥協的要求，包含最高階主管（「我們也需要深入熟悉 AI，即使我們不寫程式」），也延伸到招募：面試會探問候選人如何思考與使用 AI，程式設計面試允許使用 AI 工具，「因為這現在會是工作的一部分」。篩選思維模式的標準很明確：Netflix 不招募對探索不感興趣、無法自在面對模糊性與角色界線模糊的人。

初階人才仍是策略的一部分#

對於 AI 會消滅入門職位的說法，Stone 的立場毫不含糊：Netflix 仍持續招募實習生與應屆畢業生（應屆畢業生計畫本身也只推行了幾年——Netflix 過去只招募有經驗的人才），並稱早期職涯招募**「對我們的人才策略非常重要」**——年輕人更以 AI 為原生環境、思想更開放，也更熟悉娛樂與消費者行為的變化。相應的責任包括：投入資源指導專業技藝（「這才是好的標準」），並堅守問責原則——使用代理程式不會轉移對產出的責任。這是支持 Firm AI-Spend Intensity and Headcount Growth 的實務觀察之一（大量採用 AI 的企業增加了入門職位人數），與 Brynjolfsson 式的初階職位減少解讀形成對照。

她也承認其中的難題，並原話呼應 Outsource Your Thinking, Not Your Understanding：即使代理程式寫程式，工程師仍必須理解系統如何運作（「如果我們相信代理程式懂所有語言、能寫所有程式碼，那我們就無從知道——產品好不好？……我仍需要熟悉我們正在建置的東西，才能知道它好不好、也知道如何修正」）；同時也坦言，目前代理程式寫出的程式碼「很難理解……如果這個東西壞了，我完全不知道怎麼修。這讓我很不自在」——她說工程這個專業仍在學習如何應對。而專業技藝依然稀缺：「我仍覺得優秀的工程人才稀缺，優秀的資料科學人才稀缺，出色的創意也稀缺」——這正是 Returns to Expertise in Agentic Coding 中持續存在的專業能力溢價之質性表現。

如何學會：退一步看一層#

Stone 提出的系統思維訓練技巧有意設下界線，避免陷入分析癱瘓：

每次你試著解決問題時，退一步看一層。為了解決這個問題，我對更大的領域做了哪些假設？……你不必想把整片海洋煮沸。你只要處理自己負責的事情，然後把鏡頭拉遠一層來看正在解決的問題，並對它提出疑問。我不會在提問階段花太多時間，否則就無法繼續向前推進。

由此可推得兩點：做事時設身處地從主管的角度思考（他們的視野自然涵蓋各個組成部分），並致力建構更強的系統，讓同事能承接——「做對整個組織有利的事，而不只是對你當地團隊有利的事。」

延伸閱讀#

• Community Smells Under AI Adoption — 與 Stone 論點相互對照：兩者都認為稀缺技能在於理解界線，但對界線的看法不同——是跨越人類業務領域進行抽象思考，還是知道自身領域知識何時超越工具能力
• Elizabeth Stone — 論點闡述者；Netflix CPTO
• Excellence as an Operating System — 此招募論點所預設的文化基礎：既定路徑承載防護欄，讓文化得以持續拒絕流程化
• Role Averaging, Not Role Elimination — Ambrosino 在 OpenAI 一方對同一種兼容並蓄觀點的詮釋：角色界線變得模糊，但有明確最佳實務的專業仍須存在；Stone 補上企業規模下的做法（將專業知識編碼進平台與設計系統）
• Engineer PM Convergence — 本文所界定的角色流動趨勢：Stone 證實，在工程師成為首要人選之前，PM、設計師與資料科學家都能走得更遠，同時堅持專業技藝的相對優勢仍然存在
• Agentic Work Systematization — 有衡量數據佐證的對照案例：OpenAI 採用技能／外掛的曲線，呈現了「一次用核心基礎構件解決問題」在使用遙測資料中的樣貌
• Acceleration Whiplash — 既定路徑試圖預防的失敗模式：產出量超出組織的吸收能力；Stone 的解方是把防護欄編碼進基礎設施，而非設置流程關卡
• Living Design System — 在企業規模下實踐的設計系統產物，也包含相應的招募重點
• Returns to Expertise in Agentic Coding — 「優秀工程人才稀缺」與「專家現在能快速學習」是衡量結果的兩面：專業能力溢價依然存在，但大多數提升來自新手進步到中階；拓展廣度的成本不高，精通則不然
• Outsource Your Thinking, Not Your Understanding — Stone 所說的理解但不必親自撰寫，以及她對難以理解的代理程式程式碼感到不安，都是由一位必須承擔後果的管理者親自闡述此論點
• Firm AI-Spend Intensity and Headcount Growth — Netflix 是具名的大量採用者，仍持續投資初階人才招募；從業者的經驗佐證初階職位成長的一方
• Verification as the New Bottleneck — 人類對代理程式規模的產出進行「推理與判斷」；這是此組織設計要配置人力的瓶頸
• Is Breadth Cheap Now? Specialist Ramp Speed and Domain-Expert-as-Builder at Scale — 為「專家能快速拓展能力」的說法估價：實際執行的成本低，但是否能內化尚未獲證明；如果指導能將借來的表現轉化為真正掌握的理解，這項招募論點在實務上仍站得住腳

待解決的問題#

• 代理程式時代的重新集中（共用既定路徑、一次建好基礎設施）能否經得起考驗，並與 Stone 認為造就 Netflix 歷史速度的地方團隊自主性並存？也就是說，當問題不符合既定路徑時，地方團隊會接受它嗎？還是影子基礎設施會再次出現？
• Stone 刻意讓 AI 熟練度維持模糊的附加要求，因為技術「每季都在演變」。它是否終有一天會像傳統能力一樣，明確成為各職級的標準？還是永久維持附加要求才是穩定狀態？觀察時點：Netflix 下一次修訂職涯階梯。
• Stone 主張有了 AI 工具，專家現在能「快速」拓展能力。此知識庫的證據是否支持低成本拓展廣度？Returns to Expertise in Agentic Coding 中新手到中階的凹形曲線顯示，工作所需的基本掌握或許如此；但有沒有經驗豐富的專家跨領域成長速度的證據？部分已有答案：Is Breadth Cheap Now? Specialist Ramp Speed and Domain-Expert-as-Builder at Scale——將主張拆開來看：手上有工具時的執行廣度可明確以低成本取得（凹形曲線顯示所需增量很小；管理優勢所述的專家元技能——精準界定問題、驗證規格、判斷由誰修正誰——可跨領域轉移，因此有經驗的專家起點高於新手；AI 輔助的到職培訓又進一步縮短適應期）。能保留的能力廣度尚未獲得證明，而唯一的隨機化證據不利於這項主張：移除工具後，自動化模式下的增益便消失，自我回報則掩蓋了能力缺口；使用方式在增強與自動化之間的差異，決定了能得到哪種效益。至於適應速度本身，目前沒有任何衡量；現階段只能以作用機制的論證代替。

資料來源#

• Why Netflix is betting on systems thinkers—not specialists—in the AI era | Elizabeth Stone (CPTO) — Lenny's Podcast，2026-07-19，practitioner-opinion；系統思考者招募、既定路徑的理由、職涯階梯附加要求、初階人才策略、「退一步看一層」