过去一年，AI 行业发生了一个很有意思的变化：Coding 成了大模型商业化最快、最清晰、最有支付意愿的场景之一。

更戏剧性的是，Anthropic 这个一开始并不以商业进攻见长的公司，靠 Claude 在代码场景里的强势表现，迅速抢到了企业和开发者心智。根据 Ramp AI Index 的企业支出数据，2026 年 4 月，Anthropic 在美国企业 AI 采用率上首次超过 OpenAI。这个变化当然不能简单理解为“Anthropic 全面超过 OpenAI”，但至少说明一件事：AI Coding 这个场景，正在重塑大模型公司的竞争格局。

事后看，这件事似乎很合理；但如果把时间倒回 ChatGPT 刚爆发的时候，几乎没有多少人能提前判断：大模型的第一个超级商业场景，竟然不是搜索、办公、教育、内容创作，而是写代码。

那么问题来了：为什么偏偏是 Coding？

我认为要从三个维度理解：技术、数据、商业。

一、技术层面：代码是最接近自然语言的机器语言

大模型最擅长的是什么？

不是“思考”本身，而是处理和生成序列。自然语言是序列，代码也是序列。更关键的是，代码虽然是技术语言，但它仍然高度接近自然语言。

变量名、函数名、注释、文档、报错信息、README、issue、commit message，这些东西共同构成了一个巨大的“语言环境”。程序员写代码，本质上不是只在写符号，而是在用一种结构化语言表达意图。

这就让 Coding 成了大模型能力迁移最顺滑的场景之一。

从 ChatGPT 到 Copilot，再到 Cursor、Claude Code、Codex，这条路径几乎没有断层。用户用自然语言描述需求，模型把需求转成代码；用户把报错贴进去，模型解释原因并给出修复；用户让它读项目结构，模型可以根据上下文修改多个文件。

这就是 AI Coding 的 Aha Moment：

自然语言第一次可以直接驱动机器行为。

相比图片、音频、视频这些多模态场景，Coding 更贴近 LLM 的原生能力。多模态当然也会很大，但它需要更多感知、生成、时序理解和物理世界常识的突破。而 Coding 的第一阶段爆发，不需要等这些全部成熟。

Transformer 的注意力机制也天然适合代码任务。代码里充满了引用、依赖、上下文、局部模式和长程结构：一个变量在哪里定义，一个函数在哪里调用，一个接口如何被实现，一个 bug 可能来自哪一层抽象。注意力机制擅长在上下文中建立关联，这正好击中了代码工作的核心。

所以，AI Coding 不是偶然爆发，而是大模型能力边界内最先成熟的场景。

二、数据层面：代码是互联网时代最优质的训练资产之一

AI Coding 的第二个关键，是数据。

过去二十多年，开源文化为大模型留下了一座金矿。GitHub 上有海量公开代码，覆盖几乎所有主流语言、框架和应用场景。这些代码不是孤立存在的，它们往往伴随着 README、注释、提交记录、issue、PR、测试用例和技术讨论。

这意味着模型学到的不只是“怎么写一段代码”，而是完整的软件工程语境：

需求如何被拆解，

bug 如何被定位，

代码如何被重构，

接口如何被设计，

项目如何演进。

更重要的是，代码数据的质量分层非常明显。优秀开源项目里有大量高质量代码，它们往往具备一些共同特征：命名清晰、抽象合理、结构稳定、边界明确、可维护性强。这些特征并非玄学，而是可以被模型在大规模样本中学习到的模式。

另外，Stack Overflow、官方文档、技术博客、教程和论坛，又提供了大量“问题-解释-答案”的辅助数据。这让模型不仅能写代码，还能解释代码、修复报错、回答概念问题。

但真正让 Coding 与其他场景拉开差距的，是反馈机制。

代码能不能运行，很多时候可以快速判断。编译是否通过，测试是否成功，lint 是否报错，CI 是否失败，接口返回是否符合预期，这些都是清晰、低成本、可自动化的反馈信号。

这点极其重要。

很多 AI 场景的问题，不在于没有数据，而在于很难判断什么是好结果。比如战略判断、品牌审美、组织管理、心理咨询、复杂法律分析，都无法简单用“对/错”来训练。它们需要复杂的人类判断和激励机制。

而代码不同。它至少有一部分结果可以被机器快速验证。

这让 AI Coding 形成了一个非常强的训练闭环：

生成代码，运行代码，发现错误，修复错误，再次验证。

这也是为什么代码场景从“辅助补全”进化到“Agent 自动改项目”的速度会这么快。

三、商业层面：程序员时间贵，提效价值清楚

最后是商业。

AI Coding 能爆发，不只是因为技术可行，还因为它的商业模型太顺了。

软件工程师是全球范围内最贵、最稀缺的知识工作者之一。写代码需要理解力、抽象能力、经验积累和系统思维，本来就是高门槛技能。企业长期面临一个问题：软件需求无限，但工程资源永远不够。

所以，只要 AI 能让程序员效率提升 10%、20%、30%，企业就愿意付费。这个账太好算了。

更重要的是，AI Coding 的付费方式非常自然：按席位订阅，按使用量扩展，高级用户付更高价格。Cursor、GitHub Copilot、Claude Code 等产品都已经证明，开发者和企业愿意为这类工具持续付费。

这和很多 AI 应用不同。

有些 AI 产品需要教育市场，让用户理解为什么要用、怎么用、值不值得付钱。但 Coding 不需要太多市场教育。程序员一试就知道有没有用，老板一算就知道能不能买。

所以 Coding 同时满足了三个条件：

技术上，LLM 原生适配；

数据上，训练材料充足且反馈明确；

商业上，用户贵、痛点强、付费自然。

这就是它突然爆发的底层原因。

那么，下一个类似 AI Coding 的场景是什么？

我不认为答案会是一个非常宽泛的“AI Agent”，因为 Agent 是技术形态，不是具体场景。真正值得问的是：哪个场景会像 Coding 一样，同时满足技术、数据、商业三个条件？

这三个条件不会变：

第一，优先还是文本和结构化信息场景。

因为它最贴近 LLM 的原生能力，技术成熟度最高。

第二，要有大量高质量数据。

而且这些数据不仅能训练模型，还能帮助模型理解真实工作流。

第三，结果要能被验证。

如果无法判断好坏，就很难形成快速迭代和规模化交付。

第四，市场空间足够大，且客户愿意付费。

AI 必须进入高价值岗位或高频工作流，才可能成为大生意。

按这个标准看，我认为下一个最接近 AI Coding 爆发的方向，可能不是单纯的内容生成，而是：

AI 技术咨询 / 企业 AI 落地 / 经营分析型 Agent。

这个方向的本质，不是“AI 帮你写一份报告”，而是“AI 帮企业把复杂问题拆解成可执行方案”。

它和 Coding 有很多相似之处。

企业咨询本身就是高度文本化的工作：访谈纪要、行业研究、财务数据、流程文档、竞品分析、战略报告、实施方案，全部都是语言和结构化信息。咨询行业也积累了大量高质量方法论和案例：市场进入、成本优化、组织调整、数字化转型、供应链优化、商业尽调、AI 转型。

更关键的是，咨询的商业价值非常高。企业愿意为“帮我提高效率、降低成本、找到增长、完成转型”付大钱。OpenAI 推出企业部署和咨询相关业务，Anthropic 与 Accenture、Deloitte、PwC、Cognizant 等咨询和服务公司合作，本质上都指向同一个方向：大模型公司正在从卖 API，走向帮企业完成 AI 改造。

不过，AI 咨询要复制 Coding 的爆发，还需要解决一个问题：反馈机制不如代码清晰。

代码能不能跑，马上知道。

咨询方案有没有用，可能要几个月甚至几年才知道。

所以我更倾向于认为，最先爆发的不会是“纯战略咨询”，而是更靠近数据和执行的咨询场景