AIで誰もが何でもできるようになった今、「で、自分の仕事は何なのか」と手が止まっていませんか。
PMがコードを書き、デザイナーが要件をまとめ、エンジニアが企画を考える。役割の線引きが曖昧になるほど、自分の専門性が要らなくなったように感じる場面が増えています。
この問いに、1億3,000万人が使うサービスを預かる立場から答えている人がいます。Netflixの最高製品技術責任者Elizabeth Stone氏です。ポッドキャスト「Lenny’s Podcast」の回（Why Netflix is betting on systems thinkers—not specialists—in the AI era／2026年7月19日公開・72分）で語られた内容から、日本の中小企業にも効く部分を抜き出して整理しました。
結論──Netflixが増やしているのは「専門家」ではない
同社が採用を増やしているのは、事業全体を見渡して「共通して必要になる仕組みは何か」を見極められる人です。氏はこれを「システム思考ができる人」と呼びます。
逆に減っているのは狭く深い専門特化です。5〜10年前と比べてスペシャリストは減り、複数の分野に対応できる人が増えた、と明言しています。バックエンドもフロントエンドも行き来でき、必要なら素早く学べる。その姿勢が前提になったということです。
ただし例外があります。動画のエンコードや再生システムのように「世界に数人しか仕組みを本当に理解していない」領域では、今も専門の実務家が必要になる。ここは残る、と切り分けています。
システム思考の鍛え方──まず一歩引いて考える
抽象的に聞こえる言葉ですが、氏が挙げた鍛え方は拍子抜けするほど具体的です。
目の前の問題に取りかかる前に、一歩引いて考える。この問題を解くとき、自分は周りについて何を当たり前だと思っているのか、と。
新機能を作れと言われたら、ひと呼吸置いて「そもそも解こうとしている顧客の課題は何か」「この作り方は他の用途にも広がるか」を問う。それだけです。
大事なのはそこに続く但し書きのほうかもしれません。何もかもを一から問い直す必要はない、と釘を刺しています。会社全体の戦略や競合との位置づけまで考え込まなくていい。自分の担当範囲について、ひとつ視野を広げるだけでいい。しかも問い直しに時間をかけすぎてはいけないとも言っています。手が止まってしまうからです。
もうひとつ、実務的な言い換えも紹介されていました。「自分の仕事のやり方のなかに、上司の仕事を助けるものはないか」と考えること。視点が自然にひとつ上がります。
職能は消えない──得意分野は残り、線引きだけが曖昧になる
では専門性は無価値になるのか。ここははっきり否定しています。
- データ担当：このデータは信頼できるか、解釈は正しいか
- 企画担当：解くべき問題の「何」を正しく捉えられているか
- 開発担当：どう作るか。拡張性と品質、後で何が問題になるか
AIツールのおかげで、一人が扱える範囲は確かに広がった。それでも、出来上がったものの良し悪しを見極める目は置き換えられていない、という整理です。氏はむしろ「優れたエンジニアリングも、優れたデータサイエンスも、優れた創造性も、依然として希少だ」と繰り返しています。
AI活用の目標を等級表に細かく書かない
評価制度の話も示唆に富んでいました。Netflixは「AIフルエンシー（AIを使いこなせること）」を職種別・等級別には定義していないそうです。全社共通の目標として、全員に同じものを掲げているだけだといいます。
理由は単純で、技術の進み方が速すぎるから。中身が「四半期どころか月単位、下手をすれば日単位で変わる」ため、細かく書き下すと運用が追いつきません。
そのうえで、譲れない条件は明快です。技術のための技術ではなく、役に立つところで使い、その判断を適切に下せること。そして新しいものを試すことに前向きであること。これは経営層にも同じように求める、と述べています。
うまくいかないときほど手順を増やさない
個人的にいちばん耳が痛かったのがこの一節です。
うまくいかないたびに手順を増やしてきたが、手間が増えただけで成果は良くならなかった。
誰かが失敗すると、再発防止の手順を1本増やしたくなる。人間として自然な反応ですが、制約を増やせば問題が単純になるという発想は実際には逆に働くことが多い。氏はこれを「大企業がやりがちなことをあえてやらない」姿勢だと表現し、その落ち着かなさを受け入れること自体が文化なのだ、と言い切っています。
代わりに置いているのは犯人探しをしない振り返りです。優秀な人ほど「どうすれば再発を防げるか」を自分ごととして考える。統制ではなく信頼で回す、という判断です。
中小規模の会社こそ取り入れやすい3点
Netflixの規模の話として片づけるにはもったいない内容でした。むしろ少人数の組織ほど効くと感じた点を3つ挙げます。
- 一人が複数の役割を持つ組織と相性がいい。対応範囲の広い人を増やすという方針は、そもそも分業できない規模の会社が先にたどり着いていた形です。
- AI活用の目標は職種別に細かく決めない。全社共通の目標として掲げるほうが、少人数では運用しやすく、古びにくい。
- 失敗のたびにルールを増やさない。手順書が積み上がるほど、少人数の機動力は削られます。
まとめ──「一歩引く」を習慣にする
AIが道具として広がるほど、価値の重心は「どの問題を解くか」を決める側に移ります。とはいえ、必要なのは大げさな戦略論ではありません。
目の前の作業に取りかかる前に、一歩引いて前提を疑う。ただし長居はしない。それを習慣にできるかどうか、という話でした。当社でもローカルLLMやAIエージェントの検証を進めていますが、モデルの性能比較だけで終わらせず「どこに何を置くか」まで含めて設計する。その姿勢をあらためて言葉にしてもらった感覚があります。
出典：Lenny’s Podcast「Why Netflix is betting on systems thinkers—not specialists—in the AI era | Elizabeth Stone (CPTO)」（2026年7月19日公開）。引用部分は当社による要約・翻訳です。