AI下個類Coding的大場景在哪？聊聊AI發展過程中的四個時間差

作者：qinbafrank

過去兩年，AI產業最成功的應用敘事毫無疑問是Coding。

從最早的代碼補全，到自動生成測試、修復Bug、遷移代碼庫，再到今天能夠讀取整個項目、調用終端、運行測試、持續修改並提交代碼的Coding Agent，AI第一次證明了：它不只是一個會聊天、會生成內容的工具，而是可以進入真實生產環境，完成企業願意付費、結果可以驗證、價值能夠量化的工作。

但問題也恰恰出在這裡。

Coding Agent已經從過去的"預期差"，逐漸變成市場共識。市場不再爭論AI能不能寫代碼，而是爭論它最終可以覆蓋多少開發者、替代多少軟件工程工作、形成多大的收入規模。

這意味著，Coding的基本面空間雖然依然很大，僅靠"AI會寫代碼"這個故事，卻越來越難繼續支撐整個AI產業鏈不斷擴張的估值。

市場接下來真正關心兩個問題：

1）除了Coding之外，還有沒有第二個足夠大的AI應用場景？

2）以及更尖銳的問題：如果遲遲沒有新的應用場景接棒，今天持續攀升的數據中心、GPU、網絡、電力投資，以及隨之擴張的企業債務，未來究竟靠什麼收入、自由現金流和生產率提升來支撐？AI能不能賺錢，巨大資本開支能不能收回來，ROIC算的過來麼？

第二個問題在2季度財報季裡已經能對雲廠商ROIC有了初步模型。核心還是第一個問題。

這個問題並不是在質疑AI有沒有用。

真正的矛盾是：第一增長引擎已經迅速成為共識，第二增長引擎卻可能需要更長時間才能進入收入、利潤和現金流。這就是當前AI應用最重要的"時間差"。

下一輪定價需要證明的是：AI不僅可以改變軟件開發，還可以接管更廣泛的經濟活動。

一、Coding為什麼成為AI第一個殺手級應用

Coding並不是因為程序員更喜歡嘗試新工具，才率先成為AI大場景。

它能夠最先跑出來，是因為代碼任務幾乎同時具備了AI商業化最需要的全部條件。

首先，代碼、日誌、API、文檔和報錯信息已經完全數字化。AI不需要理解複雜的物理世界，也不需要等待企業先完成幾十年的紙質數據整理。

其次，代碼結果高度可驗證。

一段代碼能不能編譯、測試是否通過、接口是否正確返回、頁面能不能運行、性能有沒有下降，通常很快就能得到反饋。AI即使第一次寫錯，也可以運行、觀察、修正，再運行，形成閉環。

換句話說，Coding天然擁有其他行業普遍缺少的"單元測試"。

第三，軟件開發過程可以被拆解成相對清晰的步驟：

讀取代碼庫、理解需求、修改文件、運行測試、分析報錯、繼續修改、生成提交記錄。這個流程天生適合Agent持續執行。

第四，程序員人工成本高。AI只要節省10%至20%的開發時間，企業就很容易算出ROI。

第五，部分正確也能創造價值。AI不需要一開始就完全替代工程師，只要能夠完成測試生成、SQL編寫、代碼解釋、前端修改、API遷移等局部任務，就已經值得付費。

最後，Coding工具可以自下而上擴散。工程師個人就可以訂閱、安裝和使用，不需要企業先完成漫長的採購、合規、數據接入和組織調整。

因此，Coding成為了第一款同時實現產品成熟、預算明確、效果可驗證、高頻使用和商業化閉環的AI應用。

相關企業應用支出材料也顯示，Coding已經是目前最大的單一部門級AI應用，但橫向Copilot、通用助手、垂直行業AI和消費者AI合計規模仍然高於Coding。因此，可以說Coding是商業化最成熟、使用強度最高、最容易量化價值的單一AI工作負載。但要明確coding不是AI全部需求的總和。

二、市場尋找"下個Coding"，可能從一開始就問錯了問題

很多人想像中的下一場景，是再出現一款像Coding Agent一樣邊界清晰、增速極快、收入規模巨大、能夠被資本市場迅速識別的產品。

但非Coding世界的結構與軟件開發完全不同。

全世界程序員使用的代碼庫、IDE、版本控制、測試和部署方式具有很強共性，因此Coding可以被定義成一個相對統一的大市場。

可是非Coding工作高度碎片化。

銀行需要的是信貸、KYC和反洗錢Agent；保險公司需要核保、理賠和反欺詐Agent；醫院需要病歷、編碼、預授權和患者分流Agent；製造企業需要質檢、採購、排產和設備維護Agent；零售企業需要客服、庫存和補貨Agent；財務部門需要發票、對賬、關帳和催收Agent。

單獨看，每一個場景可能都不如Coding集中。

但把它們加在一起，對應的是整個服務業、知識工作體系、後台運營體系和專業服務體系，其勞動力預算、外包預算和交易預算遠遠大於軟件開發預算。

因此，AI的第二增長引擎大概率不會表現為：一款產品突然成為"第二個Coding"。更可能表現為：數十個行業、數百條業務流程同時進入Agent化，最終在總量上超過Coding。

AI革命的下一階段可能是一場分散發生的流程革命，而非單一的超級應用；

三、哪些場景最接近"下個Coding"

判斷一個場景能不能快速被AI改造，可以使用一個簡單框架：

AI商業價值≈任務頻率×人工成本×可自動化比例×可驗證性×系統執行能力－錯誤、集成和治理成本。

按照這個標準，最接近Coding結構的，並不是戰略、創意或企業管理，而是那些數字化程度高、有明確SOP、有量化指標、允許人工兜底，並且AI可以真正調用系統執行動作的流程。

1、客服和語音Agent：最像第二個Coding的單一場景

客服擁有知識庫、服務流程、身份認證、工單系統和明確的成功標準。

一個客服Agent是否創造價值，可以直接通過首次解決率、人工轉接率、平均處理時長、重複來電率和客戶滿意度來評價。

隨著語音模型進步，AI已經不僅能在聊天窗口回答問題，還可以進入電話預約、退款、改簽、催收、銷售篩選、酒店服務、醫療前台和保險諮詢。

但語音本身不是商業模式。

真正的價值不在於AI能不能像人一樣說話，而在於它能不能查詢訂單、驗證身份、修改系統、發起退款、更新CRM並關閉工單。

只有完成這些動作，AI才從語音助手升級為業務Agent。

2、IT運維和網絡安全：技術部門內的第二條主線

IT運維和安全與Coding一樣，擁有大量機器可讀數據：

日誌、告警、配置文件、網絡拓撲、漏洞信息、權限系統和運行手冊。

AI可以從解釋告警，逐步走向定位故障、調用診斷工具、執行Runbook、驗證服務恢復、生成事故報告，並把高風險操作交給人類審批。

它的最大瓶頸不是模型能力，而是企業是否願意把足夠高的系統權限交給Agent。

3、財務、會計和採購：最容易被低估的大市場

財務流程通常文檔密集、規則密集、重複性高，而且存在天然的驗證機制。

金額能否匹配、借貸是否平衡、審批權限是否正確、三單是否一致、關帳是否完成，都可以被檢查。

因此，發票處理、應付賬款、應收賬款、費用審核、銀行對賬、採購尋源、月末關帳、現金流預測和審計底稿，都非常適合Agent化。

這類應用未必會形成一個消費者熟悉的著名App，卻可能吸收大量共享服務中心、財務外包和後台運營工作。

4、醫療行政、法律、保險和合規

這些領域人工成本高、文本和文檔密集、流程相對標準化。

醫療AI當前最成熟的往往不是直接診斷，而是醫療文書、編碼收費、預授權、預約、患者分流和理賠材料處理。

法律AI最先進入檢索、合同審閱、盡調、訴訟材料整理和監管報告。

保險則天然適合材料讀取、核保、理賠、反欺詐和催收。

它們的共同限制是錯誤成本高，因此很長時間內都會保留專業人員復核和最終簽字。

5、供應鏈和製造：長期價值極大，落地節奏更慢

需求預測、庫存補貨、採購、排產、質檢、設備維修和物流調度，對應的經濟價值可能遠遠超過一般辦公輔助。

但這些流程跨越多個部門和舊系統，部分結果發生在物理世界，反饋周期也可能長達數周或數月。

因此，供應鏈和製造有可能是長期最大的AI市場之一，卻不會像Coding一樣快速完成產品化和規模擴散。

所以，如果一定要給出一個答案：客服與語音Agent最接近"下個Coding"；但真正能夠在總量上超過Coding的，不會是客服一個場景，而是客服、財務、IT、醫療、法律、保險、採購和供應鏈等工作流的總和。

四、微軟的三組數字，正好展示了非Coding擴散的三個階段

這個時候我們就要去看財報了，微軟FY2026第四季度披露的三組數據，為理解企業AI正在走到哪一步，提供了一張非常有價值的"X光片"：

1）Foundry客戶達到10萬，收入同比增長超過一倍；

2）Microsoft 365 Copilot付費席位超過3000萬；

3）Agent 365上線後已有接近4000萬個Agent被註冊。

這三個數字都能支持"AI正在從Coding擴散到非Coding"，但它們的證據強度完全不同。

而且三組數字不能相加。

同一家大型企業可能既是一個Foundry客戶，又購買數十萬M365 Copilot席位，還在Agent 365中登記數千個Agent。本質上是同一家企業在"開發、使用、治理"三個層面被重複觀察。

1、Foundry證明的是：企業正在"建"
Foundry不是終端應用，而是企業構建、部署和運行模型、應用與Agent的平台。

它服務的往往是企業IT團隊、數據團隊、AI平台部門、軟件公司、系統集成商和AI原生企業。

企業可以在Foundry上完成模型選擇、推理調用、RAG、企業數據連接、Agent編排、工具調用、評測、監控、安全和治理。

所以，10萬客戶和收入翻倍證明的是：

企業正在從使用通用聊天機器人，轉向自己建設行業應用和業務Agent。

但Foundry同時承載Coding和非Coding場景，也沒有披露多少客戶屬於試驗、多少已經進入生產，更沒有披露收入的絕對規模和場景結構。

因此，它是非Coding應用建設管線擴大的中上游證據，而不是終端非Coding收入已經全面爆發的充分證明。

2、M365 Copilot證明的是：非Coding員工已經在"用"

3000萬不是3000萬家企業，而是3000萬個企業員工席位。

這些用戶不僅包括開發人員，更主要包括財務、銷售、HR、法務、醫生、諮詢師、銀行員工、製造企業管理人員和普通行政人員。

他們在Outlook中總結郵件，在Teams中生成會議紀要，在Word中撰寫文檔，在PowerPoint中生成演示文稿，在Excel中分析數據，在企業知識庫中搜索信息。

這意味著，企業已經不再只為程序員購買AI，而是在為大量普通知識工作者購買AI。

在三組數據中，M365 Copilot的3000萬付費席位，是"AI從Coding擴散到非Coding"的最直接證據。

但它首先證明的是採用和付費，不等於企業已經完成了流程重構。

一個員工使用Copilot總結會議、修改郵件和查找資料，說明AI已經進入工作，但不代表企業已經減少人員、降低SG&A或提高自由現金流。

3、Agent 365證明的是：企業正在準備"管"

Agent 365更像是企業Agent的身份、權限、安全和審計控制平面。

它負責發現和登記Agent，管理Agent可以訪問哪些數據、調用哪些工具、執行哪些動作，並追蹤Agent的生命周期和合規記錄。

所以，接近4000萬個註冊Agent並不意味著：

有4000萬個Agent每天工作； 有4000萬個獨立付費單位； 有4000萬個Agent持續消耗token； 有4000萬個Agent已經進入生產； 有4000萬個Agent正在創造收入。

它更接近企業內部的一份Agent資產清單。

其中可能包括測試Agent、個人Agent、部門Agent、已停用Agent、自動同步Agent和系統發現的"影子Agent"。

這個數字真正說明的是：企業內部Agent的數量和來源已經複雜到需要統一身份、權限、安全與審計治理。

這是重要的領先指標，但不是收入、活躍度和生產率指標。

因此，三組數據最合理的解釋是：Foundry證明企業正在建，M365 Copilot證明員工正在用，Agent 365證明企業開始管。

其中M365 Copilot是直接證據，Foundry是有收入支撐的中上游證據，Agent 365則是架構和治理的領先指標。

五、企業AI現在究竟走到了哪一步

可以把AI應用擴散分成五個階段。

第一階段：Coding Agent

AI進入軟件工程，完成補全、測試、修復、重構和部署。

這一階段已經從試驗走向規模化生產，也是目前最成熟的企業AI工作負載。

第二階段：橫向知識工作Copilot

AI進入郵件、會議、文檔、表格、研究、企業搜索和內容生成。

M365 Copilot的3000萬付費席位，主要證明這一階段已經進入規模化採購。

第三階段：部門級Agent

AI開始進入客服、銷售、財務、採購、HR、法務、IT運維和安全部門。

這一階段的核心變化是，AI不只是生成內容，而是開始調用企業數據和業務工具。

Foundry增長、Dynamics消費增長和大量行業案例，說明這一階段正在形成。

第四階段：端到端業務流程

Agent可以查詢數據、調用系統、執行審批、發起退款、生成訂單、更新記錄和處理異常。

例如一個退款Agent，不只是告訴客服"客戶符合退款條件"，而是完成身份驗證、訂單查詢、政策判斷、支付退款、CRM更新和客戶通知。

當前只有部分領先企業和部分標準化流程進入這一階段。

第五階段：企業利潤和宏觀生產率

企業的收入增長開始持續快於員工增長，SG&A率下降，單位業務成本降低，回款周期縮短，現金轉換改善。

最終，這些變化才會進入全要素生產率、GDP和宏觀數據。

目前，企業AI已經大規模進入第二階段，正在向第三階段推進，少數領先客戶進入第四階段，但第五階段仍然缺少廣泛、連續、可審計的證據。

微軟披露的一些案例已經展示了方向：合同附件處理從30至45分鐘壓縮到約3分鐘，HR證明流程從三天縮短到120秒，銷售試點組人均收入提高、成交周期縮短，客服用量型消費快速增長。

但這些仍然是精選案例，不能直接理解為全體企業的平均效果。

最關鍵的區分依然是：

業務流程裡使用了AI，不等於AI已經完成了業務流程；員工節省了時間，也不等於企業已經增加了利潤。

六 非Coding擴散已經發生，但仍然處在"廣而不深"的階段

從模型廠商的實際使用數據看，AI應用確實正在從Coding向其他職能擴散。

Anthropic的數據顯示，計算機和數學相關任務仍占Claude.ai對話的約35%，Coding依然是最大的單一任務類別；但最常見的十大任務占比已經從2025年11月的24%下降至2026年2月的19%，說明使用場景正在分散。

OpenAI的企業數據也顯示，寫作仍然是ChatGPT中最常見的用途；在Agent型使用中，Coding和系統操作合計占接近75%。與此同時，招聘、銷售、政策和企業溝通中，約四分之一到三分之一的Agent消息已經涉及系統或Agent操作。

自2026年2月以來，OpenAI企業客戶中，法律部門的Codex周活用戶增長108倍，銷售和招聘分別增長41倍，行銷增長26倍，而工程部門增長約5倍。由於非工程部門起點更低，這些倍數不能直接與工程部門比較，但方向非常明確：Agent型使用正在跨出技術部門。

不過，更具代表性的美國人口普查局數據提醒我們，企業AI還遠沒有完成深度滲透。

2025年末至2026年初，約18%的美國企業在至少一個業務職能中使用AI，按就業人數加權後約為32%。在採用AI的企業中，57%只把AI部署在三個或更少的職能中，65%只用於三個或更少的任務；66%的企業仍然只把AI用於增強員工，報告因AI減少就業的企業僅約2%。

這幾組數據放在一起，可以得到一個非常準確的結論：

AI已經進入企業，但還沒有普遍進入企業的成本結構。

它已經從試驗走向採購，也從技術部門走向銷售、財務、醫療和行政部門，但大多數企業仍停留在個人助手和局部Copilot階段。

真正改變利潤表的端到端工作流，只發生在一部分領先企業中。這就導致了非Coding市場的總空間很大，但產品標準化程度較低，擴張速度也更慢。因此，非Coding場景可能出現一種看起來矛盾的狀態：總市場遠大於Coding，但任何一家公司的增長曲線，都不一定像Coding產品那樣整齊。

七 To C下一場最大的機會：個人行動Agent

消費者端最有可能形成平台級價值的方向，不是單純的聊天，而是Personal Action Agent，也就是能夠替用戶真正完成任務的個人行動Agent。

它可能讀取郵件、識別待辦、安排行程、比較航班和酒店、預約醫生、管理賬單、處理退貨、購買商品、規劃旅行、填寫表格和協調家庭成員時間。

當前大部分AI仍然處於"告訴你怎麼做"。

真正的下一階段是：AI知道你的偏好，擁有經過授權的賬戶和工具，並且能夠替你把事情做完。

這一場景的潛在商業模式也比普通訂閱更豐富：交易佣金、支付收入、廣告、推薦費用、金融服務收入和會員費。

但C端行動Agent面臨比Coding更高的信任門檻。用戶是否願意讓AI讀取郵件、訪問銀行賬戶、使用信用卡、處理醫療信息或者代表自己完成交易，將決定這一市場的擴張速度。

因此，個人行動Agent可能是To C最大的長期機會，但不一定是短期內最容易大規模兌現的場景。

八 未來更重要的場景：AI科學發現

AI科學發現很可能是AI革命下一階段最重要、也最具長期乘數效應的突破之一。Coding解決的是"如何更高效地生產軟件"；企業Agent解決的是"如何更高效地完成現有業務"；AI科學發現試圖解決的是：如何更高效地生產新的知識、新的技術和新的可能性。這不是普通意義上的一個AI應用，而是把AI嵌入了技術進步本身的生產函數。

本週就有一個案例出來：Moderna與默沙東聯合開發的個性化mRNA癌症疫苗intismeran autogene（曾用名mRNA-4157或V940）在黑色素瘤輔助治療III期試驗中取得積極結果。AI在這一過程中效果顯著，主要體現在新抗原選擇與製造調度環節。Moderna在官方博客中明確稱其為"A Testament to the Power of AI"，指出AI幫助在"一人一藥"的複雜性中實現速度與精準。沒有這類計算工具，規模化、快速個性化選擇高免疫原性新抗原幾乎不可行，AI在此是核心賦能技術。

它證明了AI/ML驅動的個性化新抗原預測 + mRNA平台，可在大型隨機III期試驗中針對高危實體瘤實現有意義的臨床獲益，並首次超越現有標準治療（Keytruda單藥）。這驗證了"計算生物學 + 精準免疫"路徑的可行性，尤其在高突變負荷腫瘤中。

AI科學發現則把智能用於生產新的知識，而新的知識會進一步變成：新藥、新材料、新能源、新芯片、新機器人、新量子器件、新的工業生產方式，它的影響是乘數式的。最值得關注的長期路徑是：

AI生成科學假設

→ 模擬和計算篩選

→ 自動化實驗室驗證

→ 新藥和新材料形成

→ 新產業又產生更多數據、算力和科研需求。

這可能把AI從"提高現有經濟效率的工具"，提升為：高整個社會技術進步速度的技術。

當然需要區分兩個問題：

從文明和長期經濟價值看，AI科學發現可能比下一個消費級應用、甚至比企業工作流Agent更重要；

從未來一兩年的收入、自由現金流和AI CapEx消化能力看，它卻未必比客服Agent、企業Copilot和Coding更快兌現。

九、AI存在四個完全不同的時鐘

AI應用的時間差，來源於四個時鐘運行速度完全不同。

第一個時鐘：資本開支時鐘

這個時鐘啟動得最快。GPU、數據中心、電力、網絡、土地和冷卻設施需要提前建設。雲廠商如果等到需求完全確認後再投入，可能已經來不及獲得產能和客戶。之前這裡有聊過https://x.com/qinbafrank/status/2086749504129372432?s=20

因此，資本開支、融資、利息、租賃承諾和折舊往往最先發生。

分析上可以把這個階段理解為立即到18個月，但具體項目周期差異很大。

第二個時鐘：產品收入時鐘

雲算力、模型API、Coding Agent和通用Copilot可以較快收費，通常在資本投入之後數個季度開始形成收入。這一階段可能需要大約6至24個月。這一點主要是模型廠商和雲廠商的時間差，之前這裡https://x.com/qinbafrank/status/2081226811514753045有聊過：現金先支付（資本開支錢先花出去）、產能後上線、訂單再轉收入、利潤與自由現金流最後兌現"的模式，先花錢再看賺錢的效率和速度，

第三個時鐘：企業工作流利潤時鐘

要讓AI真正進入利潤表，企業必須完成數據治理、權限開放、系統集成、流程重構、人员培訓和組織調整。

節省出來的時間，還必須轉化為少招聘人、減少外包、提高業務量、縮短交付周期、增加轉化率或降低錯誤損失。

這一過程可能需要18至48個月，複雜行業甚至更久。

第四個時鐘：宏觀生產率時鐘

只有當AI擴散到足夠多的企業、工作流程和行業，並完成組織與資本重構後，貢獻才可能明顯進入全要素生產率和GDP數據。

美國非農商業部門二季度勞動生產率同比增長2.2%，單位勞動成本同比增長1.4%。這是積極現象，但勞動生產率並不等於全要素生產率，也不能把當前生產率增長全部歸因於AI。這個過程通常以多年計，可能需要3至7年甚至更長。

這些時間不是精確預測，而是理解產業節奏的框架。

最重要的是：資本市場、債券市場和企業管理層的耐心，通常短於組織重構和宏觀生產率兌現所需要的時間。

這就是AI資本周期最容易出現波動的根源。

十、真正的風險，是CapEx和終端現金流之間的久期錯配

今天AI需求並不是假的：雲收入、模型調用、Coding使用和Copilot採購都在增長。但需求增長與資本消耗可以同時成立。

按照材料中引用的FY2026口徑，谷歌的Cloud業務高速增長，但單季度資本開支已經超過經營現金流，自由現金流轉負；亞馬遜的AWS保持較高增長，AI業務形成真實收入，但過去十二個月自由現金流也被AI設備投資明顯壓制；微軟的經營現金流和商業訂單質量相對更強，但季度資本開支仍然遠高於自由現金流；Meta依靠廣告業務持續補貼AI，但自由現金流緩衝同樣顯著收窄。

這些公司的統計周期和口徑並不完全一致，不能機械橫向比較，但方向非常一致：AI收入在增長，AI資本強度增長得更快。

因此，市場真正需要確認的不是AI有沒有收入，而是：

AI增量毛利、現有業務增收和成本節約，什麼時候能夠持續快於折舊、能源、利息、租賃和設備替換成本？

更深一層看，AI產業第一階段的資金循環主要是：

模型公司融資

→購買雲算力和GPU

→雲廠商收入增長

→雲廠商繼續建設數據中心

→芯片、光通信、電力和數據中心企業擴產

→整個產業鏈繼續融資。

這個循環可以維持很長時間，但其中相當一部分收入仍然來自資本市場融資形成的支出，而不是傳統企業和消費者創造的經營現金流。

因此，AI需求質量可以分成三層。

第一層是模型公司、AI雲廠商和數據中心運營商依靠股權、債務、租賃和項目融資擴張。

第二層是Coding、模型API、廣告優化、搜索和推薦等科技行業終端需求。

第三層才是銀行、保險、醫療、製造、零售、物流、財務和客服等非科技行業，用自己的經營現金流購買AI，並從真實業務流程中獲得回報。

只有第三層大規模啟動，AI資本周期才真正從"資本市場推動的供給擴張"轉變成"全行業生產活動創造的終端需求。"

這就是為什麼非Coding場景如此重要。

它不僅意味著多了一些AI收入，還意味著AI需求的資金來源開始從模型公司融資和科技企業資本開支，擴散到整個經濟體系的運營預算。

十一、沒有一個清晰的"第二個Coding"，並不意味著AI不行

AI作為一種通用目的技術，本來就不一定需要依靠一個單一應用完成商業化。

個人電腦並不是依靠一款軟件改變世界，互聯網也不是只依靠搜索，雲計算更不是只服務一種業務。

AI最終的價值，很可能不是再產生一個孤立的超級應用，而是逐步成為所有軟件、數據、流程和交易的基礎執行層。

這裡有三個容易被忽略的變化。

第一，非Coding對應的預算池更大

Coding主要觸及軟件工程師和IT預算，非Coding Agent一旦開始完成真實業務，可以進入：企業軟件預算、人工成本預算、BPO和外包預算、諮詢和專業服務預算、銷售與營銷預算、理賠和欺詐損失預算、交易和佣金預算。

這會推動商業模式從按席位收費，逐漸轉向按使用量、按任務和按結果收費。

按席位收費的邏輯是給員工配一個工具、按結果收費的邏輯是AI已經完成了工作。兩者面對的市場規模完全不同。

第二，Vibe Coding正在成為非Coding工作流的鋪路技術

未來很多非技術員工不會認為自己是在"寫代碼"，但會通過自然語言生成：財務對賬工具、銷售儀表板、庫存預警系統、內部審批頁面、客戶數據清洗程序自動報告、合同檢查流程、部門專用Agent。

過去，這些長尾流程因為規模太小、需求太特殊，不值得企業專門採購SaaS或等待IT開發，只能長期依靠Excel、郵件和人工操作。

Coding Agent降低定制軟件成本後，大量非Coding流程第一次具備了被軟件化和Agent化的經濟條件。

所以，未來更可能發生的是Coding逐漸隱藏到所有非Coding業務流程的底層。

第三，消費者端的答案可能是Personal Action Agent

To C領域，消費者通常不會因為"節省人工成本"付費。真正的平台級機會更可能是擁有長期記憶、賬戶權限和交易能力的個人行動Agent。它可以讀取郵件、管理日程、比較航班和酒店、處理退貨、預約醫生、管理賬單、購買商品、協調家庭事務。

消費者AI下一場競爭的重點是誰能夠獲得用戶信任、賬戶權限和交易入口，並真正把事情做完。當然從支撐當前AI基礎設施投資的角度看，B端工作流Agent仍然比單一消費者應用更關鍵，因為企業需求更穩定、預算更大，也更容易形成持續的推理消費。

十二、時間差不等於邏輯錯誤，但足以造成估值和信用周期

未來大致可以分成三種路徑。

1、快速接棒

客服、財務、醫療行政、IT運維、保險理賠和法律合規在未來一兩年迅速進入生產環境。非Coding Agent消費加速，企業從席位收費轉向用量和結果收費，AI需求進一步擴散到傳統行業。

企業收入增長開始快於員工和費用增長，雲廠商自由現金流觸底，AI資本回報得到確認。

在這種情景下，當前資本開支大體可以被未來需求消化，市場會從上游硬件繼續向平台、軟件和AI採用者擴散。

2、基準情景：方向正確，但中間反復

非Coding需求持續增長，但企業部署、系統整合和組織重構需要兩到四年。

Coding仍然增長，卻逐漸減速；非Coding從低基數高速增長，但暫時不足以完全接棒；與此同時，資本開支、折舊和利息繼續上升。市場會周期性懷疑AI回報率，引發半導體、數據中心和高資本強度公司的估值壓縮。

隨後，每當企業工作流、用量和生產率數據改善，AI資產又會重新上漲。這可能是最現實的路徑：長期邏輯沒有破壞，但資本市場的耐心比企業組織改造的周期更短。

AI行情因此未必是一條連續上升的直線，而更可能不斷經歷：

資本開支擴張

→ROI質疑

→需求數據改善

→再次擴張

→再次等待利潤兌現。

3、慢速接棒，甚至出現資本出清

如果模型能力提升放緩，非Coding任務長期需要大量人工監督，企業始終不願意讓Agent接入核心系統，同時模型價格競爭加劇、單位收入下降，資本回報就會惡化。

即使AI長期仍然有巨大價值，某一輪資本開支也可能無法獲得合理回報。

技術方向正確，從來不意味著每一筆投資、每一家企業和每一種融資結構都能成功。

個人傾向於認為未來處於基準情景到快速接棒之間

十三、接下來真正應該跟蹤什麼：六個觀察指標和三個交叉點

判斷非Coding需求是否正在接棒，不能只看註冊Agent數量、模型參數、token增長和資本開支。

1、更重要的是觀察以下指標。

1）活躍Agent，而不是註冊Agent

需要關注月活Agent、持續運行時間、自主任務數量和生產環境占比。

資產清單只能證明企業開始治理，不能證明Agent正在工作。

2）Agent是否真正執行系統動作

關鍵不是生成了多少回答，而是調用了多少工具、寫回了多少ERP和CRM記錄、發起了多少退款、處理了多少發票和關閉了多少工單。

3）自主完成率和人工轉接率

有多少任務不需要人類介入即可結束？異常情況占比是否持續下降？

這是Agent能否從助手變成勞動力的核心指標。

4）從席位收入轉向消費和結果收入

M365 Copilot的席位擴張仍然重要，但更有含金量的是客服、財務、供應鏈和醫療場景的用量增長，以及按處理結果收費的收入。

5）Foundry收入的絕對規模和客戶結構

不僅要看增長率，還要看多少收入來自非Coding生產負載，多少來自少數超大客戶，多少客戶正在從PoC轉向持續生產。

6）企業是否真正收割生產率

需要觀察：收入增長是否快於員工增長、後台人員招聘是否放緩、外包費用是否下降、SG&A率是否改善、單位業務成本是否降低；

7）雲廠商AI增量利潤能否覆蓋資本成本

最終需要回答：

AI增量毛利潤＋現有業務增收＋客戶成本節約，能否覆蓋推理成本、折舊、能源、利息和設備替換？

這才是當前數萬億美元AI基礎設施投資最終必須通過的「單元測試」。

2、三個交叉點

第一個交叉點，是Coding增速與非Coding增速的交叉。

Coding即使繼續增長，只要增速逐步放緩，非Coding就必須以更快速度接棒，才能維持AI應用層總體增長斜率。

第二個交叉點，是AI收入與AI折舊、能源和利息的交叉。

只有AI增量毛利潤持續快於基礎設施成本，資本回報率才能改善。

第三個交叉點，是企業時間節約與企業利潤的交叉。

只有當AI使收入增長快於員工和費用增長，生產率故事才真正進入財務報表。

結論

市場尋找的不是第二款應用，而是第二個需求引擎

接近的是客服與語音Agent，更大的答案，是財務、醫療、法律、保險、銷售、採購、IT運維和供應鏈組成的企業工作流Agent。

C端最有可能形成平台級價值的，則是擁有長期記憶、帳戶權限和交易能力的Personal Action Agent。

AI科學發展是未來長期更重要場景。

所以結論總結下來：

AI的第二增長引擎很可能不會表現為一款整齊的「第二個Coding」，而會表現為數百條業務流程同時從人工操作轉向AI執行。

因此，沒有一款新的超級應用突然出現，不等於AI不行了。AI仍然可以通過廣泛、漸進的生產率改善創造巨大經濟價值。

但對於當前資本市場而言，僅僅證明「很多人正在使用AI」已經不夠。接下來必須證明：

AI能夠完成真實工作、企業願意按使用量和結果付費、非科技行業能夠形成持續的終端需求、生產率改善能夠進入利潤率和自由現金流、新增毛利潤最終能夠覆蓋折舊、能源、利息和設備更新。

所以，當前AI投資邏輯的核心矛盾並不是「有沒有未來」，而是：

資本開支和債務已經到來，coding從預期差成為共識，非Coding收入和全要素生產率開始在路上。

Coding已經完成了第一棒；

客服、醫療、財務、銷售、供應鏈和個人Agent正在接第二棒。

下一波驅動力在於：這些分散場景能否在第一棒明顯減速之前，匯聚成足夠大的收入、現金流和生產率。

這就是AI應用層當前最關鍵的時間差。

如前面聊到個人傾向於基準情景到快速接棒之間，但市場可能會在看到新的證據前會懷疑和擔心，也是市場波動來源。

市場會越來越區分：

誰擁有真實終端需求，誰只是產業鏈內部訂單；

誰能形成自由現金流，誰只能形成收入；

誰能從勞動力和交易預算中收費，誰仍然依賴低價Token競爭。

本內容僅供參考，不構成任何金融、投資、法律或稅務建議。文中提及的任何活動、獎勵、線上活動或相關資訊，不應被視為對購買、出售或交易任何加密資產的推薦、招攬或邀請。加密資產具有高波動性，存在價值損失風險。WEEX服務、產品及相關活動的可用性可能因地區而異。用戶在參與前有責任確保符合當地適用法律法規。