代码不再是城墙，AI时代企业真正该沉淀什么

先把一句话说直：如果一个公司的核心资产仍然被定义为"我们写了多少代码"，这个定义已经过时了。

不是因为代码不重要。没有代码，产品当然跑不起来。但在 Claude Code、Codex、Cursor、CogGlance 这一类工具越来越强之后，代码更像是可被快速生产、快速替换、快速重构的中间产物。它仍然需要工程判断、测试和上线纪律，但它本身越来越难构成壁垒。

Stanford HAI 的 2025 AI Index 写得很清楚：2024 年，78% 的组织报告已经在使用 AI，高于前一年的 55%；在 SWE-bench 这类软件工程基准上，模型表现一年内大幅提升。Anthropic Economic Index 也显示，Claude 的实际使用集中在软件开发和技术写作等任务上；在其样本里，AI 使用更偏向增强人类能力，比例约为 57%，直接自动化约为 43%。这两个事实放在一起看，意思并不复杂：AI 已经进入企业日常，但它替代的首先是"可描述、可验证、可重复"的工作片段，而不是企业经营本身。

所以问题要换一个问法：当代码不再稀缺，什么才稀缺？

一、AI资产不是代码，而是可让AI持续做对事的系统

我更愿意把 AI 时代的企业资产分成七类。它们都不是单独的一段代码，但最后都会落在系统、流程、数据、权限和人的习惯里。

1. 业务上下文资产

AI 最怕的不是不会写，而是不知道为什么写。

企业内部真正值钱的上下文包括：客户是谁、为什么买、为什么流失、售前怎么承诺、客服怎么兜底、哪些需求不能做、哪些错误以前踩过、哪些合规边界不能碰、哪个渠道的用户更在意速度，哪个渠道更在意稳定。

这些东西通常散在飞书、Slack、CRM、客服系统、产品文档、销售录音、老板脑子里。过去它们只是"资料"。AI 时代，它们变成了模型能否做对事的燃料。

Simon Willison 在 2025 年讨论"context engineering"时引用过 Tobi Lutke 和 Andrej Karpathy 的说法。Tobi 认为这个词比 prompt engineering 更准确，因为它描述的是给 LLM 提供足够上下文，让任务变得可解。Karpathy 也说，工业级 LLM 应用的难点不是写一句提示词，而是把任务说明、示例、RAG 数据、工具、状态和历史放进合适的位置。

这句话对企业很刺耳：如果你的业务上下文仍然只能靠老员工口口相传，那你没有 AI 资产，你只有一群累坏的人。

2. 工作流资产

传统软件时代，企业会把流程写进系统：提交申请、审批、派单、验收、归档。AI 时代，流程不只是页面和按钮，而是"AI 在什么节点介入、读什么信息、调用什么工具、交给谁复核、失败后怎么回滚"。

这类资产很具体。比如一家 SaaS 公司，AI 不只是帮工程师写代码，而是可以参与从客户反馈到需求判断、原型、测试用例、灰度发布、客服话术更新的整条链路。真正的资产不是某个功能的代码，而是这条链路被结构化、可观测、可追责。

LangChain 在讨论多智能体系统时也提到，读类任务比写类任务更容易并行，因为写动作会带来隐含决策，多个写入动作冲突时结果会更糟。这句话放到企业里，就是一个非常现实的提醒：不要急着让一堆 Agent 到处改系统。先把读取、分析、总结、检索、校验做稳，再逐步放开写权限。

3. 评测资产

很多公司会说"我们用了 AI"，但问一句"怎么判断 AI 做得对不对"，会议室就安静了。

评测资产包括标准答案、坏案例库、回归测试集、人工审核准则、不同模型在不同任务上的表现记录、成本和延迟数据。它不像产品功能那样显眼，但它决定 AI 能不能从演示走向生产。

对 SaaS 企业尤其如此。客服回复错一句，可能只是一次投诉；账单、权限、合规、医疗、金融、广告投放这些场景，错一次就可能是事故。没有评测，AI 只是一个看起来聪明的外包。

4. 私有数据和反馈闭环

数据资产不是把所有文件扔进向量库。那只是搬家。

有价值的数据至少要满足几个条件：来源清楚、权限清楚、版本清楚、能被检索、能被纠错、能把用户反馈重新喂回流程。客服对话、销售异议、用户行为、失败工单、代码审查记录、A/B 实验结果，这些数据如果能被持续整理，就会变成企业自己的学习系统。

小公司不一定有海量数据，但可以有高密度数据。几十个真实客户的完整使用链路，有时比十万条脏日志更值钱。

5. 工具和权限编排资产

AI 要真正做事，必须接触工具：代码仓库、数据库、工单系统、支付后台、邮件、CRM、云服务、发布平台。这里的资产不是"接入了多少工具"，而是权限边界怎么设计。

哪些任务只能读？哪些可以写草稿？哪些必须人工确认？哪些可以自动执行？哪些动作要留审计日志？哪些数据永远不能进第三方模型？

这套权限和审计体系，会成为企业的 AI 操作系统。它越清楚，AI 能做的事越多；它越混乱，管理层越不敢放权。

6. 品牌、分发和用户信任

当功能越来越容易复制，用户为什么还留在你这里？答案往往不是代码，而是信任、场景、服务、迁移成本、生态位置。

AI 可以让竞争对手更快做出相似功能，也能让你更快改进产品。最后留下来的差异，可能是你是否更懂一个垂直行业，是否有更好的服务响应，是否嵌入客户工作流，是否积累了足够多的使用反馈。

7. 组织学习资产

AI 时代最容易被低估的是组织习惯。

一个团队如果每次用 AI 都只是临时问两句，结果不会太差，但也不会积累。真正有价值的做法是把好提示、好上下文、好评测、好失败案例沉淀下来，让下一个人不用从零开始。

这不是知识库的老故事。区别在于，过去知识库主要给人看；现在知识库还要给 AI 用。写给人看的文档和写给 Agent 执行的上下文，不是同一种东西。

二、小型企业应该沉淀什么

小企业最缺的通常不是模型能力，而是时间和秩序。它们不该一上来就搭复杂平台，应该先抓住能立刻变成资产的东西。

• 客户问题库。把销售、客服、老板私聊里的真实问题整理出来，标注客户类型、场景、结果和正确回答。这是最便宜也最有用的 AI 资产。
• 标准作业流。把交付、报价、内容生产、开发上线、售后处理拆成步骤。AI 可以参与每一步，但每一步都要有输入、输出和验收标准。
• 可复用的上下文包。比如公司介绍、产品边界、价格规则、禁用话术、行业术语、典型客户案例。不要让员工每天重新向 AI 解释一遍公司是谁。
• 轻量评测集。不用一开始就做复杂 benchmark。先准备 30 到 100 个真实问题，记录标准回答和不能犯的错。每次换模型、换提示、换流程，都跑一遍。
• 老板和核心员工的判断规则。很多小企业的核心能力在创始人的判断里。过去这叫经验；AI 时代，要把经验拆成规则、案例和反例。

对小公司来说，AI 资产的目标不是"显得先进"，而是让新人更快上手，让重复劳动更少，让客户响应更稳定。

三、大型企业应该沉淀什么

大企业的问题正好相反。它们有数据、有系统、有预算，但上下文割裂，权限复杂，责任链长。AI 项目容易变成一堆互不相通的试点。

• 统一的上下文层。把产品、客户、合同、权限、流程、知识库、历史决策连接起来。不是所有数据都给模型，而是让模型在合规范围内拿到完成任务所需的最小充分上下文。
• 企业级评测和审计体系。每个重要 AI 场景都要有质量指标、红线案例、回放机制、人工复核策略和责任归属。
• 模型路由能力。不同任务用不同模型。不是所有问题都交给最贵模型，也不是所有敏感数据都能交给外部 API。路由、成本、延迟、安全策略本身就是资产。
• AI 权限治理。大企业不能只问"AI 能不能做"，还要问"谁授权它做、做完谁负责、失败怎么查"。这会决定 Agent 能否进入生产环境。
• 跨部门流程重构。如果 AI 只是让每个部门各自快一点，收益有限。真正的收益来自端到端流程缩短，比如从客户问题到产品修复，从合规审核到上线，从市场洞察到销售动作。

大企业的 AI 资产，本质上是把组织复杂性变成机器可理解、可执行、可监督的结构。

四、SaaS 和互联网企业的资产更特殊

SaaS 企业和互联网公司很容易误判。因为它们本来就会写代码，所以会自然地把 AI 理解成"更快写代码"。这只看到了第一层。

对 SaaS 公司来说，更重要的 AI 资产至少有五个。

• 产品内的行为数据。用户在哪里卡住、哪些功能只试一次、哪些路径带来续费、哪些权限设置最容易出错。这些数据能帮助 AI 参与产品优化、客服、销售和留存。
• 领域工作流。通用 CRM、通用项目管理、通用客服系统会越来越容易被复制。真正难复制的是某个行业的细节工作流，比如跨境电商的选品、医疗机构的预约和合规、建筑公司的项目变更、教育机构的续班。
• 客户成功知识。SaaS 的价值不只在功能，还在客户能不能用起来。最佳实践、实施方案、失败案例、培训材料、客户分层策略，都应该变成 AI 可调用的资产。
• 内嵌 Agent 的使用闭环。如果用户在产品里使用 AI，产品就能获得问题、意图、修改、接受、拒绝、复用等反馈。这比单纯的页面点击更接近用户真实工作。
• 安全可信的集成网络。SaaS 产品连接客户的数据和流程。谁能安全地连接更多系统，谁就更接近客户的工作现场。

所以，SaaS 公司的护城河会从"功能清单"转向"行业上下文 + 数据反馈 + 工作流嵌入 + 信任"。代码只是这些东西的表现层。

五、AI时代需要什么样的人才

AI 时代不是不需要人，而是不再奖励只会完成局部任务的人。

过去，一个人会写代码、会做图、会写文案、会做表格，就已经能在公司里占一个位置。现在这些技能都被 AI 压缩了。新的差距出现在另一个地方：谁能定义问题，谁能组织上下文，谁能判断结果，谁能把 AI 放进真实流程，谁能为结果负责。

我会把 AI 时代的人才分成几种能力来看。

• 问题定义能力。能把一句模糊的"做个系统"拆成目标、约束、用户、数据、风险和验收标准。AI 很擅长执行清楚的任务，但它不会替管理者承担战略含糊。
• 上下文组织能力。会给 AI 准备材料，知道哪些信息必须给，哪些信息会干扰，哪些历史决策不能丢。未来很多岗位都会变成某种 context engineer。
• 评审和验收能力。会看 AI 的结果哪里不对，而不是被流畅表达骗过去。工程师要会审代码，运营要会审策略，财务要会审口径，法务要会审风险。
• 流程改造能力。不是把原来的每个步骤都加一个 AI 按钮，而是重新设计人和机器的分工。有些步骤应该取消，有些应该合并，有些应该自动化，有些必须保留人工判断。
• 工具组合能力。会把模型、数据库、自动化工具、内部系统、监控和权限串起来。单点使用 AI 的人很多，能把它变成生产流程的人很少。
• 结果责任感。AI 做错了，不能说"是模型的问题"。在企业里，最后负责的仍然是人。越是强的 AI，越需要清楚的责任人。

六、管理者最该改变的观念

管理者首先要停止把 AI 当成"提高员工效率的小工具"。这个理解太窄。

更准确的理解是：AI 会改变企业里任务的颗粒度。过去一个岗位负责一串动作，现在很多动作可以被拆给 AI，人负责定义、授权、检查和处理例外。管理对象从"人每天做了什么"，变成"任务如何被分解、交给谁或哪个 Agent、怎么验收、怎么积累"。

这会带来几个具体变化。

• 招聘要看杠杆，不只看技能。一个会用 AI 组织十倍产出的人，比一个只会手工完成任务的人更有价值。面试不能只考技能点，要看候选人如何拆问题、如何验证 AI 输出、如何搭流程。
• 考核要看结果和系统沉淀。员工用 AI 做得快不稀奇。稀奇的是他能不能把这次工作变成模板、评测、流程或数据资产，让下次更快。
• 权限要逐步开放。如果永远不给 AI 工具权限，它只能聊天；如果一开始给太大权限，又会出事故。管理者要设计分级授权，而不是在"全禁"和"全放"之间摇摆。
• 预算要从买工具转向建能力。订阅几个 AI 工具不是转型。真正的投入在数据治理、评测体系、流程重构、员工训练和安全审计。
• 组织要允许岗位变化。有些传统岗位会萎缩，有些人会变成 AI 流程设计者、评测负责人、数据治理者、Agent 运营者。管理层不能只用旧岗位表理解新工作。

七、最后落到一句话

AI 时代，代码仍然重要，但代码不再足以定义一家公司的核心资产。

真正值得沉淀的是：业务上下文、私有数据、评测体系、工作流、权限治理、用户反馈、组织学习能力，以及能把这些东西连接起来的人。

如果一家企业只有 AI 生成的代码，它很快会发现别人也能生成。如果一家企业拥有清晰的上下文、可靠的评测、真实的客户反馈、稳定的工作流和敢于负责的人，它才有机会把 AI 变成自己的资产，而不是别人的 API。

参考资料

• Stanford HAI, The 2025 AI Index Report
• Anthropic, Introducing the Anthropic Economic Index
• Simon Willison, Context engineering
• LangChain Blog, How and when to build multi-agent systems