作者：qinbafrank

過去兩年，AI 產業最成功的應用敘事毫無疑問是 Coding。

從最早的程式碼補全，到自動產生測試、修復 Bug、遷移程式碼庫，再到今天能夠讀取整個專案、呼叫終端、執行測試、持續修改並提交程式碼的 Coding Agent，AI 第一次證明了：它不只是一個會聊天、會產生內容的工具，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 能不能寫程式碼，而是爭論它最終可以涵蓋多少開發者、取代多少軟體工程工作、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 會寫程式碼」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，今天持續攀升的資料中心、GPU、網路、電力投資，以及隨之擴張的企業債務，未來究竟靠什麼收入、自由現金流和生產力提升來支撐？AI 能不能賺錢，巨大資本開支能不能收回來，ROIC 算得過來嗎？

第二個問題在2 季度財報季裡已經能對雲端廠商 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：第一成長引擎已經迅速成為共識，第二成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 不僅可以改變軟體開發，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 並不是因為程式設計師更喜歡嘗試新工具，才率先成為 AI 大場景。

它能夠最先跑出來，是因為程式碼任務幾乎同時具備了 AI 商業化最需要的全部條件。

首先，程式碼、日誌、API、文件和報錯資訊已經完全數位化。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本資料整理。

其次，程式碼結果高度可驗證。

一段程式碼能不能編譯、測試是否通過、介面是否正確回傳、頁面能不能執行、效能有沒有下降，通常很快就能得到回饋。AI 即使第一次寫錯，也可以執行、觀察、修正，再執行，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，軟體開發過程可以被拆解成相對清晰的步驟：

讀取程式碼庫、理解需求、修改檔案、執行測試、分析報錯、繼續修改、產生提交記錄。這個流程天生適合 Agent 持續執行。

第四，程式設計師人工成本高。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取代工程師，只要能夠完成測試產生、SQL 編寫、程式碼解釋、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、資料接取和組織調整。

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「下一個 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 世界的結構與軟體開發完全不同。

全世界程式設計師使用的程式碼庫、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、理賠和反詐欺 Agent；醫院需要病歷、編碼、預先授權和患者分流 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、對帳、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、後台營運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體開發預算。

因此，AI 的第二成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「下一個 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、整合和治理成本。

按照這個標準，最接近 Coding 結構的，並不是策略、創意或企業管理，而是那些數位化程度高、有明確 SOP、有量化指標、允許人工兜底，並且 AI 可以真正呼叫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、身分認證、工單系統和明確的成功標準。

一個客服 Agent 是否創造價值，可以直接透過首次解決率、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 已經不僅能在聊天視窗回答問題，還可以進入電話預約、退款、改簽、催收、銷售篩選、飯店服務、醫療櫃檯和保險諮詢。

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、驗證身分、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 才從語音助理升級為業務 Agent。

2、IT 維運和網路安全：技術部門內的第二條主線

IT 維運和安全與 Coding 一樣，擁有大量機器可讀資料：

日誌、告警、設定檔、網路拓撲、漏洞資訊、權限系統和執行手冊。

AI 可以從解釋告警，逐步走向定位故障、呼叫診斷工具、執行 Runbook、驗證服務恢復、產生事故報告，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

財務流程通常文件密集、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、應付帳款、應收帳款、費用審核、銀行對帳、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、財務外包和後台營運工作。

4、醫療行政、法律、保險和合規

這些領域人工成本高、文字和文件密集、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、預先授權、預約、患者分流和理賠材料處理。

法律 AI 最先進入檢索、合約審閱、盡職調查、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、反詐欺和催收。

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複核和最終簽字。

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，回饋週期也可能長達數週或數月。

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「下一個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、軟體公司、系統整合商和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，也沒有揭露多少客戶屬於試驗、多少已經進入生產，更沒有揭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中摘要郵件，在Teams中生成會議紀錄，在Word中撰寫文件，在PowerPoint中生成簡報，在Excel中分析數據，在企業知識庫中搜尋資訊。

這意味著，企業已經不再只為程式設計師購買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的身分、權限、安全和稽核控制平面。

它負責發現和登記Agent，管理Agent可以存取哪些數據、調用哪些工具、執行哪些動作，並追蹤Agent的生命週期和合規紀錄。

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分、權限、安全與稽核治理。

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進入軟體工程，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、文件、表格、研究、企業搜尋和內容生成。

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、更新紀錄和處理異常。

例如一個退款Agent，不只是告訴客服「客戶符合退款條件」，而是完成身分驗證、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，回款週期縮短，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、可稽核的證據。

微軟揭露的一些案例已經展示了方向：合約附件處理從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、成交週期縮短，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，電腦和數學相關任務仍佔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佔比已經從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和系統操作合計佔接近75%。與此同時，招募、銷售、政策和企業溝通中，約四分之一到三分之一的Agent訊息已經涉及系統或Agent操作。

自2026年2月以來，OpenAI企業客戶中，法律部門的Codex週活用戶增長108倍，銷售和招募分別增長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、比較航班和飯店、預約醫生、管理帳單、處理退貨、購買商品、規劃旅行、填寫表單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，擁有經過授權的帳戶和工具，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。使用者是否願意讓 AI 讀取郵件、存取銀行帳戶、使用信用卡、處理醫療資訊或者代表自己完成交易，將決定這個市場的擴張速度。

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體」；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人化 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排程環節。Moderna 在官方部落格中明確稱其為「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、快速個人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 驅動的個人化新抗原預測 + mRNA 平台，可在大型隨機 III 期試驗中針對高風險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 科學發現則把智慧用於生產新的知識，而新的知識會進一步變成：新藥、新材料、新能源、新晶片、新機器人、新量子元件、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

→ 新元件、新機器人和新產業出現

→ 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：提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、甚至比企業工作流程 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、資料中心、電力、網路、土地和冷卻設施需要提前建設。雲端廠商如果等到需求完全確認後再投入，可能已經來不及取得產能和客戶。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，但具體專案週期差異很大。

第二個時鐘：產品收入時鐘

雲端算力、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端廠商的時間差，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：企業工作流程利潤時鐘

要讓 AI 真正進入損益表，企業必須完成資料治理、權限開放、系統整合、流程重構、人員培訓和組織調整。

節省出來的時間，還必須轉化為減少招聘人力、減少外包、提高業務量、縮短交付週期、增加轉換率或降低錯誤損失。

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。

美國非農商業部門第二季勞動生產力年增 2.2%，單位勞動成本年增 1.4%。這是正面現象，但勞動生產力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 資本週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存續期錯配

今天的 AI 需求並不是假的：雲端收入、模型呼叫、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，Google 的 Cloud 業務高速增長，但單季資本開支已經超過經營現金流，自由現金流轉負；Amazon 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；Microsoft 的經營現金流和商業訂單品質相對更強，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。

這些公司的統計週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 增量毛利潤、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

→購買雲端算力和 GPU

→雲端廠商收入增長

→雲端廠商繼續建設資料中心

→晶片、光通訊、電力和資料中心企業擴產

→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 需求品質可以分成三層。

第一層是模型公司、AI 雲端廠商和資料中心營運商依靠股權、債務、租賃和專案融資擴張。

第二層是 Coding、模型 API、廣告最佳化、搜尋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 資本週期才真正從「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營運預算。

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體改變世界，網際網路也不是只依靠搜尋，雲端運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體、資料、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 主要觸及軟體工程師和 IT 預算，非 Coding Agent 一旦開始完成真實業務，可以進入：企業軟體預算、人工成本預算、BPO 和外包預算、諮詢和專業服務預算、銷售與行銷預算、理賠和詐欺損失預算、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 工作流程的鋪路技術

未來很多非技術員工不會認為自己是在「寫程式碼」，但會透過自然語言生成：財務對帳工具、銷售儀表板、庫存預警系統、內部審批頁面、客戶數據清洗程式自動報告、合約檢查流程、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 降低定製軟體成本後，大量非 Coding 流程第一次具備了被軟體化和 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、帳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、管理帳單、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、帳戶權限和交易入口，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論消費。

十二、時間差不等於邏輯錯誤，但足以造成估值和信用週期

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，市場會從上游硬體繼續向平台、軟體和 AI 採用者擴散。

2、基準情景：方向正確，但中間反覆

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。市場會週期性懷疑 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週期更短。

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、接下來真正應該追蹤什麼：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，能否覆蓋推論成本、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。

Garrett Jin 向 Binance 存入逾2.5億美元以太坊

熱門文章