2001 年底，互联网泡沫破灭、9·11 的冲击都压了下来，当时大约 120 人的奈飞只好搁置上市计划，裁掉了三分之一的人。「那真是残酷，」公司的首席人才官帕蒂·麦考德（Patty McCord）后来写道。
那年圣诞节，DVD 播放机偏偏成了最热门的礼物。到 2002 年初，DVD 邮寄租赁的生意涨得飞快，奈飞的活多了一大截，人却少了 30%。
公司最好的工程师之一，麦考德叫他约翰。裁员前他手下有三个工程师，现在成了一个人的部门，天天干到很晚。麦考德跟他说，希望很快能给他招几个帮手。
他说不急。「我现在更开心。」
替别人收拾的那些时间
他解释说，被裁掉的那几位并不出色，只是「还行」。他以前花了太多时间盯着他们，替他们收拾错误。「我算是明白了，我宁可一个人干，也不想跟不够格的人一起干。」
三个「还行」的同事，并没有添上三个工程师的产出。照他的说法，他们还分走了他的一份。
要人扶着走的人，加进来可能是减法。
麦考德 2014 年在《哈佛商业评论》上写道，每当她讲起奈飞人才理念里最根本的那一条，这段话就会在耳边响起：你能给员工的最好福利，是只招一流的人和他们共事。「出色的同事胜过一切。」
合用一个厨房，手艺最好的那位可能一晚上都在刷别人的锅。厨房里少几个人，饭也许反而上桌更快。
里德·哈斯廷斯和艾琳·梅耶尔（Erin Meyer）2020 年合写的 No Rules Rules，就是围着这个想法写的，给它起名「人才密度」。照梅耶尔的讲法，提高人才密度是奈飞走的三步里的第一步，后两步是提高坦诚度、拿掉管控。据北欧商业论坛整理的 2021 年演讲纪要，梅耶尔说，裁员后剩下的 80 个人，干出了原来 120 个人将近两倍的活。奈飞现在的文化备忘录里写着，任何岗位上，一个高绩效的人都比普通员工「有效好多倍」，公司按市场顶格付薪，来招人、留人。
明星不一定带得走
这个故事里埋着一个毛病。裁员恰好撞上需求暴涨，讲故事的又是当年管公司的人。单凭一家公司的好年景，分不清有几分是因为团队小而精，有几分是那年圣诞节的 DVD 热。
研究明星员工的学者，看到的是另一面。哈佛商学院的格罗伊斯伯格（Boris Groysberg）和同事追踪了 1000 多位明星证券分析师。他们 2004 年在《哈佛商业评论》上报告：明星一跳槽，自己的业绩大幅下滑，她加入的那个团队的效能也跟着下滑。后来的一项研究发现，这种下滑至少持续五年；单枪匹马跳槽、或者跳到能力更弱的公司的，掉得最厉害；带着团队一起走的，没有明显下滑。
作者们认为，明星的本事里有一部分只在原公司管用，成就背后的许多资源，人走了也带不走。拿这个回头看奈飞，就是在提醒人才到底长在哪儿。麦考德那位工程师是在奈飞、在奈飞的系统里被看作出色的，没人在别处量过他。一个一个人地数密度，可能会漏掉团队本身提供的东西。
那个总要人扶的同事
设想你带一个六人的数据组。有位分析师人很好，也肯干，可他的报告多半要退回来改错，组里两位资深同事如今得先替他把关，东西才能发出去。
奈飞文化手册的答案是：你不会拼命挽留的人，给一笔丰厚的遣散费。人才密度这个视角至少能把藏着的成本摆出来：数一数你最好的两个人，每周花多少小时在他的产出上。数完了，也可能指向别处。要是错误出在一条没人给他讲清楚的数据管道上，把人请走，管道还在。（留人测试把这个问题问得更尖，也有它自己让人害怕的代价。）
换个更强的模型，少一群帮手
一组 AI 智能体也逃不开这笔账，Anthropic 还公布过数字。在它的多智能体研究系统里，一个主智能体把问题拆成几块，交给并行搜索的子智能体。工程师们 2025 年写道，早期版本犯过这样的错：一个简单问题就派出 50 个子智能体，彼此之间还不停发更新，互相打扰。
在一项网页检索基准上，三个因素解释了 95% 的成绩差异：花了多少 token、调用了多少次工具、用的是哪个模型。token 花得多，帮助最大。可是「升级到 Claude Sonnet 4 带来的提升，比给 Claude Sonnet 3.7 加一倍 token 预算还大」。换一个更好的模型，胜过把旧模型的 token 预算翻倍。
相似之处到士气就停了。那个系统里没有谁因为一个人干活而更开心。这也只是一家公司内部的一项基准，说明不了人的事。它补上的是奈飞故事里缺的一样东西：换上更强的模型，和给弱一些的模型加 token 预算，放在同一把尺子上量过，结果是更强的模型赢。