Netflix 要全員識 AI：AI fluency 講判斷、協作同品質把關
Stone 話只守一門嘅職位會少啲，專業功力照樣值錢
TechNews 科技新報報道，Netflix 產品與技術長 Elizabeth Stone 接受 Lenny’s Podcast 訪問時，話公司期望全體員工培養「AI fluency」，由初入職新人到唔使寫 code 嘅高層都計。Netflix 面試亦會問求職者平時點用 AI，連 coding interview 都容許用相關工具。先講清楚，呢套係 Stone 個人同 Netflix 嘅管理取向，唔係一項證明通才表現一定好過專家嘅研究結論。
AI fluency 唔止識叫 AI 做嘢
Stone 對 AI fluency 嘅描述幾闊，但訪問入面其實有一條清楚主線：員工要識判斷咩情況值得用 AI，肯試新方法，亦要知道幾時唔應該交晒畀工具。AI 整到 prototype、分析舊實驗或者起一版 code 快咗，交付嗰個人仍然要為結果負責。換句話講，識寫 prompt 只係其中一部分；工作上真係識用 AI，仲要識查資料來源、驗證推論、搵出錯漏，再判斷啲產出用唔用得。
放入一般產品團隊就易明。PM 可以用 AI 快手砌 prototype，設計師可以整理需求，developer 亦可以用 agent 補介面，不過呢堆產出一去到正式產品，仍要有人處理架構、權限、效能、資料可信度同用戶體驗。Stone 明講，產品、設計、工程同數據科學嘅界線會鬆動，大家可以多做一步；但要 productize、擴展同定 guardrails，依然要各職能一齊埋枱。
圖片：Netflix Investor Relations
AI 加快產出，更要有人顧全套系統
Stone 所講嘅 systems thinker，重點係識得由手上功能退後一步，睇清楚佢同成套產品、共用平台及其他團隊點樣扣連。Netflix 有大量歷年實驗、用戶研究同業務資料，AI 可以幫更多人搵到相關內容，不過資料有冇過期、邊份先係 source of truth、邊啲資料唔應該畀 agent 存取，全部要預先定清楚。單靠每個人臨場執生，團隊愈跑得快，分歧同風險只會愈積愈多。
呢點亦解釋咗點解 Netflix 想加強共用基建、標準路徑同設計模板。當 PM、設計師同工程師都可以用 AI 整出功能，冇一致規格就好易拼出介面語言各自為政嘅產品，安全同身份權限亦可能周圍穿窿。系統思考有價值，係因為團隊可以把品質要求放入平台、工具同日常做法入面，等其他人加速時仍然有清楚邊界，毋須次次靠一位老臣子口傳心授。
Netflix 仍然需要專家，但專業能力亦要跟住工具演變
「系統思考者取代專家」呢種講法太盡。Stone 喺原訪問特別舉出影片編碼同播放系統，話呢啲得少數人掌握嘅範疇，Netflix 仍然要資深專才；佢亦認為優秀工程、數據科學同創意人才依然罕有。佢較擔心嘅係有人將專業綁死喺單一工具或系統層，外面做法變咗都唔願試。專門知識照樣係優勢，只係專家要識得向外伸，理解相鄰範疇同整體業務問題。
新人仍要學識判斷好壞
Stone 話 Netflix 會繼續請實習生同畢業生，亦承認早期職涯員工往往較快接受新工具。不過 AI 幫手寫到 code，唔代表新人可以跳過基本功。佢仍然要求團隊教新人咩叫好 code、好產品同好設計，因為系統出事時，總要有人明白點解壞、影響咗邊度同點修正。管理層如果淨係用產出速度衡量 AI 成效，久而久之只會儲起一批冇人睇得明、亦冇人敢改嘅系統。
對產品、設計同工程團隊嚟講，AI fluency 最實際嘅做法係訂清楚邊類工作可以交畀工具、產出要點驗證、邊個負責最後決定，同咩內容唔可以直接推上 production。Netflix 呢套觀點會唔會奏效，仲要睇佢日後點量度品質同人才成長；暫時可以肯定，識開 AI 工具只係基本入場要求，專業判斷同跨團隊協作仍然要靠人練返嚟。
參考來源
- TechNews 科技新報 — 這年頭「系統思考者」比專家更有價值，Netflix 產品技術長：不管職位高低都需追求「AI 流暢度」 — original report
- Lenny’s Podcast：Netflix CPTO on AI and the future of product and tech roles — Stone 原訪問，核對系統思考、跨職能合作、專才價值同品質責任嘅完整語境。
- Podcast transcript：Elizabeth Stone 訪問逐字稿 — 用嚟核對訪問時間點、具體例子同二手標題省略咗嘅限定條件。
- Netflix Investor Relations：Elizabeth Stone — Netflix 官方管理層資料，確認 Stone 職銜同履歷。
本文根據原文及公開資料整理；資料有出入時，以原文及官方資料為準。
