넷플릭스의 제품·기술 총괄(product and technology officer) Elizabeth Stone이 2년 반 만에 Lenny's Podcast에 다시 나왔다. 첫 출연은 AI가 막 떠오르던 시점이었고, 그사이 AI는 누구나 무엇이든 할 수 있는 상황을 만들었다. PM이 코드를 배포하고, 디자이너가 PRD를 쓰고, 엔지니어가 제품을 기획한다. 진행자 Lenny는 그 결과로 생긴 혼란, 즉 "이제 내 일은 무엇인가"라는 물음에 넷플릭스가 어떻게 답하는지 묻는다.
Stone의 답은 세 가지로 정리된다. 역할이 섞여도 각 기능의 craft와 결과에 대한 책임은 사람에게 남는다. 여기에 더해 넷플릭스가 더 찾는 사람은 좁은 전문가가 아니라 여러 영역을 가로질러 공통 구성 요소를 설계하는 시스템 사고형 인재이고, 모든 구성원에게는 AI 유창성을 기대한다. 그리고 넷플릭스는 오래된 문화인 "운영체제로서의 탁월함"으로 이 변화를 받아들인다.
대담에서 Lenny가 실제로 반박한 곳은 세 군데다. 디자인 프로세스가 아직 필요한지, 코드를 직접 쓰지 않고도 코드를 이해할 수 있는지, AI만으로 만든 쇼를 사람들이 좋아하게 될지다. Stone은 첫째에는 반대하고, 둘째에는 자신도 아직 불편하다고 인정하며, 셋째에는 AI 콘텐츠가 재미있을 수 있다는 점은 인정하면서도 사람이 빠진 이야기는 상상하기 어렵다고 답한다.
역할의 경계가 흐려져도 결과에 대한 책임과 기능별 강점은 사람에게 남는다
Stone은 넷플릭스 안에서도 "내 일이 무엇인가"라는 혼란을 듣는다고 인정한다. 그는 새 기술이 등장할 때마다 조직이 자리를 잡는 단계(forming)에 앞서 혼란을 겪는 단계(storming)를 거치며, 지금은 그 한가운데에 있다고 본다. 그렇다고 AI 사용을 중단하자는 뜻은 아니다. 이득은 얻고 비용은 줄이는 방법을 훨씬 신중하게 고민해야 한다는 뜻이다.
지난 2년 반 동안 달라진 점은 PM, 디자이너, 데이터 과학자가 엔지니어링의 도움이 필요해지기 전까지 제품 개발 과정에서 더 멀리 나아갈 수 있게 되었다는 것이다. 다만 Stone은 여기에 조건을 붙인다. 사업적으로 중요한 문제를 겨냥하고 엔지니어링 파트너도 그 문제를 알고 있을 때에만 역할이 유연하게 섞이는 것이 건강하다. 중요한 문제와 무관한 프로토타입 수천 개를 만들어 놓고 무엇이 통하는지 보는 방식은 바라지 않는다. 모두가 프로덕션에 코드를 배포해야 한다는 뜻도 아니다. 제품과 디자인이 먼저 프로토타입까지 가더라도, 어떻게 제품화하고 확장하고 어떤 가드레일을 둘지는 엔지니어 파트너와 함께 정한다.
조직 차원에서 그가 하려는 일은 네 가지다. 기준이 되는 데이터(source of truth)를 분명히 하고, 프로덕션 배포와 큰 변경 전 테스트에 가드레일을 두고, AI의 결과를 믿어도 되는 곳과 검토 절차가 필요한 곳을 구분하고, 결과에 대한 책임은 여전히 사람에게 있다고 거듭 말하는 것이다. 에이전트가 코드를 썼든, 자기 전공이 아닌 분석을 AI의 도움으로 했든, 만들어 낸 결과에 따르는 책임은 사라지지 않는다.
Lenny는 직함 없이 누구나 무엇이든 하는 member of technical staff 추세를 들며, 모두가 만드는 사람이 되면 기능 구분이 계속 필요하냐고 묻는다. Stone은 기능 사이의 경계가 흐려져도 각 분야의 craft에서 나오는 탁월함은 당분간 사라지지 않는다고 답한다. 엔지니어, 데이터 과학자, 디자이너가 AI 도구 덕분에 예전보다 다른 기능의 일까지 다루게 되었지만, 무엇이 좋은지 판단하는 감각은 대체되지 않는다. 기능별 강점도 남는다. 데이터 과학자는 이 데이터를 믿을 수 있는지, 제대로 해석하고 있는지를 판단하고, PM은 풀어야 할 문제를 제대로 규정했는지를 따지며, 엔지니어는 어떻게 확장하고 무엇이 높은 품질인지를 책임진다. 그는 뛰어난 엔지니어링, 뛰어난 데이터 과학, 뛰어난 창의성은 여전히 드물다고 말한다.
넷플릭스는 좁은 전문가보다 여러 영역을 가로질러 공통 구성 요소를 설계하는 시스템 사고형 인재를 더 찾는다
어떤 기능을 더 뽑느냐는 질문에 Stone은 기능 단위로 답하지 않는다. 더 필요한 것은 시스템 사고를 하는 사람이다. 중앙 인프라 팀이 대표적인 예다. 넷플릭스는 오랫동안 구체적인 사업 문제를 가진 로컬 팀이 중앙의 정비된 경로(paved path)를 따르지 않고 필요한 스택을 직접 만들어 빠르게 성과를 내는 방식으로 성공했다. 그러나 에이전트가 여러 시스템을 넘나들며 기준 데이터를 요구하는 환경에서는 공통 인프라와 정비된 경로를 두고 문제를 한 번에 제대로 푸는 방식이 더 중요해진다. 그래서 여러 사업 영역을 살펴보고 AI 환경에 필요한 구성 요소를 추상화할 수 있는 사람, 분산 시스템과 인프라에 강한 사람을 더 뽑는다. Stone은 이것을 지금의 넷플릭스를 만든 방식으로는 다음 넷플릭스에 도달하지 못한다는 말로 요약한다. 개인화, 광고, 콘텐츠 전송의 깊은 전문가는 여전히 있으므로, 이것은 대체가 아니라 추가다.
Lenny가 그 이유를 속도에서 찾자 Stone은 속도가 맞다고 답한다. 플랫폼은 AI와 무관하게 대부분의 팀이 80% 수준에 이르도록 돕고, 넷플릭스가 동시에 시도하는 일도 많아졌다. AI가 보태는 또 하나의 이유는 발판(scaffolding)이다. 더 많은 사람이 새로운 종류의 일을 하면 접근 권한과 신원, 보안, 품질에 위험이 생긴다. 무언가를 만드는 사람마다 여기서 좋은 것이 무엇이고 어떤 가드레일을 지켜야 하는지 따로 물어 확인하는 방식은 규모가 커지면 작동하지 않으므로, 그 기준을 정비된 경로와 일하는 방식 안에 미리 담아 두어야 한다. 수천 명 규모의 조직은 몇몇 사람만 아는 암묵지(tribal knowledge)에 기댈 수 없다. 넷플릭스가 그리는 미래에서는 사람과 수많은 에이전트가 함께 일하고, 사람은 어떤 문제를 풀지와 결과물이 충분히 좋은지를 판단한다.
반론. Jenny Wen의 말처럼 이제 디자인 프로세스는 죽은 것이 아닌가. Lenny는 이 팟캐스트에 출연한 디자인 책임자 Jenny Wen의 주장을 가져온다. 디자인 프로세스를 거칠 시간이 없으니 디자이너는 방향을 잡아 주고 조정하며 큰 그림을 보는 역할로 옮겨 가고, Stone이 말하는 플랫폼 중심 방식도 결국 같은 이야기가 아니냐는 것이다. Stone은 일부만 동의한다고 답한다. 디자인 팀이 템플릿과 디자인 시스템을 만들어 디자이너가 아닌 사람도 일관된 제품을 만들게 하는 것은 반길 일이고, 그가 가장 경계하는 것도 서로 다른 디자인 언어로 만든 "프랑켄슈타인"을 내보내는 상황이다. 그러나 가장 중요한 우선순위에서는 깊은 디자인 작업이 여전히 필수이고, 넷플릭스는 그 시간을 확보한다. 코드를 빨리 쓸 수 있다고 디자인 사고를 밀어내면, 복잡함이 드러나지 않는 매끄러운 경험을 만드는 넷플릭스의 강점을 잃는다는 것이 그의 판단이다. Lenny는 이것을 훌륭한 반론이라고 받아들인다.
반대로 줄어드는 것은 아주 좁고 깊은 전문화다. 인코딩이나 재생 시스템처럼 세계에서 몇 사람만 작동 원리를 아는 영역에는 여전히 전문가가 필요하다. 그러나 일반적으로는 5～10년 전보다 전문가가 줄고, 여러 방향으로 적응하는 사람이 늘었다고 Stone은 본다. 전문가도 예전보다 쉽게 다양한 도구를 익힐 수 있게 되었기 때문이다. 결제나 광고 마켓플레이스 같은 도메인 전문성은 여전히 장점이지만, 이것이 아직 맞는 도구이고 맞는 접근인지를 계속 묻는 사람일 때만 그렇다.
시스템 사고는 문제마다 한 단계 물러나 전제를 묻는 습관으로 기른다
Lenny가 시스템 사고를 어떻게 익히느냐고 묻자, Stone은 작은 요령 하나를 알려 준다. 풀려는 문제마다 한 단계만 물러나서, 이 문제를 둘러싼 더 넓은 영역에 대해 자신이 무엇을 참이라고 가정하고 있는지 묻는 것이다. 넷플릭스 회원 경험에 새 기능을 만들라는 과제를 받았다면 잠시 멈추고, 이 기능이 풀려는 더 큰 소비자 문제가 무엇인지, 계획한 구현 방식이 여러 콘텐츠 유형으로 확장되는지, 여러 영역이 함께 쓰는 플랫폼 역량이 될 수 있는지를 묻는다. 넷플릭스 전체 전략과 경쟁 구도까지 풀 필요는 없다. 자신이 맡은 문제에서 한 단계만 시야를 넓히면 된다. 다만 질문하는 단계에 너무 오래 머물면 앞으로 나아가지 못하므로 적당한 때에 멈춘다.
Lenny가 매니저의 관점에서 보는 방법을 덧붙이자, Stone은 자기 매니저가 일을 더 잘하도록 돕는 방식으로 일할 수 있는지 묻는 것이 자신이 오래 들어 온 조언이라고 답한다. 매니저의 관점에서 보면 제품과 기술뿐 아니라 재무와 콘텐츠까지 자연스럽게 시야에 들어오고, 여러 부분이 어떻게 맞물려야 전체가 부분의 합보다 커지는지를 생각하게 된다. 동료를 돕는 방향도 있다. 넷플릭스 엔지니어링 원칙에는 자기 팀에만 맞는 일이 아니라 조직 전체에 맞는 일을 하라는 항목이 있고, Stone은 이것도 시스템 사고라고 말한다. 그에게 시스템 사고는 연차의 문제가 아니라, 자신이 만든 것이 동료에게 쓸모 있고 다음 혁신을 위해 더 나은 기반을 남기는지를 보는 시야의 문제다.
AI 유창성은 레벨별 항목이 아니라 최고 시니어까지 모두에게 적용되는 기대치다
Lenny에 따르면 넷플릭스는 최근에야 career ladder와 레벨 체계를 도입했다. AI 시대에 맞춰 무엇을 더했느냐는 질문에 Stone은 레벨마다 AI가 기대치를 어떻게 바꾸는지 하나하나 적지 않았다고 답한다. 대신 기존 구성원과 채용 대상 모두에게 AI 유창성(AI fluency)이라는 지향을 공통으로 추가했다.
Stone은 AI 유창성은 정의하기 어렵다고 인정한다. 실험하는 마음가짐이 있는지, AI가 유용한 곳과 그렇지 않은 곳을 아는지, 실제로 AI로 무언가를 만들어 보았는지가 모두 정의의 후보다. 기술이 분기마다, 때로는 매달이나 매일 바뀌기 때문에 레벨이나 역할별로 고정하지 않는 편이 낫다는 것이 그의 판단이다. 기술 자체를 위해 AI를 쓰라는 뜻도 아니다. 유용한 곳에 쓰는 판단력과 새것을 시도하는 열린 태도가 모든 역할에 적용되는, 타협할 수 없는 기대치다. 이 기대는 업무에서 코드를 쓰지 않는 넷플릭스 최고위 리더들에게도 똑같이 적용된다.
채용도 바뀌었다. 면접에서 후보가 AI와 기술을 어떻게 생각하는지, 지금 일하면서 무엇을 쓰는지, 변화와 탐색에 얼마나 익숙한지를 묻고, 코딩 면접에서도 AI 도구 사용을 허용한다. 실제 업무에서 AI 도구를 쓰게 되기 때문이다. Stone은 이 변화가 아직 끝나지 않았고 지금이 한가운데라고 덧붙인다.
신입이 craft를 익히는 방식은 바뀌어도 시스템을 이해하는 능력은 사라지지 않는다
Lenny는 AI 덕분에 일하기가 쉬워진 만큼 신입이 제대로 배우지 못하고, 그래서 뛰어난 시니어로 성장할 길이 막히는 것은 아닌지 걱정한다. Stone은 넷플릭스가 신입을 계속 뽑고 있으며 신입이 인재 전략의 핵심이라고 답한다. 인턴 프로그램도 그대로 있고, 몇 년 전까지 경력자만 뽑던 방식을 바꿔 만든 신입 채용 프로그램도 운영한다. Stone의 경험으로는 젊은 사람일수록 열린 태도를 갖고 새로운 업무 방식에 더 익숙하며, 엔터테인먼트와 소비자 행동이 어떻게 바뀌는지에도 밝다.
그렇다고 craft에 대한 숙련이 덜 중요해지지는 않는다. 자신이 프로덕션에 올리는 코드의 품질과 자신이 만드는 제품의 품질은 여전히 자신이 책임진다. 그래서 신입에게 무엇이 좋은 것인지, 도구를 어떻게 쓰는지, 결과에 어떻게 책임지는지를 가르치는 멘토링에 예전만큼 투자해야 한다. Stone은 손을 덜 대고도 그 감각을 어떻게 익히느냐는 걱정이 타당하다고 인정한다. 그래도 코드를 검토하고 테스트하고 문제를 진단하고 좋은 제품을 알아보는 책임은 그대로 남는다. 가르치는 방식은 바뀔 수밖에 없고, 신입이 Stone 같은 선배에게 새로운 것을 가르치는 일도 늘어날 것이라고 그는 말한다.
엔지니어링의 5～10년 뒤를 묻는 질문에 Stone은 특정 언어로 코드를 쓰는 능력과, 코드·컴퓨터 시스템·제품이 어떻게 작동하는지 이해하는 능력을 구분한다. 후자는 사라지지 않는다. 에이전트에게 모든 언어와 모든 코드를 맡기면, 제품이 좋은지 나쁜지, 기대대로 작동하지 않을 때 무엇이 문제인지 알 수 없다. 넷플릭스처럼 위험을 감수하고 빨리 실패하고 빨리 회복하려면 시스템이 어떻게 작동하는지 알아야 한다. 이상 징후를 찾고 분류하는 데 에이전트의 도움을 받더라도, 무엇을 만들고 있고 그것이 어떻게 작동하는지를 아는 유창성은 사람에게 있어야 한다.
반론. 코드를 직접 쓰지 않는 사람이 코드를 이해하는 감각을 익히기는 훨씬 어렵지 않은가. Lenny의 지적에 Stone은 지금 학습 곡선이 가장 가파른 지점이 바로 거기라고 인정한다. 모델이나 에이전트가 쓴 코드 중에는 따라가기 매우 어려운 것이 있다. 성능은 더 좋아졌는데 왜 좋아졌는지 모르겠고, 고장 나면 어떻게 고칠지 모르겠다는 상태를 그는 불편해한다. 그는 그것이 자신이 아직 배우는 단계에 있기 때문일 수 있고, 그런 코드를 받아들이려면 어떤 테스트와 설명이 필요한지 아직 찾는 중이라고 말한다. 그래도 시간이 지나면 엔지니어링이 이 상태에 익숙해지고 에이전트를 이끄는 방법을 갖추게 되리라고 본다. 지난 10년이나 20년을 돌아봐도 엔지니어링은 늘 크게 바뀌었고, 영화 제작도 지난 100년 동안 기술 때문에 몰라볼 만큼 달라졌다. 달라진 것은 그 주기가 빨라졌다는 점이다.
넷플릭스 문화의 목표는 운영체제로서의 탁월함이며, 이를 지키려면 본능을 거스르는 일을 감수해야 한다
Lenny는 넷플릭스 초기 culture deck에 담긴 high agency, 자율성, 높은 인재 밀도(talent density), 빠른 실험, 시장 최고 수준의 보상이 지금 최고의 AI 연구소들이 일하는 방식이라고 끊임없이 듣는 내용과 같다고 말한다. Stone은 이 문화 요소들을 "운영체제로서의 탁월함(excellence as an operating system)"이라고 부른다. 각 요소는 목표 자체가 아니었다. 그 바탕에는 결정을 조직 깊숙이 내려보내고 좋은 판단을 맡길 수 있는 뛰어난 사람을 뽑으면 탁월한 결과와 높은 동기가 함께 따라온다는 강한 믿음이 있다. 신뢰와 책임을 크게 받은 사람은 최선을 다하고 싶어진다.
Stone이 꼽는 요소 중 출발점은 인재 밀도이고, 이것은 타협할 수 없다. 인재 밀도가 없으면 조직의 모든 레벨에서 내려지는 결정을 신뢰할 수 없고, 사람들이 위험을 감수하며 빠르게 혁신하도록 허용할 수도 없다. 다음은 위험을 감수하는 데 부담이 없는 태도다. 넷플릭스는 실패를 피하려 하기보다 실패했을 때 빨리 회복하려 한다. 그는 불완전할 것을 알면서도 큰 위험을 감수하고 빨리 배우려 했던 라이브 진출을 가장 자랑스러운 예로 든다. 그다음은 자신의 성공이나 취향이 아니라 넷플릭스와 넷플릭스 회원에게 무엇이 좋은지를 먼저 보는 이타성(selflessness)이다.
나머지 요소는 사람이 본능적으로 하지 않는 일이다. 첫째, 리더는 자신이라면 다르게 결정했을 상황에서도 그 결정이 치명적이지 않다면 끼어들어 뒤집거나 거부하지 않는다. 결정을 맡기고, 나중에 결과를 함께 돌아보며, 어쩌면 자신이 틀렸을 수도 있다는 점을 받아들인다. 둘째, 일이 잘 풀리지 않을 때 프로세스가 문제를 해결하리라고 가정하지 않는다. 그는 계획 수립, 피드백과 레벨 평가, 보상이 어려울 때마다 프로세스를 더했지만, 시간만 더 쓰고 결과는 나아지지 않았다고 말한다. 제약을 늘리면 문제가 단순해진다고 느끼지만, 실제로는 더 창의적인 방법을 찾는 길을 막는다. 큰 회사들이 흔히 하는 일을 하지 않고 그 불편함을 견디는 것이 넷플릭스의 방식이다.
Lenny가 누군가 실수하면 재발 방지 프로세스를 만들고 싶어지는 충동을 말하자, Stone은 뛰어난 사람이 원하는 것은 체크리스트가 아니라 책임을 묻지 않는 회고(blameless retro)라고 답한다. 개인이 강한 책임감을 느끼면 프로세스가 아니라 배운 것을 공유하고 일하는 방식을 바꾸는 방법으로 재발을 막으려 한다. 리더의 역할은 모든 것을 통제하는 것이 아니라 회복력 있고 오래 버티는 팀을 키우는 것이다. Stone은 이 원칙들을 통제가 아니라 맥락을 주는 리더십(context, not control), 그리고 강하게 정렬하되 느슨하게 결합하는 조직(highly aligned, loosely coupled)이라는 말로 묶는다. 우선순위를 분명히 하고 실행하는 데 필요한 최소한의 프로세스만 둔다는 뜻이다.
인재 밀도는 keeper test로 지키고 기술의 적용에 끌리는 사람으로 채운다
Lenny는 인재 밀도에 두 측면이 있다고 정리한다. 사람을 지키는 일과 사람을 데려오는 일이다. 지키는 쪽의 도구는 keeper test다. Lenny의 설명에 따르면, 지금 아는 것을 다 알고도 자신에게 보고하는 사람을 오늘 다시 뽑을지 늘 생각하고, 아니라면 내보내야 한다는 원칙이다. Stone은 같은 원칙을 반대 방향에서 표현한다. 그 사람이 오늘 떠나겠다고 하면 붙잡으려고 싸울 것인가, 아니면 안도할 것인가. 안도한다면 그 대화를 진작 시작했어야 한다.
Stone은 keeper test가 사람을 내보내는 순간으로만 알려져 있지만, 사람이 얼마나 뛰어난지 말하는 대화에도 똑같이 자주 쓰인다고 강조한다. 누군가 "당신의 keeper test에서 나는 어떤가"라고 묻는 것이 대화의 시작이다. 대부분의 경우 Stone의 답은 "당신을 지키려고 정말 열심히 싸울 것"이고, 이어서 강점과 영향, 더 나아질 점을 구체적으로 이야기한다. 통과하지 못한다고 말해야 하는 어려운 경우에는 피드백과 도달할 기준을 함께 정하거나, 성공할 길이 보이지 않는다고 말한다. Stone은 keeper test가 피드백을 꾸준히 주고받게 하고 어려운 대화를 피하지 않게 만드는 장치이며, 뛰어난 인재를 지키려면 잘하고 있다는 말도 해야 한다고 말한다.
데려오는 쪽에서는 AI 연구소와의 경쟁이 문제다. Lenny는 엄청난 돈이 오가는 지금 최고의 인재를 데려오기가 극도로 어려워 보인다고 말한다. Stone은 인재 경쟁은 늘 있었고 넷플릭스에는 지금도 뛰어난 인재가 많다고 답하면서도, 어떤 사람이 넷플릭스에서 잘 해내는지를 더 분명하게 말해야 한다고 본다. 넷플릭스에서 일하려면 기술의 적용, 즉 기술로 특정한 문제를 푸는 제품을 만드는 일에 열정이 있어야 하고, 엔터테인먼트와 대규모 소비자 제품과 그 글로벌한 성격을 사랑해야 한다. frontier 모델 회사들이 하는 기초 작업에 끌리는 사람은 그것대로 흥미로운 일을 하지만 다른 유형이다. Stone 자신도 기술과 제품과 엔터테인먼트가 만나는 지점을 사랑하는 사람이며, 그런 사람이 부족하지 않다고 믿는다.
코딩 밖에서 AI의 효과가 큰 곳은 정보 정제와 콘텐츠 제작이다
코딩과 프로토타이핑 외에 사람들이 잘 모르는 AI 활용을 묻자 Stone은 두 가지를 든다. 첫째는 데이터 분석과 정보 정제다. 넷플릭스에는 수십 년 동안 진행한 실험과 소비자 리서치가 쌓여 있다. 예전에는 20년 동안 모든 실험을 지켜본 전문가만 그 기록을 찾을 수 있었지만, 이제는 AI로 기록을 훑어 출발점이 될 인사이트에 빠르게 도달한다. Stone은 몇 년도에 어떤 질문으로 무슨 리서치를 했는지 동료에게 메일로 묻는 대신 거의 즉시 찾아내며, 이것이 자신이 AI를 가장 많이 쓰는 용도라고 말한다. 다만 그는 AI에만 의존하는 것은 주저하며, 결과가 유효한지와 기준 데이터를 쓰고 있는지를 담당 데이터 과학자와 확인한다는 전제를 붙인다.
둘째는 콘텐츠 제작이다. ML과 AI는 GenAI 이전부터 제작 도구에 깊이 쓰여, 프로모션 자료를 대량으로 만들고 자막과 더빙으로 현지화하는 데 활용되었다. GenAI는 여기서 한 단계 큰 도약이다. 촬영 전에는 창작자의 비전을 미리 구현해 보는 사전 시각화(pre-visualization)에 쓰고, 촬영 후에는 후반 작업에 쓴다. 넷플릭스가 최근 인수한 회사, 즉 Ben Affleck이 세웠고 자막에서 Inner Positive로 표기된 회사는 이미 찍은 장면의 조명과 구도를 바꾸고, 다시 찍고, 대사를 바꾸는 모델을 만들었다. 이때도 다른 방식을 시도할지는 영화 제작자가 결정한다. 트레일러, 이미지, 아트워크를 대량으로 만들어 작품이 전 세계에서 관객을 찾도록 돕는 데에도 쓰고, 같은 역량을 광고와 마케팅에도 쓴다.
엔터테인먼트가 여러 형식으로 넓어져도 이야기의 중심에는 사람이 남는다
Stone은 엔터테인먼트가 이미 한 가지가 아니며 앞으로 더욱 그렇게 된다고 말한다. 넷플릭스가 영화와 TV를 넘어 모바일과 TV에서 하는 클라우드 게임, 라이브, 팟캐스트로 영역을 넓히고 더 다양한 크리에이터와 일하는 이유는, 소비자가 형식과 기기와 시간대에 따라 훨씬 다양한 선택지를 기대하기 때문이다. 그가 그리는 경험은 Bill Simmons 팟캐스트를 듣다가 넷플릭스의 시리즈 Quarterback을 보고, 최신 FIFA 클라우드 게임을 TV에서 하다가 이동 중에는 휴대전화로 이어서 하는 매끄러운 여정이다. 미래의 엔터테인먼트는 더 개인화되고 몰입적이며 상호작용적이어야 한다.
그만큼 넷플릭스의 과제는 발견을 쉽게 만드는 일이 된다. 콘텐츠는 많고 여러 서비스에 흩어져 있다고 느끼기 쉽다. 적절한 사람에게 적절한 작품을 적절한 순간에 보여 주는 개인화는 오래전부터 넷플릭스 경험의 중심이었고, 카탈로그가 게임과 라이브와 팟캐스트로 넓어질수록 더 어렵고 더 중요해진다.
AI를 대하는 할리우드의 반응은 갈린다. 넷플릭스의 입장은 창작자가 원하는 도구로 자신의 비전을 구현하도록 돕는 것이다. AI를 절대 쓰지 않겠다는 창작자와도 일하고, GenAI로 예전에는 불가능했던 방식의 이야기를 시도하려는, 점점 늘어나는 창작자도 지원하며, 그 사이에 있는 사람들도 지원한다. 엔터테인먼트가 한 가지 형식이 아니게 되는 만큼, 한 방식을 강요하는 대신 도구와 파트너십에 유연성을 두는 것이 중요하다는 판단이다.
반론. 사람들은 AI 콘텐츠가 얼마나 좋은지 보고 놀라게 될 것이고, 결국 AI만으로 만든 쇼를 사랑하게 되지 않겠는가. Lenny는 Spencer Pratt의 AI 영상을 예로 든다. Stone은 사람이 중심에 없는 엔터테인먼트를 상상하기 어렵다고 답한다. 이야기를 짓는 일은 인간다움과 다르지 않고, 무엇이 사람의 공감을 얻는지 아는 것은 드물고 가치 있는 능력이다. 다른 사람이 역할을 연기하고 감정을 표현하는 모습을 보는 데에 이야기의 힘이 있으므로, 그런 인간다움이 없는 등장인물은 덜 흥미롭게 느껴진다는 것이다. AI가 일부 제작에서 중요한 역할을 하리라는 점은 분명히 인정하지만, 사람이 중심이 아닌 형태는 그리지 못한다고 그는 말한다. Lenny가 앞으로 기상천외한 것들이 나올 것이라고 하자, Stone은 그중 많은 것이 아주 재미있을 수 있다는 점도 부인하지 않는다고 답한다.
정리된 것과 남은 것
Stone은 마지막으로 업계가 순수한 기술과 역량 이야기에 빠져 정작 중요한 것을 놓치기 쉽다고 말한다. 넷플릭스가 하려는 일은 사람들이 사랑하는 소비자 제품과 엔터테인먼트를 만드는 것이고, 그 아래에 있는 기술과 제품은 수단이다. Lenny는 새로운 소비자 제품이 거의 성공하지 못하는 시기에 넷플릭스가 드문 예외라고 말하며 이 관점에 동의한다. 디자인 프로세스에 대한 Stone의 반론도 Lenny가 받아들인다.
답이 정해지지 않은 채 남은 것은 네 가지다. 첫째, 모델이 쓴 코드를 어떻게 믿고 받아들일지다. Stone은 성능은 좋은데 이유를 모르는 코드가 불편하다고 인정하며, 어떤 테스트와 설명이 필요한지는 아직 찾는 중이라고 말한다. 둘째, 신입이 손을 덜 대고도 craft를 익히는 방법이다. Stone은 가르치는 방식이 바뀌어야 한다고 말하지만 어떻게 바뀌는지는 말하지 않는다. 셋째, AI 유창성의 정의다. 기대치는 분기마다 바뀌고, Stone 스스로 이 변화의 한가운데에 있다고 말한다. 넷째, 사람이 빠진 엔터테인먼트를 관객이 사랑하게 될지다. Lenny는 AI 콘텐츠가 사람들을 놀라게 하리라고 보고, Stone은 재미는 인정하면서도 사람이 중심이 아닌 이야기를 상상하지 못한다.