1. O que a visita colocou em perspectiva
Em 7 de outubro, a missão NewHack visitou a Netflix em Los Gatos, com Marlon Parizzotto como anfitrião. A conversa aproximou o grupo de temas que aparecem em empresas de muitos tamanhos: trajetória profissional, construção de plataformas, adoção de IA e qualidade da entrega. O interesse era entender como pessoas do Vale estão trabalhando e enxergando o cenário de oportunidades.
O ponto que mais ficou foi uma mudança no lugar onde o trabalho encontra resistência. Quando produzir código se torna mais rápido, o tempo de implementação deixa de explicar sozinho a capacidade de entregar. Escolher o problema, fornecer contexto, revisar uma solução e assumir suas consequências passam a exigir mais atenção.
Este caderno combina o relato da visita com fontes públicas consultadas em 7 de outubro de 2026. A cultura formal da Netflix é apresentada a partir de seu material oficial. As aplicações para founders são análises da NewHack.
2. A escala por trás da conversa
A Netflix informou os seguintes resultados na carta aos acionistas de 16 de julho de 2026. São dados de Q2 e do primeiro semestre, não resultados de outubro.
| Indicador público | Período | Dimensão |
|---|---|---|
| Receita | Q2 2026 | US$ 12,56 bilhões |
| Crescimento da receita | Q2 2026, comparação anual | 13,4% |
| Margem operacional | Q2 2026 | 33,4% |
| Horas assistidas | Primeiro semestre de 2026 | Mais de 97 bilhões |
| Audiência descrita pela empresa | Carta de julho de 2026 | Próxima de 1 bilhão de pessoas, não de assinaturas |
O resultado de Q3 está previsto para 20 de outubro. Por isso, Q2 é a referência trimestral publicada mais recente nesta leitura.
Para o founder, esses números ajudam a dimensionar a distância entre um experimento e uma operação em escala. Uma melhoria pequena num fluxo muito utilizado pode ter relevância. Ao mesmo tempo, uma decisão inadequada pode se repetir muitas vezes. Nossa aplicação é observar volume de uso, criticidade e capacidade de recuperação ao escolher onde experimentar.
3. Cultura Netflix: o que está no documento oficial
O Culture Memo organiza a cultura declarada em quatro princípios:
| Princípio | Síntese |
|---|---|
| The Dream Team | Desempenho alto e capacidade de trabalhar bem juntos. |
| People over Process | Informação e autonomia para pessoas responsáveis decidirem. |
| Uncomfortably Exciting | Ambição, experimentação e adaptação ao desconforto. |
| Great and Always Better | Disciplina para melhorar continuamente. |
Lideranças oferecem contexto e coaching. Uma decisão importante tem um responsável informado, que busca divergências, decide e aprende com o resultado. Autonomia convive com regras de segurança, ética e respeito; gestão pode intervir em crises ou riscos relevantes.
O keeper test pergunta se a liderança lutaria para manter alguém ou o contrataria novamente. O memo orienta considerar o histórico completo, manter conversas frequentes e tolerar dificuldades temporárias e apostas que não deram certo. Alto desempenho não justifica desrespeito. A empresa reconhece que nem sempre realiza plenamente seus princípios.
A revisão anunciada em junho de 2024 levou doze meses e recebeu mais de 1.500 comentários de funcionários. O primeiro deck público saiu em 2009. A cultura também é um documento que pode ser discutido e atualizado.
Contexto externo: este trecho apresenta a cultura declarada no documento oficial da Netflix.
4. O que um founder pode testar na própria equipe
O ganho de uma visita como essa está em formular perguntas melhores para a própria operação. Uma startup pequena tem restrições de caixa, senioridade e contratação diferentes de uma companhia global. Antes de adotar um modelo de avaliação ou de gestão, precisa entender o que consegue sustentar e explicar.
Na nossa leitura, uma oportunidade concreta é melhorar o acordo que antecede uma entrega. É comum uma tarefa começar com um pedido genérico, ganhar urgência no meio do caminho e terminar numa avaliação que usa critérios nunca discutidos. Esse percurso cria retrabalho e torna difícil saber se houve um problema de execução ou de direção.
O acordo também precisa dar espaço a dúvidas. Uma pessoa deve conseguir mostrar que faltam dados, pedir ajuda ou contestar uma hipótese sem que isso seja interpretado automaticamente como falta de capacidade. Caso contrário, a empresa pode receber entregas rápidas que escondem incertezas importantes.
5. IA aumenta o espaço para enfrentar o backlog
Na conversa, apareceu uma leitura prática da produtividade: há problemas e melhorias que permanecem na fila porque a equipe precisa priorizar. A ajuda da IA pode abrir espaço para atacar parte desse trabalho e experimentar soluções antes adiadas. Isso desloca a pergunta de quanto tempo uma tarefa levou para quais problemas agora conseguimos explorar.
Esse raciocínio ajuda a evitar uma adoção guiada apenas por demonstrações impressionantes. Uma empresa pode gerar muita coisa em pouco tempo e ainda dedicar pouco esforço à dor mais importante. Para aproveitar capacidade adicional, o backlog precisa distinguir manutenção necessária, aprendizagem sobre o cliente e apostas de produto.
Registro da visita: aproximadamente 37:25 a 39:36 da gravação.
6. Contexto compartilhado pode valer mais que um prompt
Outra ideia recorrente foi aproximar a IA do contexto do trabalho: exemplos relevantes, convenções e instruções que ajudem a produzir algo compatível com o ambiente. O conhecimento deixa de ficar apenas na cabeça de quem faz um pedido e pode se tornar um recurso reutilizável pela equipe.
A diferença aparece quando duas pessoas tentam resolver o mesmo problema. Se cada uma precisa reconstruir regras e referências, a empresa paga repetidamente pelo mesmo aprendizado. Uma base pequena, confiável e mantida pode reduzir esse esforço. Ela também facilita conferir o que orientou uma decisão ou uma resposta.
- Contexto do negócio: quem é o usuário, qual necessidade estamos atendendo e o que seria um resultado útil.
- Contexto da execução: exemplos aprovados, padrões de qualidade e critérios para aceitar ou devolver uma entrega.
- Limites de ação: o que a ferramenta pode consultar ou alterar, e quando a decisão precisa de revisão humana.
- Manutenção: uma pessoa responsável por corrigir instruções que deixaram de corresponder ao trabalho real.
Nossa aplicação é começar por um fluxo conhecido, sem tentar documentar a empresa inteira. Uma rotina de suporte, uma parte da qualificação comercial ou uma melhoria de produto já permite observar se a informação compartilhada está produzindo respostas mais consistentes.
Registro da visita: aproximadamente 41:50 a 46:01 da gravação.
7. Mais alternativas só ajudam se existir uma escolha
A possibilidade de construir alternativas e comparar caminhos apareceu como um uso relevante da IA. Um protótipo permite discutir comportamento com algo mais concreto em mãos. A conversa pode sair de preferências vagas e chegar a diferenças que uma pessoa consegue observar ao usar.
O cuidado é estabelecer a decisão antes do experimento. Se ninguém definiu o que precisa aprender, diferentes protótipos podem apenas ampliar a discussão. Para a NewHack, a capacidade de explorar deve vir acompanhada de uma pergunta: qual alternativa resolve melhor a necessidade com o esforço e o risco que podemos assumir?
Ao terminar, registre por que uma alternativa foi escolhida e o que ainda não foi demonstrado. Esse registro ajuda a próxima pessoa a continuar o trabalho sem reiniciar o debate. Ele também permite abandonar uma ideia promissora quando o uso não confirma a hipótese.
8. O novo gargalo: revisar o que a IA produz
No trecho final da visita, a revisão ganhou destaque como ponto de pressão. Gerar uma implementação mais depressa pode aumentar o volume que alguém precisa entender, testar e aprovar. Quando essa capacidade fica para trás, a fila apenas muda de lugar.
Uma alteração precisa funcionar, preservar comportamentos importantes e fazer sentido para quem vai mantê-la. Na nossa leitura, o desafio não se resolve contando entregas ou linhas de código. Também importa o custo de compreender o resultado e descobrir onde ele falha.
- Limitar o tamanho da mudança: entregas menores ajudam o revisor a entender intenção e consequências.
- Explicar a decisão: acompanhar a entrega com problema, abordagem escolhida e alternativas descartadas.
- Mostrar evidência: conferir casos relevantes, falhas esperadas e resultado observado, sem confundir testes com prova completa.
- Organizar a responsabilidade: definir quem pode aprovar e como recuperar a operação se a mudança causar um problema.
Registro da visita: aproximadamente 50:14 a 52:27 da gravação.
9. Fluência em IA, carreira e aprendizagem
A trajetória profissional apresentada no encontro mostrou como competências acumuladas podem ganhar utilidade em novos contextos. Comunicação com desenvolvedores, compreensão das dificuldades do usuário interno e construção de ferramentas apareceram como partes de um percurso que conecta pessoas e tecnologia.
Também foi relatada a avaliação da habilidade de trabalhar com IA em um contexto de seleção técnica. O ponto relevante para a missão é a capacidade de conduzir uma solução: formular o problema, usar recursos disponíveis, explicar escolhas e avaliar o que foi produzido. A conversa não permite apresentar esse relato como regra de todas as vagas da Netflix.
Para uma startup, essa competência pode ser desenvolvida na rotina. A pessoa mais experiente pode tornar visível como investiga um problema, o que verifica antes de aceitar uma resposta e quando muda de abordagem. Isso cria oportunidades de aprendizagem para quem ainda está formando repertório.
Registro da visita: aproximadamente 27:11 a 35:38 e 46:28 a 50:08 da gravação.
10. Uma evidência pública de IA com avaliação humana
No Netflix TechBlog de 4 de setembro de 2026, a equipe descreve um experimento com explicações de recomendações geradas por LLM e avaliadas por outro modelo. Humanos definem critérios, rotulam exemplos, alinham a avaliação e monitoram amostras. A justificativa do julgamento importa: uma classificação pode parecer correta pelo motivo errado. O trabalho também inclui um teste no aplicativo para avaliar utilidade para os membros.
Esse caso distingue qualidade segundo uma rubrica de benefício comprovado para o usuário. Aprovação automatizada não demonstra valor por si só.
Pesquisa externa, não uma demonstração técnica realizada na visita.
11. Distribuição também acontece dentro do produto
O TechBlog de 10 de julho de 2026 discute como medir o efeito das recomendações. Ver alguém assistir a um título recomendado não basta para provar que a recomendação causou esse consumo: o sistema já escolhe conteúdo para pessoas com interesse provável. O estudo combina modelagem e testes menores para investigar o efeito adicional.
A pergunta prática é o que mudou por causa dessa intervenção. Observar uso depois de uma campanha ou de uma sugestão não separa automaticamente o interesse que já existia do resultado que a empresa criou. O teste deve procurar essa diferença, com uma comparação adequada ao tamanho e ao risco da operação.
12. Uma conexão com o repertório de Rodrigo
Em uma conversa anterior no TDC, a partir de 43:39, Rodrigo já manifestava admiração pela liberdade e responsabilidade que associava à Netflix. Trata-se de sua percepção naquele diálogo, não de uma avaliação independente sobre a companhia.
Em outro workshop sobre IA, a partir de 32:31, recomendava especificar o projeto antes de pedir a execução. A conexão com esta visita é uma leitura editorial: quanto mais fácil fica gerar, mais útil se torna esclarecer o que deve ser construído e como será avaliado.
Memória autoral: paráfrases conferidas nas transcrições de origem. A conexão com esta visita é uma interpretação editorial da NewHack.
13. Um experimento para levar de volta ao negócio
O objetivo é transformar o repertório da visita em uma mudança que possa ser observada. Em vez de tentar reproduzir uma companhia inteira, escolha uma rotina e acompanhe o percurso completo.
- Escolha o problema: identifique uma tarefa recorrente ou uma melhoria adiada. Registre quem sofre com ela e qual resultado importa.
- Monte o contexto: reúna exemplos úteis, limites, informações necessárias e critérios de qualidade. Confirme que podem ser usados no fluxo.
- Construa uma versão pequena: use IA onde ela ajuda, mantendo claro quem conduz e revisa a entrega.
- Faça a revisão: procure erros, casos difíceis e consequências inesperadas. Corrija antes de ampliar o uso.
- Observe o resultado: compare tempo total, retrabalho e utilidade percebida. Decida se vale continuar, mudar ou encerrar o experimento.
O aprendizado que levamos de Los Gatos é uma pergunta sobre a próxima etapa do trabalho: se a execução ficou mais acessível, nossa forma de escolher, revisar e aprender está acompanhando essa mudança?
Curadoria editorial NewHack. Gravação da visita de 7 de outubro, com transcrição automática como apoio; contexto externo com fontes oficiais da Netflix; memória autoral conferida nas fontes de origem.