作者：qinbafrank

过去两年，AI产业最成功的应用叙事毫无疑问是Coding。

从最早的代码补全，到自动生成测试、修复Bug、迁移代码库，再到今天能够读取整个项目、调用终端、运行测试、持续修改并提交代码的Coding Agent，AI第一次证明了：它不只是一个会聊天、会生成内容的工具，而是可以进入真实生产环境，完成企业愿意付费、结果可以验证、价值能够量化的工作。

但问题也恰恰出在这里。

Coding Agent已经从过去的“预期差”，逐渐变成市场共识。市场不再争论AI能不能写代码，而是争论它最终可以覆盖多少开发者、替代多少软件工程工作、形成多大的收入规模。

这意味着，Coding的基本面空间虽然依然很大，仅靠“AI会写代码”这个故事，却越来越难继续支撑整个AI产业链不断扩张的估值。

市场接下来真正关心两个问题：

1）除了Coding之外，还有没有第二个足够大的AI应用场景？

2）以及更尖锐的问题：如果迟迟没有新的应用场景接棒，今天持续攀升的数据中心、GPU、网络、电力投资，以及随之扩张的企业债务，未来究竟靠什么收入、自由现金流和生产率提升来支撑？AI能不能赚钱，巨大资本开支能不能收回来，ROIC算的过来么？

第二个问题在2季度财报季里已经能对云厂商ROIC有了初步模型。核心还是第一个问题

这个问题并不是在质疑AI有没有用。

真正的矛盾是：第一增长引擎已经迅速成为共识，第二增长引擎却可能需要更长时间才能进入收入、利润和现金流。这就是当前AI应用最重要的“时间差”。

下一轮定价需要证明的是：AI不仅可以改变软件开发，还可以接管更广泛的经济活动。

一、Coding为什么成为AI第一个杀手级应用

Coding并不是因为程序员更喜欢尝试新工具，才率先成为AI大场景。

它能够最先跑出来，是因为代码任务几乎同时具备了AI商业化最需要的全部条件。

首先，代码、日志、API、文档和报错信息已经完全数字化。AI不需要理解复杂的物理世界，也不需要等待企业先完成几十年的纸质数据整理。

其次，代码结果高度可验证。

一段代码能不能编译、测试是否通过、接口是否正确返回、页面能不能运行、性能有没有下降，通常很快就能得到反馈。AI即使第一次写错，也可以运行、观察、修正，再运行，形成闭环。

换句话说，Coding天然拥有其他行业普遍缺少的“单元测试”。

第三，软件开发过程可以被拆解成相对清晰的步骤：

读取代码库、理解需求、修改文件、运行测试、分析报错、继续修改、生成提交记录。这个流程天生适合Agent持续执行。

第四，程序员人工成本高。AI只要节省10%至20%的开发时间，企业就很容易算出ROI。

第五，部分正确也能创造价值。AI不需要一开始就完全替代工程师，只要能够完成测试生成、SQL编写、代码解释、前端修改、API迁移等局部任务，就已经值得付费。

最后，Coding工具可以自下而上扩散。工程师个人就可以订阅、安装和使用，不需要企业先完成漫长的采购、合规、数据接入和组织调整。

因此，Coding成为了第一款同时实现产品成熟、预算明确、效果可验证、高频使用和商业化闭环的AI应用。

相关企业应用支出材料也显示，Coding已经是目前最大的单一部门级AI应用，但横向Copilot、通用助手、垂直行业AI和消费者AI合计规模仍然高于Coding。因此，可以说Coding是商业化最成熟、使用强度最高、最容易量化价值的单一AI工作负载。但要明确coding不是AI全部需求的总和。

二、市场寻找“下一个Coding”，可能从一开始就问错了问题

很多人想象中的下一场景，是再出现一款像Coding Agent一样边界清晰、增速极快、收入规模巨大、能够被资本市场迅速识别的产品。

但非Coding世界的结构与软件开发完全不同。

全世界程序员使用的代码库、IDE、版本控制、测试和部署方式具有很强共性，因此Coding可以被定义成一个相对统一的大市场。

可是非Coding工作高度碎片化。

银行需要的是信贷、KYC和反洗钱Agent；保险公司需要核保、理赔和反欺诈Agent；医院需要病历、编码、预授权和患者分流Agent；制造企业需要质检、采购、排产和设备维护Agent；零售企业需要客服、库存和补货Agent；财务部门需要发票、对账、关账和催收Agent。

单独看，每一个场景可能都不如Coding集中。

但把它们加在一起，对应的是整个服务业、知识工作体系、后台运营体系和专业服务体系，其劳动力预算、外包预算和交易预算远远大于软件开发预算。

因此，AI的第二增长引擎大概率不会表现为：一款产品突然成为“第二个Coding”。更可能表现为：数十个行业、数百条业务流程同时进入Agent化，最终在总量上超过Coding。

AI革命的下一阶段可能是一场分散发生的流程革命，而非单一的超级应用；

三、哪些场景最接近“下一个Coding”

判断一个场景能不能快速被AI改造，可以使用一个简单框架：

AI商业价值≈任务频率×人工成本×可自动化比例×可验证性×系统执行能力－错误、集成和治理成本。

按照这个标准，最接近Coding结构的，并不是战略、创意或企业管理，而是那些数字化程度高、有明确SOP、有量化指标、允许人工兜底，并且AI可以真正调用系统执行动作的流程。

1、客服和语音Agent：最像第二个Coding的单一场景

客服拥有知识库、服务流程、身份认证、工单系统和明确的成功标准。

一个客服Agent是否创造价值，可以直接通过首次解决率、人工转接率、平均处理时长、重复来电率和客户满意度来评价。

随着语音模型进步，AI已经不仅能在聊天窗口回答问题，还可以进入电话预约、退款、改签、催收、销售筛选、酒店服务、医疗前台和保险咨询。

但语音本身不是商业模式。

真正的价值不在于AI能不能像人一样说话，而在于它能不能查询订单、验证身份、修改系统、发起退款、更新CRM并关闭工单。

只有完成这些动作，AI才从语音助手升级为业务Agent。

2、IT运维和网络安全：技术部门内的第二条主线

IT运维和安全与Coding一样，拥有大量机器可读数据：

日志、告警、配置文件、网络拓扑、漏洞信息、权限系统和运行手册。

AI可以从解释告警，逐步走向定位故障、调用诊断工具、执行Runbook、验证服务恢复、生成事故报告，并把高风险操作交给人类审批。

它的最大瓶颈不是模型能力，而是企业是否愿意把足够高的系统权限交给Agent。

3、财务、会计和采购：最容易被低估的大市场

财务流程通常文档密集、规则密集、重复性高，而且存在天然的验证机制。

金额能否匹配、借贷是否平衡、审批权限是否正确、三单是否一致、关账是否完成，都可以被检查。

因此，发票处理、应付账款、应收账款、费用审核、银行对账、采购寻源、月末关账、现金流预测和审计底稿，都非常适合Agent化。

这类应用未必会形成一个消费者熟悉的著名App，却可能吸收大量共享服务中心、财务外包和后台运营工作。

4、医疗行政、法律、保险和合规

这些领域人工成本高、文本和文档密集、流程相对标准化。

医疗AI当前最成熟的往往不是直接诊断，而是医疗文书、编码收费、预授权、预约、患者分流和理赔材料处理。

法律AI最先进入检索、合同审阅、尽调、诉讼材料整理和监管报告。

保险则天然适合材料读取、核保、理赔、反欺诈和催收。

它们的共同限制是错误成本高，因此很长时间内都会保留专业人员复核和最终签字。

5、供应链和制造：长期价值极大，落地节奏更慢

需求预测、库存补货、采购、排产、质检、设备维修和物流调度，对应的经济价值可能远远超过一般办公辅助。

但这些流程跨越多个部门和旧系统，部分结果发生在物理世界，反馈周期也可能长达数周或数月。

因此，供应链和制造有可能是长期最大的AI市场之一，却不会像Coding一样快速完成产品化和规模扩散。

所以，如果一定要给出一个答案：客服与语音Agent最接近“下一个Coding”；但真正能够在总量上超过Coding的，不会是客服一个场景，而是客服、财务、IT、医疗、法律、保险、采购和供应链等工作流的总和。

四、微软的三组数字，正好展示了非Coding扩散的三个阶段

这个时候我们就要去看财报了，微软FY2026第四季度披露的三组数据，为理解企业AI正在走到哪一步，提供了一张非常有价值的“X光片”：

1）Foundry客户达到10万，收入同比增长超过一倍；

2）Microsoft 365 Copilot付费席位超过3000万；

3）Agent 365上线后已有接近4000万个Agent被注册。

这三个数字都能支持“AI正在从Coding扩散到非Coding”，但它们的证据强度完全不同。

而且三组数字不能相加。

同一家大型企业可能既是一个Foundry客户，又购买数十万M365 Copilot席位，还在Agent 365中登记数千个Agent。本质上是同一家企业在“开发、使用、治理”三个层面被重复观察。

1、Foundry证明的是：企业正在“建”

Foundry不是终端应用，而是企业构建、部署和运行模型、应用与Agent的平台。

它服务的往往是企业IT团队、数据团队、AI平台部门、软件公司、系统集成商和AI原生企业。

企业可以在Foundry上完成模型选择、推理调用、RAG、企业数据连接、Agent编排、工具调用、评测、监控、安全和治理。

所以，10万客户和收入翻倍证明的是：

企业正在从使用通用聊天机器人，转向自己建设行业应用和业务Agent。

但Foundry同时承载Coding和非Coding场景，也没有披露多少客户属于试验、多少已经进入生产，更没有披露收入的绝对规模和场景结构。

因此，它是非Coding应用建设管线扩大的中上游证据，而不是终端非Coding收入已经全面爆发的充分证明。

2、M365 Copilot证明的是：非Coding员工已经在“用”

3000万不是3000万家企业，而是3000万个企业员工席位。

这些用户不仅包括开发人员，更主要包括财务、销售、HR、法务、医生、咨询师、银行员工、制造企业管理人员和普通行政人员。

他们在Outlook中总结邮件，在Teams中生成会议纪要，在Word中撰写文档，在PowerPoint中生成演示文稿，在Excel中分析数据，在企业知识库中搜索信息。

这意味着，企业已经不再只为程序员购买AI，而是在为大量普通知识工作者购买AI。

在三组数据中，M365 Copilot的3000万付费席位，是“AI从Coding扩散到非Coding”的最直接证据。

但它首先证明的是采用和付费，不等于企业已经完成了流程重构。

一个员工使用Copilot总结会议、修改邮件和查找资料，说明AI已经进入工作，但不代表企业已经减少人员、降低SG&A或提高自由现金流。

3、Agent 365证明的是：企业正在准备“管”

Agent 365更像是企业Agent的身份、权限、安全和审计控制平面。

它负责发现和登记Agent，管理Agent可以访问哪些数据、调用哪些工具、执行哪些动作，并追踪Agent的生命周期和合规记录。

所以，接近4000万个注册Agent并不意味着：

有4000万个Agent每天工作；

有4000万个独立付费单位；

有4000万个Agent持续消耗token；

有4000万个Agent已经进入生产；

有4000万个Agent正在创造收入。

它更接近企业内部的一份Agent资产清单。

其中可能包括测试Agent、个人Agent、部门Agent、已停用Agent、自动同步Agent和系统发现的“影子Agent”。

这个数字真正说明的是：企业内部Agent的数量和来源已经复杂到需要统一身份、权限、安全与审计治理。

这是重要的领先指标，但不是收入、活跃度和生产率指标。

因此，三组数据最合理的解释是：Foundry证明企业正在建，M365 Copilot证明员工正在用，Agent 365证明企业开始管。

其中M365 Copilot是直接证据，Foundry是有收入支撑的中上游证据，Agent 365则是架构和治理的领先指标。

五、企业AI现在究竟走到了哪一步

可以把AI应用扩散分成五个阶段。

第一阶段：Coding Agent

AI进入软件工程，完成补全、测试、修复、重构和部署。

这一阶段已经从试验走向规模化生产，也是目前最成熟的企业AI工作负载。

第二阶段：横向知识工作Copilot

AI进入邮件、会议、文档、表格、研究、企业搜索和内容生成。

M365 Copilot的3000万付费席位，主要证明这一阶段已经进入规模化采购。

第三阶段：部门级Agent

AI开始进入客服、销售、财务、采购、HR、法务、IT运维和安全部门。

这一阶段的核心变化是，AI不只是生成内容，而是开始调用企业数据和业务工具。

Foundry增长、Dynamics消费增长和大量行业案例，说明这一阶段正在形成。

第四阶段：端到端业务流程

Agent可以查询数据、调用系统、执行审批、发起退款、生成订单、更新记录和处理异常。

例如一个退款Agent，不只是告诉客服“客户符合退款条件”，而是完成身份验证、订单查询、政策判断、支付退款、CRM更新和客户通知。

当前只有部分领先企业和部分标准化流程进入这一阶段。

第五阶段：企业利润和宏观生产率

企业的收入增长开始持续快于员工增长，SG&A率下降，单位业务成本降低，回款周期缩短，现金转换改善。

最终，这些变化才会进入全要素生产率、GDP和宏观数据。

目前，企业AI已经大规模进入第二阶段，正在向第三阶段推进，少数领先客户进入第四阶段，但第五阶段仍然缺少广泛、连续、可审计的证据。

微软披露的一些案例已经展示了方向：合同附件处理从30至45分钟压缩到约3分钟，HR证明流程从三天缩短到120秒，销售试点组人均收入提高、成交周期缩短，客服用量型消费快速增长。

但这些仍然是精选案例，不能直接理解为全体企业的平均效果。

最关键的区分依然是：

业务流程里使用了AI，不等于AI已经完成了业务流程；员工节省了时间，也不等于企业已经增加了利润。

六 非Coding扩散已经发生，但仍然处在“广而不深”的阶段

从模型厂商的实际使用数据看，AI应用确实正在从Coding向其他职能扩散。

Anthropic的数据显示，计算机和数学相关任务仍占Claude.ai对话的约35%，Coding依然是最大的单一任务类别；但最常见的十大任务占比已经从2025年11月的24%下降至2026年2月的19%，说明使用场景正在分散。

OpenAI的企业数据也显示，写作仍然是ChatGPT中最常见的用途；在Agent型使用中，Coding和系统操作合计占接近75%。与此同时，招聘、销售、政策和企业沟通中，约四分之一到三分之一的Agent消息已经涉及系统或Agent操作。

自2026年2月以来，OpenAI企业客户中，法律部门的Codex周活用户增长108倍，销售和招聘分别增长41倍，营销增长26倍，而工程部门增长约5倍。由于非工程部门起点更低，这些倍数不能直接与工程部门比较，但方向非常明确：Agent型使用正在跨出技术部门。

不过，更具代表性的美国人口普查局数据提醒我们，企业AI还远没有完成深度渗透。

2025年末至2026年初，约18%的美国企业在至少一个业务职能中使用AI，按就业人数加权后约为32%。在采用AI的企业中，57%只把AI部署在三个或更少的职能中，65%只用于三个或更少的任务；66%的企业仍然只把AI用于增强员工，报告因AI减少就业的企业仅约2%。

这几组数据放在一起，可以得到一个非常准确的结论：

AI已经进入企业，但还没有普遍进入企业的成本结构。

它已经从试验走向采购，也从技术部门走向销售、财务、医疗和行政部门，但大多数企业仍停留在个人助手和局部Copilot阶段。

真正改变利润表的端到端工作流，只发生在一部分领先企业中。这就导致了非Coding市场的总空间很大，但产品标准化程度较低，扩张速度也更慢。因此，非Coding场景可能出现一种看起来矛盾的状态：总市场远大于Coding，但任何一家公司的增长曲线，都不一定像Coding产品那样整齐。

七 To C下一场最大的机会：个人行动Agent

消费者端最有可能形成平台级价值的方向，不是单纯的聊天，而是Personal Action Agent，也就是能够替用户真正完成任务的个人行动Agent。

它可能读取邮件、识别待办、安排行程、比较航班和酒店、预约医生、管理账单、处理退货、购买商品、规划旅行、填写表格和协调家庭成员时间。

当前大部分AI仍然处于“告诉你怎么做”。

真正的下一阶段是：AI知道你的偏好，拥有经过授权的账户和工具，并且能够替你把事情做完。

这一场景的潜在商业模式也比普通订阅更丰富：交易佣金、支付收入、广告、推荐费用、金融服务收入和会员费。

但C端行动Agent面临比Coding更高的信任门槛。用户是否愿意让AI读取邮件、访问银行账户、使用信用卡、处理医疗信息或者代表自己完成交易，将决定这一市场的扩张速度。

因此，个人行动Agent可能是To C最大的长期机会，但不一定是短期内最容易大规模兑现的场景。

八 未来更重要的场景：AI科学发现

AI科学发现很可能是AI革命下一阶段最重要、也最具长期乘数效应的突破之一。Coding解决的是“如何更高效地生产软件”；企业Agent解决的是“如何更高效地完成现有业务”；AI科学发现试图解决的是：如何更高效地生产新的知识、新的技术和新的可能性。这不是普通意义上的一个AI应用，而是把AI嵌入了技术进步本身的生产函数。

本周就有一个案例出来：Moderna与默沙东联合开发的个性化mRNA癌症疫苗intismeran autogene（曾用名mRNA-4157或V940）在黑色素瘤辅助治疗III期试验中取得积极结果。AI在这一过程中效果显著，主要体现在新抗原选择与制造调度环节。Moderna在官方博客中明确称其为“A Testament to the Power of AI”，指出AI帮助在“一人一药”的复杂性中实现速度与精准。没有这类计算工具，规模化、快速个性化选择高免疫原性新抗原几乎不可行，AI在此是核心赋能技术。

它证明了AI/ML驱动的个性化新抗原预测 + mRNA平台，可在大型随机III期试验中针对高危实体瘤实现有意义的临床获益，并首次超越现有标准治疗（Keytruda单药）。这验证了“计算生物学 + 精准免疫”路径的可行性，尤其在高突变负荷肿瘤中。

AI科学发现则把智能用于生产新的知识，而新的知识会进一步变成：新药、新材料、新能源、新芯片、新机器人、新量子器件、新的工业生产方式，它的影响是乘数式的。最值得关注的长期路径是：

AI生成科学假设

→ 模拟和计算筛选

→ 自动化实验室验证

→ 新药和新材料形成

→ 新器件、新机器人和新产业出现

→ 新产业又产生更多数据、算力和科研需求。

这可能把AI从“提高现有经济效率的工具”，提升为：高整个社会技术进步速度的技术。

当然需要区分两个问题：

从文明和长期经济价值看，AI科学发现可能比下一个消费级应用、甚至比企业工作流Agent更重要；

从未来一两年的收入、自由现金流和AI CapEx消化能力看，它却未必比客服Agent、企业Copilot和Coding更快兑现。

九、AI存在四个完全不同的时钟

AI应用的时间差，来源于四个时钟运行速度完全不同。

第一个时钟：资本开支时钟

这个时钟启动得最快。GPU、数据中心、电力、网络、土地和冷却设施需要提前建设。云厂商如果等到需求完全确认后再投入，可能已经来不及获得产能和客户。之前这里有聊过https://x.com/qinbafrank/status/2086749504129372432?s=20

因此，资本开支、融资、利息、租赁承诺和折旧往往最先发生。

分析上可以把这个阶段理解为立即到18个月，但具体项目周期差异很大。

第二个时钟：产品收入时钟

云算力、模型API、Coding Agent和通用Copilot可以较快收费，通常在资本投入之后数个季度开始形成收入。这一阶段可能需要大约6至24个月。这一点主要是模型厂商和云厂商的时间差，之前这里https://x.com/qinbafrank/status/2081226811514753045有聊过：现金先支付（资本开支钱先花出去）、产能后上线、订单再转收入、利润与自由现金流最后兑现”的模式，先花钱再看赚钱的效率和速度，

第三个时钟：企业工作流利润时钟

要让AI真正进入利润表，企业必须完成数据治理、权限开放、系统集成、流程重构、人员培训和组织调整。

节省出来的时间，还必须转化为少招聘人、减少外包、提高业务量、缩短交付周期、增加转化率或降低错误损失。

这一过程可能需要18至48个月，复杂行业甚至更久。

第四个时钟：宏观生产率时钟

只有当AI扩散到足够多的企业、工作流程和行业，并完成组织与资本重构后，贡献才可能明显进入全要素生产率和GDP数据。

美国非农商业部门二季度劳动生产率同比增长2.2%，单位劳动成本同比增长1.4%。这是积极现象，但劳动生产率并不等于全要素生产率，也不能把当前生产率增长全部归因于AI。这个过程通常以多年计，可能需要3至7年甚至更长。

这些时间不是精确预测，而是理解产业节奏的框架。

最重要的是：资本市场、债券市场和企业管理层的耐心，通常短于组织重构和宏观生产率兑现所需要的时间。

这就是AI资本周期最容易出现波动的根源。

十、真正的风险，是CapEx和终端现金流之间的久期错配

今天AI需求并不是假的：云收入、模型调用、Coding使用和Copilot采购都在增长。但需求增长与资本消耗可以同时成立。

按照材料中引用的FY2026口径，谷歌的Cloud业务高速增长，但单季度资本开支已经超过经营现金流，自由现金流转负；亚马逊的AWS保持较高增长，AI业务形成真实收入，但过去十二个月自由现金流也被AI设备投资明显压制；微软的经营现金流和商业订单质量相对更强，但季度资本开支仍然远高于自由现金流；Meta依靠广告业务持续补贴AI，但自由现金流缓冲同样显著收窄。

这些公司的统计周期和口径并不完全一致，不能机械横向比较，但方向非常一致：AI收入在增长，AI资本强度增长得更快。

因此，市场真正需要确认的不是AI有没有收入，而是：

AI增量毛利润、现有业务增收和成本节约，什么时候能够持续快于折旧、能源、利息、租赁和设备替换成本？

更深一层看，AI产业第一阶段的资金循环主要是：

模型公司融资

→购买云算力和GPU

→云厂商收入增长

→云厂商继续建设数据中心

→芯片、光通信、电力和数据中心企业扩产

→整个产业链继续融资。

这个循环可以维持很长时间，但其中相当一部分收入仍然来自资本市场融资形成的支出，而不是传统企业和消费者创造的经营现金流。

因此，AI需求质量可以分成三层。

第一层是模型公司、AI云厂商和数据中心运营商依靠股权、债务、租赁和项目融资扩张。

第二层是Coding、模型API、广告优化、搜索和推荐等科技行业终端需求。

第三层才是银行、保险、医疗、制造、零售、物流、财务和客服等非科技行业，用自己的经营现金流购买AI，并从真实业务流程中获得回报。

只有第三层大规模启动，AI资本周期才真正从“资本市场推动的供给扩张”转变成“全行业生产活动创造的终端需求。”

这就是为什么非Coding场景如此重要。

它不仅意味着多了一些AI收入，还意味着AI需求的资金来源开始从模型公司融资和科技企业资本开支，扩散到整个经济体系的运营预算。

十一、没有一个清晰的“第二个Coding”，并不意味着AI不行

AI作为一种通用目的技术，本来就不一定需要依靠一个单一应用完成商业化。

个人电脑并不是依靠一款软件改变世界，互联网也不是只依靠搜索，云计算更不是只服务一种业务。

AI最终的价值，很可能不是再产生一个孤立的超级应用，而是逐步成为所有软件、数据、流程和交易的基础执行层。

这里有三个容易被忽略的变化。

第一，非Coding对应的预算池更大

Coding主要触及软件工程师和IT预算，非Coding Agent一旦开始完成真实业务，可以进入：企业软件预算、人工成本预算、BPO和外包预算、咨询和专业服务预算、销售与营销预算、理赔和欺诈损失预算、交易和佣金预算。

这会推动商业模式从按席位收费，逐渐转向按使用量、按任务和按结果收费。

按席位收费的逻辑是给员工配一个工具、按结果收费的逻辑是AI已经完成了工作。两者面对的市场规模完全不同。

第二，Vibe Coding正在成为非Coding工作流的铺路技术

未来很多非技术员工不会认为自己是在“写代码”，但会通过自然语言生成：财务对账工具、销售仪表板、库存预警系统、内部审批页面、客户数据清洗程序自动报告、合同检查流程、部门专用Agent。

过去，这些长尾流程因为规模太小、需求太特殊，不值得企业专门采购SaaS或等待IT开发，只能长期依靠Excel、邮件和人工操作。

Coding Agent降低定制软件成本后，大量非Coding流程第一次具备了被软件化和Agent化的经济条件。

所以，未来更可能发生的是Coding逐渐隐藏到所有非Coding业务流程的底层。

第三，消费者端的答案可能是Personal Action Agent

To C领域，消费者通常不会因为“节省人工成本”付费。真正的平台级机会更可能是拥有长期记忆、账户权限和交易能力的个人行动Agent。它可以读取邮件、管理日程、比较航班和酒店、处理退货、预约医生、管理账单、购买商品、协调家庭事务。

消费者AI下一场竞争的重点是谁能够获得用户信任、账户权限和交易入口，并真正把事情做完。当然从支撑当前AI基础设施投资的角度看，B端工作流Agent仍然比单一消费者应用更关键，因为企业需求更稳定、预算更大，也更容易形成持续的推理消费。

十二、时间差不等于逻辑错误，但足以造成估值和信用周期

未来大致可以分成三种路径。

1、快速接棒

客服、财务、医疗行政、IT运维、保险理赔和法律合规在未来一两年迅速进入生产环境。非Coding Agent消费加速，企业从席位收费转向用量和结果收费，AI需求进一步扩散到传统行业。

企业收入增长开始快于员工和费用增长，云厂商自由现金流触底，AI资本回报得到确认。

在这种情景下，当前资本开支大体可以被未来需求消化，市场会从上游硬件继续向平台、软件和AI采用者扩散。

2、基准情景：方向正确，但中间反复

非Coding需求持续增长，但企业部署、系统整合和组织重构需要两到四年。

Coding仍然增长，却逐渐减速；非Coding从低基数高速增长，但暂时不足以完全接棒；与此同时，资本开支、折旧和利息继续上升。市场会周期性怀疑AI回报率，引发半导体、数据中心和高资本强度公司的估值压缩。

随后，每当企业工作流、用量和生产率数据改善，AI资产又会重新上涨。这可能是最现实的路径：长期逻辑没有破坏，但资本市场的耐心比企业组织改造的周期更短。

AI行情因此未必是一条连续上升的直线，而更可能不断经历：

资本开支扩张

→ROI质疑

→需求数据改善

→再次扩张

→再次等待利润兑现。

3、慢速接棒，甚至出现资本出清

如果模型能力提升放缓，非Coding任务长期需要大量人工监督，企业始终不愿意让Agent接入核心系统，同时模型价格竞争加剧、单位收入下降，资本回报就会恶化。

即使AI长期仍然有巨大价值，某一轮资本开支也可能无法获得合理回报。

技术方向正确，从来不意味着每一笔投资、每一家企业和每一种融资结构都能成功。

个人倾向于认为未来处于基准情景到快速接棒之间

十三、接下来真正应该跟踪什么：六个观察指标和三个交叉点

判断非Coding需求是否正在接棒，不能只看注册Agent数量、模型参数、token增长和资本开支。

1、更重要的是观察以下指标。

1）活跃Agent，而不是注册Agent

需要关注月活Agent、持续运行时间、自主任务数量和生产环境占比。

资产清单只能证明企业开始治理，不能证明Agent正在工作。

2）Agent是否真正执行系统动作

关键不是生成了多少回答，而是调用了多少工具、写回了多少ERP和CRM记录、发起了多少退款、处理了多少发票和关闭了多少工单。

3）自主完成率和人工转接率

有多少任务不需要人类介入即可结束？异常情况占比是否持续下降？

这是Agent能否从助手变成劳动力的核心指标。

4）从席位收入转向消费和结果收入

M365 Copilot的席位扩张仍然重要，但更有含金量的是客服、财务、供应链和医疗场景的用量增长，以及按处理结果收费的收入。

5）Foundry收入的绝对规模和客户结构

不仅要看增长率，还要看多少收入来自非Coding生产负载，多少来自少数超大客户，多少客户正在从PoC转向持续生产。

6）企业是否真正收割生产率

需要观察：收入增长是否快于员工增长、后台人员招聘是否放缓、外包费用是否下降、SG&A率是否改善、单位业务成本是否降低；

7）云厂商AI增量利润能否覆盖资本成本

最终需要回答：

AI增量毛利润＋现有业务增收＋客户成本节约，能否覆盖推理成本、折旧、能源、利息和设备替换？

这才是当前数万亿美元AI基础设施投资最终必须通过的“单元测试”。

2、三个交叉点

第一个交叉点，是Coding增速与非Coding增速的交叉。

Coding即使继续增长，只要增速逐步放缓，非Coding就必须以更快速度接棒，才能维持AI应用层总体增长斜率。

第二个交叉点，是AI收入与AI折旧、能源和利息的交叉。

只有AI增量毛利润持续快于基础设施成本，资本回报率才能改善。

第三个交叉点，是企业时间节约与企业利润的交叉。

只有当AI使收入增长快于员工和费用增长，生产率故事才真正进入财务报表。

结论

市场寻找的不是第二款应用，而是第二个需求引擎

接近的是客服与语音Agent，更大的答案，是财务、医疗、法律、保险、销售、采购、IT运维和供应链组成的企业工作流Agent。

C端最有可能形成平台级价值的，则是拥有长期记忆、账户权限和交易能力的Personal Action Agent。

AI科学发展是未来长期更重要场景。

所以结论总结下来：

AI的第二增长引擎很可能不会表现为一款整齐的“第二个Coding”，而会表现为数百条业务流程同时从人工操作转向AI执行。

因此，没有一款新的超级应用突然出现，不等于AI不行了。AI仍然可以通过广泛、渐进的生产率改善创造巨大经济价值。

但对于当前资本市场而言，仅仅证明“很多人正在使用AI”已经不够。接下来必须证明：

AI能够完成真实工作、企业愿意按使用量和结果付费、非科技行业能够形成持续的终端需求、生产率改善能够进入利润率和自由现金流、新增毛利润最终能够覆盖折旧、能源、利息和设备更新。

所以，当前AI投资逻辑的核心矛盾并不是“有没有未来”，而是：

资本开支和债务已经到来，coding从预期差成为共识，非Coding收入和全要素生产率开始在路上。

Coding已经完成了第一棒；

客服、医疗、财务、销售、供应链和个人Agent正在接第二棒。

下一波驱动力在于：这些分散场景能否在第一棒明显减速之前，汇聚成足够大的收入、现金流和生产率。

这就是AI应用层当前最关键的时间差。

如前面聊到个人倾向于基准情景到快速接棒之间，但市场可能会在看到新的证据前会怀疑和担心 ，也是市场波动来源。

市场会越来越区分：

谁拥有真实终端需求，谁只是产业链内部订单；

谁能形成自由现金流，谁只能形成收入；

谁能从劳动力和交易预算中收费，谁仍然依赖低价Token竞争。