作者｜冬梅

1 當傳統 SaaS 軟件被集體唱衰，Snowflake 在做什么？

AI 爆發式增長后，所有人都相信一個美麗的故事：AI 會讓軟件變得更聰明，企業會因為 AI 使用更多工具，員工會因為 AI 提高效率，數據會因為 AI 變得更有價值。

SaaS、云平臺、自動化、CRM、數據倉庫、創意軟件、辦公軟件——這些曾經在云計算時代建立王國的公司，似乎馬上就要進入第二個黃金時代。

然后，故事突然變了。

市場開始說：AI 不是增強軟件，而是取代軟件。

當 Agent 能直接完成任務，人們不再關心按鈕在哪里，也不再關心軟件界面如何設計。過去二十年構筑 SaaS 帝國的用戶界面、工作流和功能模塊，正在被自然語言交互快速吞噬。

AI 給 SaaS 公司遞來了一顆甜棗，也順手給了它一記耳光。

但在這場集體焦慮中，Snowflake 的反應卻有些不同。因為它發現，真正無法被 AI 替代的，可能從來都不是軟件，而是數據。

很多人以為 Snowflake 賣的是數據庫。

事實上，Snowflake 這些年一直在向市場兜售另一個概念：Data Cloud（數據云）。數據倉庫時代，Snowflake 幫企業解決的是“存儲數據”的問題。

而數據云時代，Snowflake 想解決的是：

企業所有數據如何連接、共享、治理和使用的問題。

換句話說，它不再只是一個存放數據的倉庫，而是一張覆蓋整個企業的數據網絡。

在 Snowflake 的設想里：銷售數據來自 CRM、財務數據來自 ERP、用戶行為數據來自應用系統、日志數據來自云基礎設施、合作伙伴的數據來自外部組織，AI 模型產生的新數據又會重新流入平臺。

所有這些原本分散的數據孤島，都匯聚到同一個 AI Data Cloud 中。

這套邏輯在 AI 時代突然變得格外重要。因為 AI 面臨的最大瓶頸從來不是模型，而是數據。

企業真正有價值的數據并不存在于互聯網。它們沉淀在企業內部：訂單記錄、供應鏈系統、財務報表、客戶溝通記錄、員工文檔、運營日志。

這些數據往往散落在幾十甚至上百個系統里。大模型再聰明，也無法憑空獲得這些信息。

于是 Snowflake 找到了自己的新定位：不做 AI 的大腦，而做 AI 的神經系統。

這也是為什么 Snowflake 沒有像很多 SaaS 公司那樣急于訓練自己的大模型。

因為他們意識到：模型會不斷變化，今天是 Claude，明天可能是 GPT，后天可能又出現新的模型。

但企業的數據不會輕易遷移。誰掌握數據入口，誰就擁有長期價值。

于是過去兩年，Snowflake 做的事情幾乎都圍繞數據云展開：把 Claude 接進來、把 GPT 接進來、推出 Cortex AI、推出 Cortex Agent、推出 Openflow，還要強化數據治理和權限體系，讓 AI 能夠直接在 Data Cloud 內部運行。

本質上，他們并不是在建設一個 AI 產品，是在建設一個 AI 時代的數據操作系統。

正如 Snowflake CEO Sridhar Ramaswamy 在今天 Snowflake Summit 2026 的主旨演講中提到：“Agentic 企業需要四大核心組成，分別是企業全量自有數據、多類 AI 大模型、現有業務應用、Agentic 控制平面。其中，Agentic 控制平面是重中之重。這是一個任務控制中心，用于協調你的數據、模型和應用，確保每一個決策和行動都受到治理、值得信賴，并植根于你的業務上下文。這正是 Snowflake 通過 Snowflake Intelligence 和 Cortex Code 所提供的。對于知識工作者，Snowflake Intelligence 是個人的工作 Agent，幫助你更智能地工作。通過 Snowflake Intelligence，你可以訪問所有你需要的數據，并在日常應用中進行操作——全部用自然語言完成。對于開發者，Cortex Code（我們親切地稱之為 CoCo）是一個由 AI 驅動的 Coding Agent，幫助開發者訪問任意位置的數據，并自信地更快構建應用。你可以將想法轉化為可運行的管道、應用或代理——同樣，全部使用自然語言。”

這些就是決策系統的構建模塊。這些 Agentic 控制平面已幫助數千家領先企業完成轉型。

Sridhar 強調，“數據不應該拖慢你的業務。當問題跑得比答案快時，你需要能夠打破孤島、添加上下文的 AI。”

2 要做數據操作系統，Snowflake 憑什么？

事實上，Sridhar 正在向外界清晰地傳遞了一個核心判斷：Agent 智能體時代的最大瓶頸，不是模型能力，而是數據基礎設施。企業邁向 Agentic Enterprise 的第一步，已經不局限在“卷”大模型了，而是建立一個統一、可信、可治理的數據運行底座。

但如今市場上做數據的企業不勝枚舉，為什么 Snowflake 認為自己會成為 Agent 時代的數據操作系統？

在此次峰會上，Snowflake 給出了他們的答案。

Sridhar 在演講中重點發布了 AI 驅動的數據遷移與治理能力。企業可以利用 Snowflake 完成從傳統平臺遷移、持續數據同步、數據治理、安全審計到 AI 分析的完整流程。Snowflake 的目標并非幫企業再建一個數據倉庫，而是打造一個統一的數據運行底座——成為所有企業 Agent 共享的“記憶層”。

這一戰略判斷得到了埃森哲董事會主席兼 CEO Julie Sweet 的明確呼應。她在大會開場演講中指出，過去兩年大多數企業已經完成了 AI 試點項目，現在“AI 能做什么”已經不是人們關注的重點了，“AI 如何真正進入企業運營體系，并反映到收入、利潤和生產率上”才是新焦點。

Julie Sweet 強調，AI 本身不會自動創造價值，真正創造價值的是人。企業領導者必須親自推動 AI 的采用過程，并明確責任歸屬。她特別指出，所有 AI 項目最終都必須與企業利潤表掛鉤——如果無法影響收入增長、成本下降或運營效率提升，再先進的 AI 項目也難以持續。

在她看來，智能體企業建立在兩個核心支柱之上：一是 AI 能力，二是統一的數據平臺。缺少任何一個，企業級 AI 都無法規模化落地。

隨后，埃森哲高級董事總經理 Anish Sharma 在與 Sridhar 的對話中分享了一個極具說服力的案例。

就在兩個月前，埃森哲完成了一次涉及全球 75 萬名員工的大規模組織重構，整個公司圍繞七類核心高管角色重新設計職責體系。而支撐這一變化的底層能力之一，正是統一的數據平臺。

Anish 透露，目前埃森哲內部所有關鍵業務輸出都建立在統一的數據基礎之上。他甚至給出一個頗為震撼的數據：85% 的客戶問題并不是 AI 問題，而是數據問題。

他舉例說，埃森哲曾幫助一家大型金融服務機構整合長期積累的 Legacy 系統數據。過去，這些數據散落在多個部門和平臺中，獲取一個完整業務視圖需要大量人工協調。而今天，通過統一數據底座，管理層已經能夠實時獲取業務洞察。“這樣的事情放在三四年前幾乎無法想象。”

相比技術路線，Anish Sharma 更關注商業價值。在與 Snowflake 的合作中，他反復強調一個原則：所有項目都必須綁定具體業務成果——收入增長多少、成本降低多少、運營費用節省多少，必須能夠量化。

他分享了兩個典型案例：一家歐洲傳統公用事業企業在完成統一數據平臺建設后，分析查詢時間從數周縮短到 2 秒，原本需要數月推進的數據項目如今 12 周即可交付，整體計算成本下降了 85%；另一家美國制造企業長期陷入“數據爭論”，管理層每次開會前 30 分鐘都在討論哪份數據才是真實的。當統一數據底座建立后，企業首次擁有了單一可信數據源（Single Source of Truth），決策時間大幅縮短。

這些案例共同指向同一個結論：企業真正缺少的不是 AI，而是能夠讓 AI 發揮作用的數據基礎設施。

但如果僅僅讓模型訪問數據，Snowflake 依然只是一個數據平臺。真正值得關注的變化，發生在 MCP（Model Context Protocol） 上。

在演講中，Sridhar 宣布將通過收購 Notoma，把 MCP 原生整合進平臺。

那這意味著什么？

過去，企業數據存在于 Snowflake，而企業應用運行在 Slack、Outlook、Salesforce、ServiceNow、Workday 等各種軟件中。AI 想完成一個完整任務，需要不斷跨系統調用工具。而 MCP 正在成為連接這些系統的通用語言。

借助 MCP，Snowflake 可以讓 Agent 直接訪問企業的各類辦公應用：查看郵件、讀取文檔、創建工單、更新 CRM、觸發審批流程、執行各種業務動作。更重要的是，所有操作依然運行在 Snowflake 的治理框架之內——權限控制、審計記錄、安全策略、合規要求，全部繼承自 Snowflake 原有的數據治理體系。

換句話說：過去 Snowflake 管理的是數據，未來 Snowflake 想管理的是 AI 的行為。治理對象從數據擴展到了整個企業智能系統。

Snowflake 認為，企業未來不會只有一個 Agent，而是會同時存在大量不同類型的 Agent：銷售 Agent、客服 Agent、財務 Agent、采購 Agent、HR Agent、開發 Agent……這些 Agent 如果彼此孤立存在，就像企業里擁有幾十套無法互通的軟件一樣，無法形成真正的生產力。

因此 Snowflake 提出了一個新概念：Intelligence Control Plane（智能管控平面）。按照 Snowflake 的設想，它將成為企業所有 Agent 共享的中樞層，負責統一上下文、統一權限、統一數據訪問、統一任務編排、統一執行流程。只有這樣，多個 Agent 才能協同完成復雜業務流程。

例如招聘場景：HR Agent 負責篩選簡歷，面試 Agent 負責安排日程，審批 Agent 負責生成 Offer，財務 Agent 負責預算校驗——整個流程無需人工切換系統，Agent 之間即可自動協同完成。

從某種意義上說，Snowflake 正在把 BI（商業智能）時代的“洞察”變成 Agent 時代的“行動”。過去企業獲得的是分析結果，未來企業獲得的是執行結果。

為了讓這套體系快速落地，Snowflake 還展示了 Cortex Code 的能力。與傳統代碼助手不同，Cortex Codeo 不只是幫助補全代碼，它能夠直接理解整個 Snowflake 環境：數據結構、權限體系、業務流程。開發者只需要描述需求，系統即可自動完成應用構建。

Sridhar 表示：“從一個想法到生產環境應用，最快只需要半天時間。如果這一愿景最終成立，那么未來企業開發軟件的方式也將發生根本變化——人們不再編寫每一個功能模塊，而是在數據和業務流程基礎上直接生成應用。這與過去二十年 SaaS 軟件的發展邏輯完全不同。”

為了證明這套邏輯已經開始落地，Snowflake 在峰會上請來了制藥巨頭賽諾菲（Sanofi）的執行副總裁兼首席數字官 Emmanuel Trinhard。

在很多人眼里，AI 轉型似乎是過去兩年的事情，但賽諾菲的準備實際上已經持續了五年。Emmanuel 回憶，五年前公司內部擁有多個相互隔離的數據湖，各個業務部門都有自己的數據體系。雖然積累了大量數據，但這些數據彼此無法連接，最終只能生成數千份 BI 報表，數據價值遠未被釋放。

因此，賽諾菲選擇與 Snowflake 合作，對底層架構進行重構。最初吸引他們的是 Snowflake 計算與存儲分離的架構設計，但隨著合作深入，他們逐漸發現更大的價值來自統一的數據基礎。在完成數據整合后，賽諾菲開始進一步重構端到端業務流程：采購、IT 服務、人力資源、銷售體系，都開始圍繞統一數據平臺運行。公司每年高達 180 億歐元的采購業務，也被納入新的 AI 工作流之中。更重要的是，整個過程無需在不同系統之間來回遷移數據，AI 能夠直接在數據所在位置運行。

3 和 Anthropic 深度合作，釋放什么信號？

如果說大會前半場的核心議題是圍繞數據基礎設施的構建與治理展開，那么到了后半場，全場目光最集中的嘉賓，無疑就是 Anthropic 聯合創始人兼總裁 Daniela Amodei。

Daniela 在對話中直言，五年前幾乎沒有企業會把生成式 AI 用于日常運營。而現在，從金融服務、法律、醫療到軟件開發，幾乎所有大型企業都已經把 AI 納入了核心戰略。對于 Anthropic 而言，過去一年最大的變化并不是客戶數量的單純增長，而是企業開始真正把 AI 放進生產環境——實驗階段正在結束，規模化部署正在開始。這意味著企業關注的重點也隨之轉移：過去關注模型有多聰明，現在關注模型是否能夠創造價值。而價值的來源，往往不在模型本身，而在數據。

談到 AI 未來的發展速度時，Daniela 再次提到了業內熟悉的 Scaling Law。她認為，即便是 Anthropic 內部每天都在研究模型的人，也很難真正適應這種指數級進步。模型幾乎每隔幾個月就會獲得新的能力，一年后的 Claude 會比今天強大得多。因此，企業在規劃 AI 戰略時，不應該只圍繞今天的模型能力設計流程，而應該思考未來幾年希望構建怎樣的業務體系——因為模型能力很可能會比企業自身的轉型速度發展得更快。

這番表態透露出一個關鍵信息：對于 Anthropic 來說，模型能力的持續進步幾乎已成為既定事實。真正的問題不再是“模型夠不夠聰明”，而是“模型能否理解企業”。

而理解企業，需要更多的上下文。這些上下文來自企業內部的數據：訂單記錄、客戶關系、財務信息、供應鏈系統、運營日志……這些信息并不存在于互聯網上，也不掌握在模型公司手中。而這恰恰是 Snowflake 存在的價值。

整場對話中，一個反復出現的關鍵詞是 Trust（信任）。Daniela 認為，很多人把安全與創新看成一對矛盾關系，但在企業市場中，情況恰恰相反：信任是創新的加速器。沒有企業 CEO 會希望模型產生更多幻覺，也沒有企業愿意把關鍵業務交給一個不可預測的系統。因此，企業真正需要的并不僅僅是最先進的模型，還需要一套能夠保證數據安全、權限合規和結果可審計的運行環境。

這也正是 Anthropic 與 Snowflake 合作不斷加深的重要原因。在 Anthropic 看來，模型負責推理能力，而 Snowflake 負責治理能力；模型負責生成答案，而 Snowflake 負責確保這些答案建立在正確的數據之上。

Daniela 透露，在雙方早期合作過程中，Snowflake 團隊對于準確率和可信度的要求極高。

早在 2024 年底，雙方就宣布了多年戰略合作，將 Claude 直接植入 Snowflake Cortex AI。當時業界的解讀還停留在“方便企業調用”。但到了 2025 年底，隨著一筆高達 2 億美元的合作擴展計劃曝光，真相浮出水面：

• 底層化：Claude 不再是一個外掛工具，而是成為了 Snowflake Agent 產品的核心底層模型。

• 共謀生態：雙方開始聯合開發 Agentic AI，并啟動 Joint GTM（聯合進入市場）。

• 數據閉環：Claude 直接運行在 Snowflake 的治理環境內，企業數據無需遷出。

Snowflake 透露了一個驚人的數據：數千家客戶每月通過 Cortex AI 處理數萬億級的 Claude Token。 這意味著什么？意味著 Snowflake 已經悄然成為 Claude 在企業市場最大的分發渠道之一。

這背后的底層邏輯其實很簡單，大模型公司有一個天然的致命傷：它們沒有數據。

企業的核心資產——財務數據、CRM、供應鏈、日志——都鎖在 Snowflake、Databricks、SAP 或 Salesforce 里。

如果 Claude 僅僅是一個 API，那么它隨時可能被 GPT-4 或 Gemini 替換掉。企業只會為“結果”付費，而不會為“通道”忠誠。

但一旦 Claude 嵌進了企業的數據工作流，情況就變了。Anthropic 正在執行的策略極其清晰：

AWS 提供算力，Claude 提供大腦，Snowflake 提供血液。

這三者的聯盟，隱約已經有了對標 “微軟 + OpenAI + Azure Fabric” 的氣勢。

為了鞏固這個三角關系，Snowflake 前不久豪擲 60 億美元綁定 AWS。外界第一反應往往是“買 GPU”，但這其實低估了這筆交易的意義。

根據 Reuters 披露的細節，這筆錢買的不僅是算力，更是戰略協同：Graviton 芯片的深度優化、Agentic AI 的協同開發以及 Marketplace 的聯合銷售。

這實際上是在構建一個“鐵三角”的商業閉環：

• AWS 層（收費站）：通過 Anthropic 的 10 年 1000 億和 Snowflake 的 5 年 60 億承諾，鎖定未來的現金流。

• Anthropic 層（推理引擎）：專注于 Reasoning（推理）、Planning（規劃）和 Tool Use（工具調用）。

• Snowflake 層（數據底座）：掌握企業最核心、最值錢的數據。

這場合作揭示了一個更深層的行業焦慮：Agent 時代，誰才是新的操作系統？

過去 Snowflake 講的故事是“數據倉庫”（Data Warehouse），后來變成了“數據云”（Data Cloud），而現在，它的新故事是 “AI Data Cloud”。

這個新故事的潛臺詞是：未來的企業不僅僅把數據存在這里，他們的 Agent 也要在這里運行，模型在這里調用，權限在這里治理。

這或許正是 Anthropic 聯合創始人出現在 Snowflake Summit 的真正原因。隨著 Databricks 綁定 Meta 和 Mosaic，Google 依托 BigQuery 推 Gemini，企業 AI 的生態戰爭已經打響。

這實際上也是在從另一個角度驗證 Snowflake 的判斷：模型會越來越強，但企業 AI 真正的護城河，仍然是數據。

聲明：本文為 InfoQ 整理，不代表平臺觀點，未經許可禁止轉載。

會議推薦

企業級 Agent 落地，繞不開 4 個真實的工程問題。如何在 Agent 安全性和可用性之間找到平衡點？Agent 需要什么樣的記憶系統才能真正理解上下文？如何通過算法壓榨實現智力增量與成本控制的極致平衡？多 Agent 協作，如何做到可觀測、可治理、可控制？6 月 26-27 日，AICon 全球人工智能開發與應用大會·上海站國內頭部公司的 Agent 實踐，一次說透。