跳到主要内容

该不该vs能不能:Netflix是如何在企业内部推广AI的?

比起配音版的外语影视剧,更多观众喜欢看原声的版本。原因不复杂,屏幕上的口型和声音对不上,沉浸感会在演员张口的一瞬间断掉。

Netflix的产品团队想到一个漂亮解法,在后期重新制作演员的嘴唇动画,让唇形和配音严丝合缝。这个方案技术上很难,做出来视觉效果惊人,是那种在内部演示时能让全场安静的东西。

他们找了愿意尝试的导演和演员,在部分影片上做了A/B测试,结果是观众粘性确实因此提升了。但AI也造成了一些视觉瑕疵,必须人工清理,且观众粘性的提升效果也不是均匀分布,只在台词密集的戏剧和爱情场景里明显。继续为这个能力大规模投入,不划算。

随着AI模型继续进步,这笔账以后可能可以重新算。但现在,Netflix要回答的是另一道题,如果这件事该做,怎么做最合适。

曾在Netflix负责产品、运营与创意的Mckenzie Lock经历过多次这样的选择:既要让更多内容触达不同语言、不同地区的观众,也要面对创作者对质量、工作方式和创意控制的关切。本文分享的是Lock近日的一次访谈,她讲述了近年来如何在企业内部推进AI改造,供各位读者参考。

Netflix在近200个国家和地区提供超过17000部影片,支持30多种语言,拥有超过3亿用户。AI自然为改进如此庞大且不断增长的片库的推广和分发提供了诸多机遇。因此,Lock的团队着手彻底改革Netflix的创意和运营流程,并坚持一个不容妥协的目标:找出流程中哪些环节繁琐、缓慢或存在缺陷,并运用AI来处理这些混乱,同时确保内容质量不受影响,也不会损害制作人员的劳动成果。“大多数产品决策实际上都是关于如何应对复杂性的选择,AI也不例外, ”她表示。“好的设计并非消除复杂性,而是将其放置在合适的位置。”

形成愿景

几年前,Netflix开始进行内部AI改革时,Lock的团队并没有一开始就关注最新模型能做什么。相反,她提出了两个非常开放的问题:我们希望为会员创造怎样的最终体验?以及,目前的生产流程在哪些方面确实无法满足会员的需求?

团队先做了一项想象练习:如果暂时不考虑技术限制,希望用户能够做到什么?例如,一个观众暂停追剧三个月后重新打开剧集,能不能先看到一段适合自己的剧情回顾?如果希望这样的体验成立,平台需要理解哪些内容、建立哪些服务、提供哪些能力?

这些设想不一定都会成为最终产品。它们的价值在于,让团队先描绘清楚目标,再倒推技术和工作流程。这与“先看到一个新模型,再为它寻找应用场景”正好相反。

Netflix面临的挑战,不只是观众体验。每一部作品的上线和传播背后,还有编剧、剪辑师、动画师、翻译、配音演员等大量专业人员。他们熟悉流程中的困难,也可能最担心新技术会改变自己的工作。因此,Lock团队没有只在会议室里设计未来流程,而是去观察一线工作,向不同岗位开放问卷,并组织专家和管理者围绕结果展开讨论。

他们还邀请持不同观点的人陈述各自的理由,让潜在分歧在项目推进之前就被看见。对管理者而言,这是一个容易被忽略的步骤:员工对AI的犹豫,不一定是在拒绝变化,也可能是在提醒方案中还有重要的问题没有解决。

与技术团队不同,大型创意团队不会为了采用AI而采用。他们需要能够看到自己未来的发展方向。所以在调查阶段,Lock团队针对每个工作流程都制作了一个“现状与未来对比”的两栏表格,左边写今日工作流程概览。预算限制、质量差异、线性相关性和时间成本;右边描述如果引入AI,一个人的工作可能会如何变化,哪些事情会减少,哪些判断会变得更加重要。

Lock还做了一件不太常规的事,团队为即将发生的流程变化制作了想象中的新闻稿和社交媒体帖,提前“报道”这场变革,以激发创意工作者们对即将到来的流程变革的期待。

权衡利弊的策略

愿景明确之后,团队仍需决定资源投向哪里。

Lock提到,Netflix会把重要战略选择写成二选一的形式,两边都必须是有吸引力的选择。而在AI转型中,团队面对的问题是:

先在低风险场景学习,还是先覆盖影响力最大的作品?

像《怪奇物语》这样的大制作热门作品,观众多、传播广,如果AI应用成功,收益可能更显著;但同时,这些作品的质量要求更高,出现问题的代价也更大。

团队选择先在风险相对较低的内容和流程中试验,从真实生产中学习,再根据技术成熟度和信心逐步扩大使用范围。

另一个问题是,先投入测量,还是尽快扩大规模?

Netflix选择了前者,这也意味着前期要投入时间和资源进行测试,扩张可能不会那么快。Lock特别强调,AI 投入要对齐公司的核心指标,不能只对齐AI自己的新指标,也不能把多数AI投资的目标主要建立在“降低成本”上。

接下来,他们便开始着手推进。以下是Netflix在三种创意工作流程中如何逐步构建其AI应用的。

最炫的方案,不一定是最值得扩大的方案

本文最开始提到配音流程中的尝试,很能说明问题。

配音是Netflix创意团队的核心工作,但配音制作成本高昂且耗时,资源往往集中在最热门的影片上。因此,Lock的团队希望找到一种方法,利用AI帮助配音演员为更多不同类型、更多类型的影片制作高质量的配音。

技术上“做得到”并不等于商业上“值得全面做”。在发现后期重新制作演员的嘴唇动画不划算之后,他们换了方向:构建了一个AI模型,帮助配音人员识别口型与译文之间需要特别关注的时刻,并通过调整译文等方式改善匹配。

相比直接修改画面,这个方案没有那么炫目,却更贴近团队希望解决的问题。

不要只关注单一指标,陷入思维定势

Netflix首页上最先看到的东西,基本都是宣传素材,剧照、文案、预告片。推荐系统把它们个性化,你和朋友看同一部片,看到的图可能完全不同。所以一个覆盖全库、足够多样的素材库,是策略的中枢。

好莱坞沿用很久的一套算法是,营销花得越多,观看越多,导演和剧集主创自然以为流媒体也一样。团队去测这个假设,结论是很多片子上剧照和片段的效果跟专门定制的概念图一样好。于是他们把片段和剧照的生产大规模自动化,把定制图和预告片留给真正需要的那批热门片。

但Lock团队很快发现:如果系统只朝着一个容易量化的指标优化,结果可能偏离团队真正想要的用户体验。

算法确实很会挑图,某些演员的特写照片确实可能吸引用户点击或观看。但如果系统不断选择同类图片,用户看到的首页就可能变得单调,甚至无法清楚区分一部悬疑剧与一部自然纪录片。更糟糕的是,系统还可能选出一位戏份并不多、但对特定地区观众具有吸引力的演员作为主要画面,让用户对影片产生不准确的期待。

后来,团队与创意专家一起制定更细致的规范,并调整模型和评估方式,既关注观看结果,也关注素材是否符合内容气质、是否有助于用户理解作品。

先缩小问题范围,再去解决问题

企业使用AI时,很容易从现有流程出发:把原来由人完成的每一步,逐渐交给机器。但Netflix的内容标签工作,让Lock团队看到了另一种可能:有些步骤不一定需要被自动化,而是需要被重新审视。

Netflix 几乎所有系统都跑在标签上。它们是描述内容语义的词,撑着用户首页上那一排剧集的推荐。多年来这件事极度依赖手工,内容分析师从头看完整部片,写成长篇上下文文档,再手动打标。给一部片打标签,耗时可能是片长的两倍以上,培养一个能独立打标的分析师要两个月。

团队想用AI生成的标签替掉这条流水线。但是,这套分类法是一年年长出来的,变成数千个概念和取值,公司各处的团队都悄悄在某个标签上搭了流程,权重并不相同,而且大部分标签极度主观。这些是编辑判断,不是事实判断,两个人对同一个标签都未必同意,何况机器。

如果直接把整套旧流程交给AI,相当于先默认这些步骤和标签都必须保留。团队于是先收缩问题范围:梳理和精简受统一管理的标签概念,再使用多种模型、分类工具和人工审核机制处理剩余任务。对于置信度不足的结果,再交由人复核。

据Lock介绍,新的技术和流程使部分内容在进入系统后几分钟内就能完成标签处理,而过去的流程可能需要数周。同时,部分岗位的工作也转向质量治理、模型提示、训练和评估。

结果很实在。新流程下,片子在入库几分钟内标签就能上线,全程不需要人看,旧流程是几周,这让Netflix有底气接入多得多的内容,包括时效性强的和短形态的片子。

AI是放大器而非方向

Netflix的案例展示了一套持续判断的方法:从用户体验出发,听见一线声音;把未来工作描述清楚;公开讨论资源取舍;在真实场景中测试;当结果偏离期待时,愿意调整方向。

这套方法也需要不同职能共同承担责任。产品、技术、运营和创意人员共同制定目标,并定期讨论当前或可能出现的分歧,而不是把AI转型视为某一个技术部门的独立任务。

因为这从来不只是一个“模型能否完成任务”的问题,它还包含一连串需要人来回答的问题。例如,这个任务为什么重要?谁会从改变中受益,谁会承担代价?当效率、质量和信任发生冲突时,我们如何选择?如果工作方式改变,相关的人需要怎样的支持?

技术会不断提高实现目标的能力,但更难的问题,是我们是否选择了正确的目标。AI能够加快前进的速度。决定往哪里走,仍是人的责任。

<参考资料>

https://review.firstround.com/netflix-ai-strategy