넷플릭스의 제품·기술 총괄(CPTO) Elizabeth Stone이 Lenny's Podcast에 두 번째로 나왔습니다. 2년 반 전 첫 출연 때는 AI가 막 떠오르던 시점이었습니다. 이번 대담의 메시지는 분명합니다. AI가 역할의 경계를 흐리지만, 좁은 전문가보다 여러 영역을 꿰뚫어 보는 시스템 사고형 인재가 더 귀해졌습니다. 그리고 넷플릭스는 오래된 문화인 "운영체제로서의 탁월함(excellence as an operating system)"으로 그 변화를 흡수합니다.
역할은 흐려져도 전문성은 사라지지 않습니다
이제 누구나 무엇이든 할 수 있습니다. PM이 코드를 짜고, 디자이너가 PRD를 쓰고, 엔지니어가 제품을 고민합니다. 그래서 "내 일이 뭐지"라는 혼란과 좌절이 따라옵니다. Stone은 새 기술이 올 때마다 자리를 잡기(forming) 전에 혼란기(storming)를 거친다고 말합니다. 지금이 딱 그 한가운데입니다. 그렇다고 AI를 다시 상자에 넣자는 뜻은 아닙니다. 이득은 키우고 비용은 줄이는 방법을 더 신중하게 고민하자는 뜻입니다.
문제가 분명하면 역할이 유연하게 섞이는 건 건강합니다. 엔지니어링 팀을 기다리지 않고 제품과 디자인이 먼저 프로토타입까지 갈 수 있습니다. 다만 엔지니어 파트너와 함께 어떻게 제품화하고 확장하고 가드레일을 둘지 고민해야 합니다. 이것저것 무작정 시도해 보고 되는 대로 두는 식은 안 됩니다.
그래도 craft의 탁월함은 사라지지 않습니다. 도구 덕에 다들 예전보다 더 많은 언어를 구사하지만, 무엇이 좋은지 아는 감각은 대체되지 않습니다. Stone은 뛰어난 엔지니어링, 데이터 과학, 창의성이 여전히 드물다고 말합니다. 책임도 사람에게 남습니다. 에이전트가 코드를 썼든 내 전공이 아닌 분석을 도움받았든, 결과에 대한 책임은 그대로입니다. 비교우위도 남습니다. 데이터 과학자는 "이 데이터를 믿을 수 있나"를, PM은 "풀어야 할 문제를 제대로 규정했나"를, 엔지니어는 "어떻게 확장하고 고품질로 만드나"를 봅니다.
좁은 전문가보다 시스템 사고형 인재
넷플릭스가 더 뽑는 사람은 시스템 사고를 하는 사람입니다. 중앙 인프라 팀이 좋은 예입니다. 예전에는 로컬 팀이 각자 필요한 스택을 만들어 빠르게 성과를 냈습니다. 그런데 에이전트가 여러 시스템을 넘나들고 source of truth 데이터가 필요해지면서, 공통 인프라와 정비된 경로(paved path), 한 번에 제대로 푸는 방식이 더 중요해졌습니다. 지금의 넷플릭스를 만든 방식이 다음 넷플릭스를 만들지는 못합니다. 디자인도 마찬가지입니다. 경험 디자인 팀은 템플릿과 디자인 시스템을 만들어, 디자이너가 아닌 사람도 일관된 제품을 만들게 해야 합니다. 제각각의 디자인 언어로 "프랑켄슈타인"을 내보내면 안 됩니다.
왜 지금 이게 중요할까요. 속도와 발판(scaffolding) 때문입니다. 플랫폼은 대부분의 팀을 80%까지 데려다줍니다. 게다가 수많은 에이전트에게 맥락과 가드레일을 미리 심어 두어야, 각자 "여기서 좋은 게 뭐였죠"를 매번 새로 찾지 않습니다. 수천 명 규모에서는 몇몇이 아는 암묵지(tribal knowledge)에 기댈 수 없습니다.
Lenny는 반례를 하나 던집니다. Jenny Wen이 이 팟캐스트에서 말한 "디자인 프로세스는 죽었다"는 주장입니다. Stone은 생각이 엇갈린다고 답합니다. 인프라로 더 많은 사람이 좋은 디자인을 하게 만드는 건 좋습니다. 하지만 가장 중요한 우선순위에는 여전히 깊은 디자인이 필수입니다. 코드를 빨리 짠다고 디자인 사고까지 밀려나면, 복잡함을 보이지 않게 만드는 넷플릭스의 강점을 잃습니다.
줄어드는 건 아주 좁고 깊은 전문화입니다. 인코딩이나 재생 시스템처럼 세계에 몇 안 되는 전문가가 필요한 영역은 남습니다. 그러나 일반 규칙으로 보면 5～10년 전보다 여러 방향으로 적응하는 사람(generalist)이 더 필요합니다. 전문가라도 "이게 아직 맞는 방법인가"를 물으며 새 방식을 시도할 마음이 있어야 합니다.
시스템 사고를 기르는 법, 그리고 AI 유창성
Stone은 작은 요령을 알려줍니다. 풀려는 문제마다 한 번만 한 발짝 물러나 보는 겁니다. "이 문제 공간에서 내가 참이라고 가정하는 게 뭐지"를 묻습니다. 새 기능을 만들라는 과제를 받으면 잠깐 멈춥니다. 더 큰 소비자 문제가 무엇인지, 여러 콘텐츠 유형으로 확장되는지, 플랫폼 역량이 될 수 있는지 묻습니다. 단, 질문 단계에 너무 오래 머물면 전진하지 못하니 적당히 멈춥니다.
또 하나는 내 매니저의 관점으로 보는 겁니다. 그러면 product와 tech뿐 아니라 finance와 content까지 자연스럽게 넓혀 봅니다. 엔지니어라면 "동료에게 더 나은 버전을 남기는가"를 봅니다. 넷플릭스 엔지니어링 원칙에 있는 "내 로컬 최적이 아니라 조직 전체에 옳은 일을 하라"가 곧 시스템 사고입니다.
career ladder에도 이 변화가 들어왔습니다. 레벨마다 AI 기대치를 따로 적기보다, 전 인력에 "AI 유창성(fluency)"이라는 지향을 하나의 층으로 얹었습니다. 실험하는 마음, AI가 유용한 곳과 아닌 곳을 아는 판단, 실제로 만들어 본 경험을 말합니다. 기술 자체가 매달, 매일 바뀌니 레벨이나 역할별로 못 박지 않습니다. AI 유창성은 최고 시니어에게도 예외 없는 기대치입니다. 채용 면접에서도 후보가 AI를 어떻게 쓰는지 보고, 코딩 면접에서 AI 도구 사용을 허용합니다.
코딩을 넘어선 넷플릭스의 AI 활용
프로토타이핑과 코딩 말고도, 사람들이 잘 떠올리지 못하는 두 가지 활용이 있습니다.
첫째는 데이터 분석과 정보 정제입니다. 수십 년의 실험, 소비자 리서치, 지표를 AI로 빠르게 훑어 인사이트의 핵심에 먼저 도달합니다. 결과가 유효한지 로컬 데이터 과학자와 확인하는 걸 전제로 합니다. Stone 본인이 가장 많이 쓰는 용도이기도 합니다.
둘째는 콘텐츠 제작입니다. ML과 AI는 GenAI 이전부터 제작 도구에 깊이 쓰였습니다. 자막과 더빙 현지화, 프로모션 이미지 대량 생성이 그 예입니다. GenAI는 여기서 큰 도약입니다. 촬영 전에는 pre-visualization으로 창작자의 비전을 미리 구현합니다. 후반작업에서는 이미 찍은 장면의 조명과 구도를 바꾸고 다시 찍고 대사까지 바꾸는 모델을 씁니다. 넷플릭스가 인수한, Ben Affleck이 세운 회사가 만든 역량입니다. 최종 결정은 여전히 창작자의 몫입니다. 트레일러와 이미지, 아트워크를 대량으로 고품질로 만들어 작품이 전 세계 관객을 찾게 돕습니다. 이 역량은 광고와 마케팅에도 쓰입니다.
넷플릭스는 원래 AI와 ML을 오래 해왔습니다. 랭킹 알고리즘을 가장 많이 개선하면 약 100만 달러를 주던 옛 Netflix Prize가 그 상징입니다. 개인화는 넷플릭스 경험의 핵심이었습니다. 카탈로그가 영화와 TV를 넘어 게임, 라이브, 팟캐스트로 넓어질수록, 적절한 사람에게 적절한 작품을 적절한 순간에 보여주는 개인화는 더 어려워지고 더 중요해집니다. 예전에는 "그건 AI가 아니라 그냥 ML"이라고 했지만, 이제는 그 대부분을 AI라고 부릅니다.
운영체제로서의 탁월함, 그리고 인재 확보
넷플릭스 초기 culture deck에는 high agency, autonomy, 높은 talent density, bottom-up 사고, 빠른 실험, 시장 최고 수준의 보상이 담겼습니다. 지금 최고 AI 연구소들이 말하는 게 바로 이것입니다. 넷플릭스는 줄곧 여기에 있었습니다.
Stone은 이 문화를 "운영체제로서의 탁월함"이라 부릅니다. 문화 요소 자체가 목표는 아니었습니다.
결정을 조직 깊숙이 내려보내고, 믿을 만한 좋은 사람을 뽑아 판단을 맡기면, 탁월한 결과와 높은 동기가 함께 따라온다는 강한 믿음입니다.
큰 신뢰와 책임을 받은 사람은 최선을 다하게 됩니다. 이 문화를 만드는 재료를 Stone은 이렇게 꼽습니다. 먼저 talent density가 타협 불가능한 출발점입니다. 이게 없으면 모든 레벨의 의사결정을 믿을 수 없습니다. 다음은 책임과 selflessness입니다. 내 개인적 성공이 아니라 넷플릭스와 멤버가 먼저입니다. 그리고 위험을 감수하는 편안함입니다. 실패를 피하기보다 빨리 회복합니다. 불완전할 걸 알면서도 큰 위험을 감수한 라이브 진출이 좋은 예입니다.
마지막 재료는 문제를 프로세스로 덮으려는 충동을 참는 것입니다. 계획과 평가, 보상이 어려울 때 프로세스를 더 얹으면 시간만 더 쓰고 결과는 나빠졌습니다. 그래서 "강하게 정렬하되 느슨하게 결합(highly aligned, loosely coupled)"하며 최소한의 프로세스만 둡니다. 리더에게는 불편한 일이 따라옵니다. 내가 다르게 결정했을 상황에서도, 치명적이지 않으면 끼어들어 뒤집지 않습니다. 스스로 결정하고 배우게 둡니다. 실수해도 책임을 묻지 않는 회고(blameless retro)로 "어떻게 다시 안 그럴까"를 스스로 찾게 합니다. 통제가 아니라 회복력 있는 팀을 키우는 게 리더의 일입니다.
keeper test도 이 문화의 일부입니다. 흔히 사람을 내보내는 순간으로만 알지만, 반대로 "당신을 지키려 정말 싸우겠다"며 강점을 짚어주는 긍정적 대화의 입구이기도 합니다. 핵심 질문은 이겁니다. 그 사람이 오늘 떠난다고 하면 붙잡을까, 아니면 안도할까. 안도한다면 진작 대화를 시작했어야 합니다.
인재 확보는 늘 어려웠고 지금은 더 치열합니다. 넷플릭스의 무기는 "기술의 적용(application)"에 열광하는 사람이라는 결입니다. 엔터테인먼트와 대규모 소비자 제품, 그 글로벌함을 사랑하고 그걸 AI로 실현하고 싶은 사람입니다. frontier 모델을 만드는 일에 끌리는 사람과는 다른 결입니다. Stone은 그런 사람이 부족하지 않다고 믿습니다.
사람이 계속 필요한 자리
넷플릭스는 주니어를 여전히 뽑습니다. 인턴과 신입 프로그램은 인재 전략의 핵심입니다. 젊은 사람은 새 방식에 더 익숙하고, 소비자와 엔터테인먼트의 변화에도 밝습니다. 다만 craft mastery는 그대로 중요합니다. 내가 프로덕션에 올리는 코드와 제품의 품질은 내가 책임집니다. 손을 덜 대고도 그 감각을 어떻게 익히느냐가 고민이지만, 코드 리뷰와 테스트, 문제 진단, 좋은 제품을 알아보는 눈은 여전히 드문 능력입니다. 가르치는 방식은 바뀝니다. 그리고 주니어가 시니어에게 새것을 가르치는 일도 늘어납니다.
엔지니어링의 미래도 같은 맥락입니다. 특정 언어로 코드를 쓰는 것과, 코드와 시스템과 제품이 어떻게 작동하는지 아는 것은 다릅니다. 후자는 사라지지 않습니다. 빨리 실패하고 빨리 회복하려면 시스템을 이해해야 하기 때문입니다. 지금은 모델이 쓴 코드가 성능은 좋은데 왜 좋은지 모르겠고, 고장 나면 못 고칠 것 같아 불편한 시기입니다. 배움의 곡선이 가파릅니다. 다만 지난 10～20년을 봐도 엔지니어링은 늘 크게 변했습니다. 100년간 영화 제작이 기술로 완전히 달라진 것과 같습니다. 주기가 빨라졌을 뿐입니다.
엔터테인먼트의 미래는 하나가 아닙니다. 영화와 TV에 더해 모바일, 게임, 라이브, 팟캐스트, 그리고 Clips 같은 세로 영상까지 넓어집니다. 더 개인화되고 몰입적이며 상호작용적이어야 합니다. 파편화된 콘텐츠 속에서 발견(discovery)을 훨씬 쉽게 만들어야 합니다. AI를 두고 할리우드의 반응은 갈립니다. 넷플릭스는 창작자를 돕는 자리에 섭니다. AI를 절대 안 쓰겠다는 창작자도, 새 표현을 실험하려는 창작자도 모두 지원합니다. 하나의 방식을 강요하지 않고 열어 주는 쪽입니다.
그래도 중심에는 사람이 있습니다. Stone은 사람이 빠진 엔터테인먼트를 그리기 어렵다고 말합니다.
이야기를 짓는 일은 곧 인간다움 그 자체입니다.
AI가 제작을 크게 도와도, 이야기의 척추는 사람입니다. 그래서 마지막 당부는 이겁니다. 순수한 기술 이야기에 빠져 숲을 보지 못하는 실수를 하지 말자는 것입니다. 결국 우리가 하는 일은 사람들이 사랑하는 소비자 제품과 엔터테인먼트를 만드는 일입니다.