La solución no es meter la IA de vuelta en el cajón ni enterrar la confusión o los riesgos bajo más procesos. Es contratar y desarrollar más pensadores sistémicos.
Elizabeth Stone, Chief Product and Technology Officer de Netflix, volvió al podcast de Lenny con un mensaje que resonará con cualquiera que sienta su trabajo amenazado y su futuro incierto : la IA ha creado una "fase de tormenta" para el trabajo en sí mismo. La solución no es meter la IA de vuelta en el cajón ni enterrar la confusión o los riesgos bajo más procesos. Es contratar y desarrollar más pensadores sistémicos.
La conversación de Stone cubre escalafones profesionales, el keeper’s test, la densidad de talento, el futuro del entretenimiento y por qué "todos pueden ser todo ahora" es a la vez una oportunidad y un dolor de cabeza para el liderazgo.
Stone escucha la misma pregunta de los equipos dentro de Netflix que Lenny escucha de la industria en general: "¿Y ahora cuál es mi pega?"
"Cada vez que aparece una tecnología nueva, pasas por una fase de tormenta antes de la fase de formación. Estamos en medio de eso ahora mismo. No creo que eso signifique que debamos meter la IA de vuelta en la caja y decir: ‘No la usemos’."
El desdibujamiento es real: los PMs pueden prototipar código. Los diseñadores pueden escribir PRDs. Los ingenieros pueden hacer producto. Los científicos de datos pueden generar análisis antes de que un ingeniero siquiera abra un ticket.
¿La visión de Stone? Algo de fluidez es sano, pero solo cuando el problema de negocio está claro:
"Puede ser que un agente haya escrito el código, o que yo haya ayudado con un análisis cuando esa no es realmente mi área, pero eso no quita la responsabilidad de las personas sobre lo que han creado."
La respuesta no es "meter la IA de vuelta en la caja". Es invertir en datos de fuente de verdad, salvaguardas e infraestructura compartida para que la experimentación no se convierta en mil prototipos espagueti desconectados.
Si todos son creadores, ¿siguen existiendo funciones separadas? La respuesta de Stone es un sí enfático.
"Todavía veo una excelencia en el oficio que es muy importante y que no creo que vaya a desaparecer pronto. Sigo viendo que la gran ingeniería es escasa, la gran ciencia de datos es escasa y la gran creatividad es escasa."
Ella ve ventajas comparativas que persisten:
La IA puede ayudar a que todos hablen más de estos lenguajes, pero no reemplaza el juicio que viene del oficio profundo.
El mayor cambio de contratación que Stone ve en Netflix no es "más ingenieros de IA" ni "menos PMs". Es una demanda por personas que puedan pensar a través de dominios.
"Necesitamos más pensadores sistémicos—personas que puedan mirar todos los dominios de negocio y abstraer eso en ‘estos son los bloques de construcción que vamos a necesitar’."
En ingeniería, eso significa más inversión en infraestructura central, caminos comunes pavimentados y bloques de construcción compartidos. Netflix históricamente dejaba que los equipos locales construyeran lo que necesitaran para moverse rápido. En un mundo de agentes de IA, ese enfoque se convierte en una responsabilidad.
Los agentes necesitan datos de fuente de verdad. Necesitan consistencia en control de acceso y seguridad. Necesitan formas de trabajo comunes. Así que Netflix está contratando más personas que puedan diseñar el río completo, no solo navegar un rápido.
El mismo patrón aparece en el diseño.
"Me pongo muy nerviosa cuando hay diferentes lenguajes de diseño o diferentes tipos de interacciones de usuario y terminamos enviando Frankensteins, básicamente."
Se espera cada vez más que los diseñadores construyan sistemas de diseño, plantillas y expresión de marca que permitan a los no diseñadores producir experiencias coherentes. El oficio no ha desaparecido; ha subido un nivel en la stack.
Stone tiene cuidado de no declarar extintos a los especialistas. Todavía hay lugares donde la experiencia profunda en un tema es esencial: codificación, sistemas de reproducción, marketplaces publicitarios y otros rincones de Netflix que requieren años de conocimiento acumulado.
Pero como regla general, la era del especialista estrecho se ve limitada.
"Los días de la especialización muy estrecha y profunda me parecen más limitados."
En comparación con hace cinco o diez años, Stone ve menos especialistas y más generalistas adaptables. También ve un problema de mentalidad en personas que quieren quedarse en un solo carril estrecho:
"Creo que la mentalidad ahora tiene que ser: ‘Puedo aprender eso rápido’. Y eso nos lleva de vuelta al pensamiento sistémico. Creo que los especialistas pueden aprender a tener una variedad más amplia de herramientas más fácilmente de lo que era posible en el pasado."
El riesgo no es tener una especialidad. El riesgo es tratar tu especialidad como un refugio permanente.
A Stone le preguntan cómo desarrollar el pensamiento sistémico. Su consejo es refrescantemente práctico:
"Truco pequeño: Para cada problema que intentas resolver, detente, retrocede un paso y pregúntate: ‘¿Qué estoy asumiendo como cierto sobre el contexto más amplio?’"
Por ejemplo, si te piden construir una feature para la experiencia de los miembros de Netflix, haz una pausa antes de escribir una línea de código:
No necesitas resolver toda la estrategia de Netflix. Solo necesitas alejar el zoom un nivel, cuestionar tus supuestos y luego volver a entregar.
"No me quedaría mucho tiempo en el estado de cuestionamiento, porque te quedas atascado y no avanzas."
Netflix es conocida por no ser una empresa de "escalafón profesional" en el sentido tradicional de las grandes tecnológicas. Cuando agregaron niveles y expectativas, Stone no intentó reescribir cada peldaño para la IA.
En cambio, Netflix agregó una capa de fluidez en IA en todos los roles y niveles.
La fluidez en IA se ve distinta según la función y la etapa profesional, pero incluye:
Stone dice que la definición evoluciona casi mensualmente porque la tecnología avanza muy rápido. El objetivo no es forzar la IA en todo flujo de trabajo. Es desarrollar juicio sobre cuándo y cómo usarla.
Netflix incluso cambió sus prácticas de entrevista: los candidatos pueden usar herramientas de IA en entrevistas de programación, porque así será el trabajo real.
Lenny señala que el famoso culture deck de Netflix ahora suena exactamente como se describen los laboratorios de IA de frontera: alta agencia, autonomía, alta densidad de talento, decisiones de abajo hacia arriba y sueldos en el tope del mercado.
Stone llama a esto "la excelencia como sistema operativo".
"La cultura de Netflix siempre ha sido la excelencia como sistema operativo. Es una resistencia a hacer lo que muchas grandes empresas harían, y se trata de sentirse cómodo en esa incomodidad muy a menudo."
Los pilares, tal como los describe ella:
"La inclinación de todos, cuando las cosas son difíciles y complicadas, es pensar que estás simplificando el problema al ponerle muchas restricciones alrededor. Pero en realidad va contra preguntarse: ‘¿Hay una forma más creativa de planificar, o de tomar decisiones de personal, o de tomar decisiones de priorización, que realmente nos lleve a mejores resultados?’"
El keeper’s test es conocido por ser esa prueba de si pelearías por mantener a alguien si dijera que se va. Stone dice que también es una herramienta de retroalimentación positiva.
"Es una puerta de entrada a una conversación que es muy positiva y edificante para las personas, pero el marco es: ‘¿Paso el keeper’s test?’"
El lado difícil todavía existe. Si sientes alivio cuando alguien se va, probablemente esperaste demasiado para tener una conversación difícil. El keeper’s test es una forma de higiene: te obliga a revisar si tus estándares siguen siendo reales, o si solo estás reteniendo a alguien porque dejarlo ir sería incómodo.
La competencia por talento tecnológico de élite es brutal. Los laboratorios de frontera pueden ofrecer paquetes de compensación enormes y la oportunidad de entrenar modelos que nadie ha construido. Stone no ve a Netflix perdiendo esa pelea, porque Netflix ofrece algo diferente:
"Hay muchísimas personas increíblemente talentosas que aman ese punto dulce—yo soy una de ellas—entre tecnología, producto y entretenimiento."
Netflix también está contratando gente junior. Los programas para recién graduados y pasantes son ahora una parte central de la estrategia de talento. Las personas en etapas tempranas de carrera tienden a ser más nativas con las herramientas de IA y más fluidas en cómo están cambiando el entretenimiento y el comportamiento del consumidor.
Pero todavía necesitan mentoría en el oficio.
"El dominio del oficio sigue siendo muy importante. Sigues teniendo la responsabilidad de revisar código, probar código, poder diagnosticar problemas y saber cómo se ve un buen producto."
La preocupación de que "la gente junior nunca aprende porque la IA hace todo el trabajo" es real. La respuesta de Stone: las herramientas cambian, pero la responsabilidad no.
Lenny hace una pregunta que todo ingeniero está pensando: ¿la gente todavía necesitará entender código en cinco o diez años?
Stone establece una distinción importante entre escribir código y entender cómo funcionan los sistemas de software.
"Hay una diferencia entre poder escribir líneas de código en un lenguaje particular, como Python o C++, y entender cómo funcionan el código, los sistemas computacionales y los productos. No creo que lo segundo vaya a desaparecer."
Los agentes pueden escribir más del código. Los ingenieros pasarán más tiempo revisando, clasificando y conduciendo. Pero si no puedes saber por qué un sistema está roto, no puedes arreglarlo. Si no puedes saber si un producto es realmente bueno, no puedes ser dueño del resultado.
Stone admite que el código generado por agentes puede ser difícil de seguir:
"Sé que estoy obteniendo mejor rendimiento con esto, pero no tengo idea de por qué. Y si esto se rompe, no tengo idea de cómo arreglarlo. Eso me hace sentir incómoda."
Esa incomodidad, dice, es parte de la curva de aprendizaje actual. La próxima generación de ingeniería necesitará desarrollar fluidez para guiar agentes, no solo escribir código.
Stone espera que el entretenimiento siga fragmentándose en formatos, dispositivos y momentos del día. Netflix ya abarca cine, TV, juegos, eventos en vivo, podcasts y feeds verticales de formato corto como Clips.
El resultado es un problema de descubrimiento.
"El futuro del entretenimiento no va a ser una sola cosa. Va a tener que ser más personalizado, más inmersivo y más interactivo, con esta sensación de: ‘Este es un mundo que puedo explorar en muchas direcciones distintas, dependiendo de lo que esté buscando en el momento’."
El rol de Netflix es hacer que ese mundo se sienta fluido, no fragmentado. Eso es un desafío de producto e infraestructura tanto como de contenido.
A pesar de todo el hype de la IA, Stone es escéptica del entretenimiento sin humanos al centro.
"Me cuesta imaginar un entretenimiento que no tenga a los humanos en el corazón. Contar historias es una y la misma cosa con la humanidad."
La IA ayudará con la previsualización, la localización, los subtítulos, los efectos visuales e incluso con la reiluminación o el reencuadre de metraje después de un rodaje. Netflix recientemente adquirió InterPositive, una empresa de postproducción impulsada por IA cofundada por Ben Affleck, para llevar esas capacidades más allá.
Pero el núcleo creativo sigue siendo un humano que dice: "Esta es la historia que necesito contar".
Netflix ha estado usando machine learning mucho antes de que la "IA" se convirtiera en un símbolo de estatus. El Netflix Prize en 2006 invitó a equipos de todo el mundo a mejorar el algoritmo de recomendación de la compañía en un 10%. Se convirtió en un campo de pruebas para el filtrado colaborativo y en un hito en el ML aplicado.
Stone ve esa historia como una ventaja:
"Esto no es nuevo para nosotros. Especialmente para la personalización, la IA y el ML han sido centrales para entregar una gran experiencia a los miembros."
Lo mismo ocurre en el lado creativo: la IA y el ML se han usado en efectos visuales, subtítulos, doblaje y generación de activos promocionales durante años. La IA generativa (GenAI) simplemente expande el lienzo.
El Ejecutivo ha sido incapaz de conformar el Consejo Directivo de la nueva Agencia de Protección de Datos Personales, el organismo encargado de fiscalizar el cumplimiento de la norma.
La comunidad tecnológica suele debatir en foros y redes sobre arquitecturas redundantes, tolerancia a fallos y alta disponibilidad. Sin embargo, cuando el "desastre" ocurre en el mundo físico, no hay failover automático ni respaldo en la nube que pueda solucionarlo con un clic.
