Netflix가 AI 시대에 전문가보다 시스템 사고형 인재에 베팅하는 이유 (유튜브)

생성형 AI로 PM·디자이너·데이터 과학자가 프로토타입과 코드 작성까지 맡게 됐지만, Netflix는 이를 직무의 소멸이 아닌 역할이 재편되는 storming 단계로 봄 더 많은 사람과 에이전트가 여러 시스템에서 빠르게 작업하려면 공통 인프라, 신뢰할 데이터, 설계 템플릿, 보안·품질 가드레일을 만드는 시스템 사고자가 필요함 직무 간 경계가 유동적으로 바뀌어도 확장성과 품질을 책임지는 엔지니어링, 데이터 해석을 검증하는 데이터 과학, 문제를 정의하는 제품 관리, 일관된 경험을 만드는 디자인의 전문성은 여전히 희소함 Netflix는 역할·직급별 세부 기준 대신 모든 직무에 AI 유창성을 공통 기대치로 적용하며, AI가 유용한 지점을 판단하고 결과에는 인간이 책임지도록 요구함 높은 인재 밀도와 자율성, 위험 감수, 최소한의 프로세스를 결합한 탁월함의 운영체제를 유지하면서 좁은 전문화보다 변화에 적응하고 전체 시스템을 개선할 인재를 중시함 AI가 뒤섞은 직무 경계 생성형 AI가 등장하면서 PM은 코드를 만들고, 디자이너는 PRD를 쓰며, 엔지니어는 제품 업무까지 수행할 수 있게 됐고 각 직무의 책임 범위를 둘러싼 혼란도 생김 새로운 변혁적 기술은 조직이 안정된 형태를 찾기 전에 충돌과 혼란을 겪는 storming 단계를 거치며, 현재가 바로 그 단계임 역할이 복잡해졌다는 이유로 AI 사용을 막기보다 이점을 얻으면서 비용과 혼란을 줄이는 방식을 찾아야 함 제품·디자인 담당자가 아이디어 개발, 프로토타입, 초기 코드 작성과 가설 검증을 빠르게 수행하는 것은 유용하지만, 누구나 프로덕션 코드를 배포해야 한다는 뜻은 아님 명확한 사업 문제를 중심으로 제품·기술 조직이 협업한다면 역할의 유동성이 속도를 높일 수 있음 제품과 디자인은 엔지니어링 팀을 기다리지 않고 초기 아이디어를 구체화할 수 있음 실제 제품화와 확장, 가드레일은 엔지니어와 함께 결정해야 함 조직은 신뢰할 수 있는 기준 데이터, 프로덕션 배포 및 대규모 변경 전 테스트 규칙, AI 결과를 신뢰할 조건과 별도 검토가 필요한 조건을 마련해야 함 코드나 분석을 에이전트가 만들었더라도 결과에 대한 책임은 인간에게 있으며, 기반 인프라와 업무 관행도 이를 전제로 설계해야 함 제품 개발 과정의 변화 PM·디자이너·데이터 과학자는 2년 반 전보다 엔지니어링이 본격적으로 개입하기 전까지 제품 개발을 더 멀리 진행할 수 있음 빠른 프로토타이핑은 중요한 사업 문제를 대상으로 하고...