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，