The rise of taste, human authenticity and judgment in an AI world | Adam Mosseri (Head of IG)

• 产品组织正从“按职能配齐”转向“小核心 + 按需专家”。 Meta 过去的标准产品团队约十余人，包括 2—3 名 Android、2—3 名 iOS、2—3 名服务端工程师，再加 PM、设计、数据科学和研究。2026 年 Instagram 开始采用 4—6 名通才工程师 + 1 名 product staff 的 pod，核心通常只有 6—7 人；高级数据科学家或高级设计师只在定价、全新体验等任务需要时加入。
• AI 没有简单消灭岗位，而是在重写岗位，并重新排序谁能成功。 工程师过去可能有 40%—60% 的时间写代码，如今前沿实验室的重心已转向规划和审查；设计师开始写代码、工程师直接拉数分析、数据科学家做设计方案。Adam 认为真正有优势的人不是“最 AI-pilled”的人，而是能清醒判断 AI 擅长什么、不擅长什么，并预判几个月后边界会移到哪里的人。
• 执行能力普及后，品味（taste）、判断（judgment）、愿景和战略成为新的稀缺层。 Adam 看多设计师，不是因为传统设计产出不会自动化，而是优秀设计师通常知道“什么值得做”。AI 可以参与战略，但若没有技术、人才动机、竞争、监管、品牌等约束，往往只会给出竞争对手也能预料的安全答案；人的任务更像管理者：定义成功、决定自主权、持续纠偏。
• Instagram 把 AI 内容视为顺风，但不接受“AI = 低质”的先验判断。 合成内容变多会争夺注意力，却也会放大用户对真实人物、稳定审美和创作者视角的需求。Instagram 倾向于告知内容是否由 AI 生成、补充账号身份信息，而不是按制作工具过滤；真正的难点是检测能力会随模型进步而下降，同时 AI 假账号、虚假补充剂等诈骗向量会上升。
• 推荐、公开沟通和产品迭代都没有“既要又要”的无成本解。 时间序 feed 会鼓励机构每天高频发帖、淹没好友内容；探索式推荐会帮助小创作者，但也必然带来误推。Adam 面对争议的核心不是说服最激烈的批评者，而是把隐含的取舍展示给旁观者：平台可以犯错，也必须解释为什么这样做。

核心论点：AI 提效只是表层，更小的协作网络本身就能减少协调成本和委员会式决策。

• 传统大公司团队往往按客户端和职能切分：2—3 名 Android、2—3 名 iOS、2—3 名服务端工程师，加一个 PM、设计师、数据科学家，条件允许再配研究员，总计接近“baker’s dozen”（约 13 人）。这种形态一部分来自代码审查与代码库专业化的要求。
• Instagram 2026 年开始采用 pod：通常由 4—6 名更通才化的工程师、1 名 product staff 和必要的专家组成，核心规模约 6—7 人。与过去相比，稳定编制缩小近一半。
• Product staff 是 PM 的演化，不只是“更强 PM”。他或她要借助新工具承担部分设计、数据科学和研究工作，把原来多个职能之间的交接压缩成一个端到端责任人。
• 专家并未消失，而是从默认席位变成按任务调用：涉及定价策略时需要高级数据科学家；涉及全新交互体验时需要高级产品设计师。组织设计的单位从“岗位齐全”改为“完成这项工作需要什么能力”。
• 一个典型变化是基础 waterfall/funnel 分析。过去分析用户创建 Reels 每一步的流失，往往需要数据科学家定制取数；现在内部工具可以自动生成，product staff 一年前不能做的事情如今可以直接完成。
• Adam 强调，小团队变快不只因为每个人用了 AI，而是需要协调的人更少，方案不再被多轮跨职能妥协磨成“design by committee”。

“We try to build the team based on the needs of the work… and end up with a much smaller core.” —— Adam Mosseri

核心论点：这是“通才时代”，但不是专家终结；真正的结构是大量通才 + 少量顶尖专家 + 专家梯队。

• 设计、数据科学、研究和工程的边界正在明显渗透。强设计师往往不仅对视觉和交互有判断，也对产品战略、商业和 go-to-market 有明确意见；强数据科学家也可能成为 product staff。
• Instagram 的高级设计师 Nate 已转入 product staff。Adam 预计，一部分最强设计师不会继续留在名义上的设计岗位，而是把专业长板带到更宽的通才岗位中。
• 他本人是这种职业形态的早期版本：从 Facebook 设计师转成 PM，再成为 Instagram 负责人。他自评“从来没有哪一项特别强，但有范围（range）”。
• 但组织不能只保留一批资深 IC。若今天只要顶尖数据科学家、不培养新人，几年后就不会有下一代顶尖数据科学家。专业序列仍需招募、辅导和成长机制，只是总体人数更少。
• 较现实的流动方式是：少数人沿专业序列走向顶尖，多数人在成长过程中转入通才角色。这里的关键不是把“未成为专家”视为降级，而是为更广责任重新定义成功。
• 大型组织领导也是一种专门 craft，且不同于一般管理。Adam 判断未来管理数千人的岗位会减少，因为小团队增多；但大规模组织仍然存在，因此这种能力不会归零。

“It’s probably the age of the generalist, but… there’s going to be a real important role for these really amazing specialists.” —— Adam Mosseri

核心论点：生成速度提高并不会自动带来好产品；当任何人都能快速做出东西，决定不做什么、选择做什么反而更值钱。

• Lenny 提到 Claude Code 团队负责人 Fiona Fung 的招聘形态：一类是有品味、能端到端把想法做出来的 builder；另一类是在具体领域极深的专家。Adam 对这组二分高度认同。
• AI 生成的产品已经形成可辨识的“模型味道”：人们能看出某个应用像 Codex、Claude、Replit 或 Lovable 的默认产物。机械实现越来越容易，但默认审美也越来越同质。
• Adam 因而“看多设计师”。他的理由不是设计不会自动化，而是优秀设计师通常有 taste，能判断一个方案是否值得、是否有独特性，这比生成视觉稿更难外包。
• 这也解释了设计就业没有立即反弹：仅有审美仍不足以承担 product staff；还需要理解业务、增长、成功指标与商业约束。未来更强的设计人才会把 taste 与 PM 式经营判断结合起来。
• 品味不是主观偏好的浪漫表达，而是资源分配机制。在构建成本降低的世界里，最大浪费不再是“做不出来”，而是团队高效地做了不该做的东西。

“In a world where it’s easier to build things, it’s more important to make sure that your time is spent figuring out what you should be building in the first place.” —— Adam Mosseri

核心论点：在技术边界快速漂移时，预测某项技能能否保值意义有限；更稳定的评价对象是学习和纠错系统。

• Adam 长期跨职能看三项：grit（韧性/内驱）、快速学习、自我认知。三者组合意味着一个人有动力、能吸收反馈，也知道自己的强弱；缺任何一项，长期成长都会出现问题。
• 面向未来 5—10 年，他额外强调好奇心与“put yourself out there”。没人能准确预测工具边界，只能通过频繁试用、犯错和复盘形成一手判断。
• 他用学外语作比喻：能否学会说另一种语言，关键预测因素之一是“是否愿意听起来像个傻瓜”。只有先说出来、接受纠正且不被冒犯，能力才会快速提升。
• 因此，风险最大的不是暂时不会用某个模型，而是不愿尝试、害怕暴露生疏、把身份绑定在旧技能上。AI 时代会持续改变工作，静态的“熟练”不再可靠。
• Adam 同时反对过度自信的未来预测。他赞同 Benedict Evans 的提醒：当前变化太快，“我们并不知道正在发生什么”。组织应保留试验空间，而不是围绕单一路线一次性重构到底。

“Are you willing to sound like an idiot?” —— Adam Mosseri

核心论点：AI 的影响不是给所有人同比例加成，而是改变任务组合；旧岗位中的强者未必继续强，过去受机械门槛限制的人可能突然释放价值。

• 工程师过去可能把 40%—60% 时间用于写代码；在前沿 AI 实验室，越来越多时间转向规划、拆任务、审查代码和纠偏。这与“写得快”是不同工作。
• 喜欢纯写代码的人可能失去满足感；过去编码速度一般、但擅长架构和审查的人可能变得更有价值。绩效变化来自个人长板与新任务组合的匹配，而非简单的“AI 抬高或压低所有人”。
• AI 也降低了跨职能贡献门槛。设计师可以编程，工程师可以直接取数并做分析，数据科学家可以制作设计方案。很多人过去有想法，却缺少机械或技术技能去验证；这个障碍正在消失。
• Adam 刚加入 Facebook 时，设计师必须通过技术面试；后来因招聘困难取消。如今他在约 10 年后重新写代码，并自嘲“状态好时也只是平庸工程师”，但现在可以“负责任地”完成实现。
• 他拒绝“AI-pilled vs anti-AI”的二元立场：工具在某些任务上惊人、在另一些任务上又明显糟糕。真正的能力是准确识别当前边界，并对下个月、几个月后的边界有感觉。

“The job is just different.” —— Adam Mosseri

核心论点：鼓励 token 消耗不是采用 AI 的成熟指标；当单人模型成本接近人力成本，组织必须进入资源配置。

• Adam 明确反对 token spend leaderboard。排行榜会奖励消耗而非结果，最容易产生的不是价值，而是“token incinerator”——技术上能持续烧 token、业务上没有相称回报的流程。
• Meta 当前对工程师普遍没有 token 上限，因为关闭明显低效项目后，成本暂时可控。但 Adam 判断长期一定会出现额度，否则无法把模型费用与价值联系起来。
• 他把 token 与 GPU、CPU、存储、RAM、标注预算和 headcount 放在同一资源框架下：都需要在团队之间分配，不能仅凭使用热情决定。
• 一个关键预测是：一两年内，强工程师的模型消耗可能接近其工资或雇佣总成本。届时 cap 应与公司对其 ROI 判断能力的信任成比例，而不是每人平均。
• 短期成本可能先升，因为每个人会使用更多 token；长期单价可能下降，因为 frontier model 进入价格竞争，同时小模型已足够覆盖越来越多 side project。总体路径更像过山车，而不是线性下降。

“It’s not that hard to build a token incinerator, and that doesn’t create a lot of value.” —— Adam Mosseri

核心论点：AI 可以参与战略，但不能替代战略责任；没有明确约束的“帮我制定战略”，通常只会得到安全且可预测的答案。

• Adam 把愿景定义为想抵达的世界或产品状态，把战略定义为抵达愿景的、有立场的路径。战略不能只是“做到最好”，必须包含取舍，且理性的人应能提出反对。
• 人与 AI 的关系更接近管理：先定义成功，再决定路径要多具体、给多少自主权，并在执行中反馈。领导对团队过度规定会压制好想法，过度开放又可能让团队在错误方向浪费时间；agent 同样存在自主权刻度。
• AI 看似拥有市场、竞品、指标和增长数据，理应擅长战略，但 Adam 的实测是：若不强力提供约束，它会给出竞争对手也能预料的常规答案。
• 有效战略至少要同时考虑技术状态、团队人员与动机、人才吸引力、竞争格局、监管与合规、品牌身份和存在理由。模型不是缺“聪明”，而是缺组织内隐变量。
• 他建议把战略生成做成对话，并主动要求模型批判。不同模型愿不愿意反驳用户差异很大；Adam 明确偏好“不讨好”的模型，因为真正需要的是反方判断，不是 pleaser。
• Lenny 用 centaur / reverse centaur 解释风险：理想状态是人控制工具，危险状态是 AI 给战略、人只执行。Adam 的回应是：能外包某个 workflow，不代表应该外包；有些环节的风险大于收益。

“I don’t want the pleaser.” —— Adam Mosseri

核心论点：领导者的产出不在于所有好点子都来自自己，而在于让好人才和好想法出现、被选中、形成共同承诺。

• Adam 承认少数产品负责人是高产的 idea machine，但更多优秀负责人像策展人：策展人才、想法、技术和战略。
• 他不在意某个区域的战略最初是谁提出，只在意是否形成好战略、团队是否真正 buy in，以及执行是否围绕同一方向展开。领导者必须放弃“只有我提出才算领导力”的所有权冲动。
• 策展并非被动投票。领导者自己仍要有观点，否则无法判断；更重要的是创建一个让好想法能向上浮现、被比较和取舍的环境。
• 在 trust and safety 领域，Adam 会同时考虑工程、product staff、数据科学、设计、研究五位负责人。选择单个人不能只看能力，还要看五人的互补、弱项覆盖与相互作用。
• “Vibe”看似软，但对领导团队是硬约束。有信任和默契的团队可以处理多数分歧；缺少信任时，任何小问题都可能放大。有时两位都很优秀、Adam 也都喜欢，但就是无法合作，最终只能拆开。

“A leadership team with strong trust and rapport can work through most anything.” —— Adam Mosseri

核心论点：公众长期高估了推荐系统的语义理解；传统系统擅长相关性，但不一定能用人类语言解释兴趣。

• 过去 5—10 年推荐进步主要来自大型 embedding 模型和相似性技术。系统保存的是不可直接阅读的大向量，不是“这个人喜欢冲浪”这样的明确标签。
• 传统逻辑更接近协同过滤：你喜欢了这些内容，另一群喜欢同样内容的人还喜欢那些内容，因此系统尝试推荐给你。它能有效，但并不等于形成了人的语义画像。
• LLM 带来的新能力是描述 embedding 空间。Adam 举例，系统可以把一片内容聚类解释成“手冲咖啡深度发烧友（deep pour-over coffee snobbery）”。
• Instagram 的 “Your Algorithm” 让用户看到系统推测的兴趣主题，并可以增删。这是在推荐占据 feed 后，把部分 agency 还给用户。
• 目前可控范围仍主要是主题。未来用户还可能提出非主题偏好，例如“更有趣”“更多朋友”“不要连续看七张照片”。Adam 承认距离自然语言控制整个推荐体验还有大量工作。

“Only now are we actually getting as sophisticated as I think people have assumed we’ve been for many years.” —— Adam Mosseri

核心论点：用户说想要 chronological feed，不代表这个选择在数月后仍让其满意；产品必须同时看即时偏好、系统激励和长期感受。

• 纯时间序意味着“刚发的永远在最上面”，于是每个账号都有动力尽可能多发。New York Times 一天可以发约 50 条，而好友可能一周只发一条，最终 feed 会被专业机构和出版商占据。
• Adam 把设计 feed 比作设计城市：不能只看规则本身，还要推演规则激励人怎么行动、规模化后形成什么生态。时间序并不天然更“公平”。
• 相关性也不能被新鲜度完全替代。Adam 用妹妹订婚的假设说明：即使那张照片不是最新内容，也可能比兄弟刚发的 po’boy 三明治更重要。
• Instagram 做过默认时间序及可设为默认的版本。结果不仅使用量下降，大规模调查中的整体满意度也下降；用户当下选择可能开心，几个月持续被低兴趣内容轰炸后评价会恶化。
• 推荐同样有成本。若要求“永远不要看到不感兴趣的内容”，系统只能退回最稳妥的最大公约数；若希望发现新的小众内容，就必须接受一定比例的误推。

“Recency is an important input into relevance, but it’s not the only one.” —— Adam Mosseri

核心论点：Instagram 不打算把 AI 作为价值判断，而是把质量交给推荐、把风险交给安全治理、把知情权交给标注和身份信息。

• 作为广告和注意力业务，更多内容理论上能带来更多消费时长，因此 AI 内容是 tailwind；但 Instagram 目前并不擅长区分好坏 AI 内容，供给增加不会自动转化为满意度。
• Adam 更看重第二层效应：当合成内容极度充裕，人会更主动寻找创造力、真实性和具体的人。Instagram 从来不只有内容，也有内容背后的身份、动机、视角和关系。
• 他把 creator 定义得很宽：不只是接品牌广告的 influencer，也包括记者、艺术家、手工围巾卖家等任何以自己身份创作并借平台达成目标的人。Instagram 自认是规模最大的 creator platform，这使真实性需求对其更有利。
• 平台不应仅因作品用了 AI 就过滤。Adam 主张按安全性决定是否下架，按兴趣决定是否推荐，同时告知用户内容是否由 AI 生成，让用户自行决定是否信任。
• 检测会越来越难。短期可给出“可能是、无法确定、肯定不是、肯定是”的置信表达；长期甚至可能更实际地标注“相机拍摄”的非 AI 内容，而非试图穷尽 AI 生成物。
• 账号层还有新的诈骗向量：例如 AI monk 借宗教/权威形象卖虚假补充剂。平台需要分别说明账号是否真人、内容是否真实采集，并补充账号创建时间、资料修改次数等信任信号。
• Adam 提到 Plastic Dream Sequence：用类似 Barbie 的形象唱歌，风格怪异却有稳定审美；还提到法国/巴黎的 If Only AI，组合图像、视频、音乐模型创作梦境。两者的共同点不是“像真人”，而是有清楚的作者视角。

“I don’t think we should judge content based on the tool that made it.” —— Adam Mosseri

核心论点：大平台无法在封闭环境中做实验；产品、舆论和治理已形成同一个开发周期。

• Adam 最佩服 TikTok/ByteDance 的，是 exploration-based ranking：不是只利用已知偏好，而是试探用户也许尚未意识到的兴趣。相比“喜欢 Bieber 就继续看 Bieber”，它会测试用户是否也喜欢 Afro-funk。
• 探索推荐对小众和新创作者尤其重要，因为内容可被先测试，再找到原本接触不到的受众。Instagram 近年不只优化 engagement，也优化原创性、突破性内容数量和时效性；Adam 判断部分指标已经领先、部分仍落后，但首次看到成为最佳推荐系统的路径。
• 团队称他为“disappointed dad”，因为他很少满足于阶段进展。这种不满足推动改进，也让团队需要提醒他更及时地认可成绩。
• Adam 选择公开面对争议，起点是负责 Facebook News Feed 时的判断：辩论无论如何都会发生，公司不如参与。他在 Twitter 只关注最大批评者，结果那里成了“生活中最黑暗的地方”。
• 2009 年 3 月 News Feed 改版时，25 岁的 Adam 看到第一条反馈就是针对设计者的侮辱。他后来理解：若用户每天在一张“书桌”上花 30—50 分钟整理照片、写信、阅读，产品团队却未经提醒就重排桌面，愤怒是合理反应。
• 一次争议性 Instagram feed 改版实际只测试了 iOS 的 4%，并未准备全量上线；但全屏视频、加码 Reels、增加未关注账号推荐、创作者 reach 下滑四件事被合并，头部创作者批评与媒体报道相互放大。
• Adam 的结论不是“不该测试”，而是节奏和解释不足。对 30 亿用户的平台，任何测试都会泄露；团队必须在上线前准备“不是如果泄露，而是泄露时说什么”的沟通方案。
• 两个失败提供了同一课：Facebook Home 是 Android 系统级 fork，并与 HTC 做硬件，项目耗时约 1—1.5 年后终止；首版 Reels 在 2019 年叠在 Stories 上，大量内容未被看到又很快消失。到 2020 年独立 Reels 推出时，TikTok 已借疫情期间居家、开声音看视频的窗口爆发。
• 失败并非都应避免。Adam 认为，把一个缺乏 product-market fit 的想法高质量执行出来，有时正是为了尽快判定它不成立；真正昂贵的是长期拖着不结束。

“There are almost always trade-offs.” —— Adam Mosseri

核心论点：屏幕和 AI 的问题不能用“完全放开/完全禁止”解决；边界、陪伴、内容范围和主动创造要同时存在。

• Adam 的孩子分别为 10、8、6 岁，还不到使用社交媒体的年龄，但每人有一台 iPad。使用时间必须赚取：完成三次、每次半小时的作业，可获得周末共 90 分钟。
• 家长要审批应用，而不是孩子一提出就允许；飞机是现实例外，8—10 小时飞行优先“先活下来”。他也支持课堂禁手机，认为这大概率有利于教育。
• 对 AI，他承认两种风险同时存在：孩子依赖 AI 可能损害批判性思维；完全不会用 AI 又会在未来处于劣势。正确目标不是减少一切接触，而是让使用发生在有思考的任务中。
• 他与 10 岁孩子一起 vibe coding，因为孩子喜欢游戏，两人就做游戏。孩子还只用三根手指打字，却在几小时内做出一个 19 关的 8-bit 平台游戏，每关有主题、怪物，还有购买皮肤和武器的商店。
• 这里的判断标准是“做东西”而非只消费。Adam 坐在旁边共同完成，把 Claude Code 变成创造工具；六个月前相同尝试几乎不可用，新模型已经让体验明显改变。

“I do think you want your kids to be digitally literate, AI literate… but you also don’t want it to be a free-for-all.” —— Adam Mosseri