Snowflake：构建企业AI认知系统的本体论入口

近期发布的一份季度财报，让市场对Snowflake的业务认知发生了显著变化。

截至2026年4月30日的2027财年第一季度，Snowflake实现营收13.91亿美元，同比增长33%，其中产品收入达13.34亿美元，同比增速34%。过去12个月里，产品收入超过百万美元的客户数量增至779家，剩余履约义务规模达到92.1亿美元。公司随后将全年产品收入指引从56.6亿美元上调至58.4亿美元。

在企业软件市场整体承压、客户收紧IT支出的背景下，Snowflake不仅没有明显放缓，原有客户反而增加了平台消费，该季度的净收入留存率达到126%。

更值得关注的是，推动这一消费增长的，已经不只是传统的数据仓库业务。Snowflake披露已有超过1.36万个账户使用其AI相关能力，其中Snowflake CoWork的使用账户数环比翻倍，AI编程工具Snowflake CoCo的覆盖账户超过7100个。

AI正在成为新的查询、计算任务和数据处理流程，直接体现在平台的使用量增长中。很多人会认为Snowflake只是抓住了AI风口，但实际上远不止于此。

Snowflake并没有训练出可以和OpenAI、Anthropic直接竞争的基础模型，Snowflake CoCo也未必能在通用代码生成领域超越Claude Code或Codex。而且公司并未单独披露AI产品的收入，外界无法准确拆分34%的产品收入增长中，有多少来自CoWork、CoCo或Cortex Agent这类AI工具。

所以AI在Snowflake的业务里，并不是一门独立核算的新生意，而是为原有数据平台加装了新的消费引擎，让AI直接嵌入企业的数据系统中。

从产品形态看，Snowflake CoCo是一款AI编程工具，但从企业使用逻辑看，它和独立编程助手的使用场景完全不同。通用编程智能体可以快速生成SQL、Python代码或应用片段，但进入成熟企业后，代码背后的业务上下文会成为AI落地的最大障碍。

Snowflake的客户数据本身就存储在其平台中，围绕数据形成的权限、治理规则、数据血缘和计算逻辑都已经沉淀在系统内，所以CoCo可以直接在现有环境中工作，不需要重新猜测表结构，也不用将敏感数据复制到其他系统后再搭建权限体系。

AI的能力越强，业务上下文的重要性就越高——如果AI只能回答问题，错误影响有限；但如果能写代码、修改数据、调用工具甚至执行交易，错误的口径或权限判断可能直接影响生产系统。这也解释了为什么从SaaS和数据平台内部生长出的Agent，比独立Agent更容易进入企业核心业务，它们未必拥有最强的模型，但天然靠近客户的数据、业务规则和权限体系。

不过，拥有数据并不代表AI就能理解企业。近期的行业交流中，相关从业者将这个问题引向了本体论（Ontology）这个源自哲学、知识工程和数据建模领域的概念。

有从业者用比喻解释当前企业AI的处境：“大模型就像顶尖的计算机科学毕业生，精通算法和数学，但进入大型软件公司研发团队后，生产能力会偏弱，因为他们不了解公司的研发背景、行业知识和业务逻辑，需要一个提升认知的过程，把学校学到的知识转化为对公司业务的理解，才能发挥最大效率。我们现在就是在把优秀的大学毕业生培养成资深工程师的过程。”而本体论，正是这个培养过程中缺失的认知层。

另一位行业专家表示，“AI模型很聪明，但它不了解你的企业。它不知道什么是高价值客户，不知道公司营收的定义方式，也不理解KPI背后的业务逻辑。同一个客户，在财务、客户服务和运营部门的含义可能完全不同。”

因此，2026年企业AI面临的核心矛盾，是缺乏“企业认知”。“AI上半场比拼的是模型能力，下半场则是企业的认知能力。这也是为什么本体论不再只是一个技术名词，而是成为企业级Agent智能体的认知底座。”

本体论是企业运行方式的数字表达

传统的数据体系中，语义层常被理解为统一的指标口径，比如告诉系统“收入”如何计算、“活跃用户”如何定义、“区域”按哪个字段划分。但本体论比语义层更进一步，它不仅定义单个概念的含义，还定义不同概念之间的关系，比如客户购买产品、员工属于部门、订单关联门店、设备部署在工厂、风险事件触发审批流程等。

知识图谱解决的是具体实例间的关系，比如“A员工属于销售部”“B客户购买了C产品”；而本体论处理的是更抽象的类别、关系和规则，比如员工与组织的雇佣关系、客户与产品的购买关系。

在Snowflake的本体论架构中，底层是企业原有的数据表和实体关系节点，向上依次定义类别、关系和规则，建立抽象视图，再构建不同业务场景的语义模型，最上层则是Cortex Agent等AI应用。这套架构试图填补AI模型和数据表之间长期缺失的“意义层”。

当用户询问“本季度销量为何下滑”时，Agent不能直接在数百张表中盲目生成SQL，它需要先明确销量由哪些指标组成、订单、商品、渠道和客户之间的关系、哪些异常属于季节波动、哪些属于渠道流失，确认这些概念后，才能决定查询哪些数据、调用哪些分析工具。因此，本体论的价值是将企业认识世界、划分对象和制定规则的方式，转化为机器可读、可查询、可执行的结构。

从这个角度看，Snowflake正在完成一次比“从数据仓库升级为AI平台”更深刻的转型：从管理企业留存的数据，转向描述企业如何理解自身。

从“数据可用”到“AI可理解”

企业要重新整理知识

过去企业强调“Data AI Ready”，首先指数据可以被集中、清洗和治理，不能散落在孤立系统中，也不能有严重的重复、缺失和口径冲突。但这只解决了“AI能否访问数据”，没有解决“AI能否正确理解数据”。

相关负责人表示，如今Data AI Ready有了第二层含义：“以前Data AI Ready是指把不同数据源的数据整合到统一的可管理平台中，今年的新含义是，数据接入后，如何提取为AI可以轻松理解的语义层，实现抽象化，让AI形成认知，最终达成知识化。”

与此同时，企业对AI的期待也从Copilot转向Autonomous Agent，不再满足于获得一段洞察，而是希望AI能够执行下一步动作。这意味着企业需要准备的不仅是AI Ready的数据，还有AI Ready的专业知识（Know-how）。

有行业从业者认为，企业多年积累的工作流、SOP、专家经验和“playbook”都需要重新整理，变成AI可以调用的形式。“一方面是AI Ready的数据，核心是语义化，让数据能够被理解、归因和组合；另一方面是AI Ready的Know-how，除了静态的Workflow、SOP，很重要的一部分是Playbook，企业从80分做到90分的技能和经验，需要被提炼出来。”

这也是企业AI竞争和模型竞争的最大区别：模型能力可以通过API快速获取，今天用A模型，明天可以切换到B模型，但真正难以复制的是银行积累多年的风控规则、能源公司的设备运维经验、零售企业的选址和库存判断逻辑，以及企业在无数次失败和复盘后形成的业务习惯。

这些被称为企业的“认知系统”：“对于银行来说，真正的资产是数据加上多年形成的风控规则；对于能源企业来说，不仅是数据，还有工程经验、业务知识和专家系统，这些都是AI模型永远训练不出来的。未来企业的护城河，就是企业的认知系统，真正区分企业的不是谁拥有最好的大模型，而是如何让模型理解自身企业，解决自身的业务问题。”

Snowflake希望承担的角色，正是将这些数据和专业知识组织成AI可以持续调用的认知基础。

语义不能只留在Snowflake内部

不过，本体论和语义层还面临一个难题，企业的业务逻辑并不集中在单一数据平台中。一部分逻辑写在数据仓库中，一部分在ETL管道里，还有一部分存在于BI系统、指标平台、数据目录或业务应用中。

如果每个工具都重新定义收入、客户和利润，企业就会出现“语义漂移”：同一个指标在不同系统中含义不同。人工尚且需要反复核对数据，跨系统执行任务的Agent更容易得到矛盾的结果。

这也是Snowflake推动开放语义标准的原因。Open Semantic Interchange项目在2026年被Apache软件基金会接纳为孵化器项目，更名为Apache Ossie。它试图用厂商中立、机器可读的格式描述指标、维度、数据集及其关系，让ETL工具、数据平台、BI工具和AI Agent能够交换语义模型，而不仅仅是交换原始数据。

这件事的意义类似SQL之于关系数据库：不同工具不必采用完全相同的内部实现，但至少需要一种共同语言。对于Snowflake来说，开放语义标准也有现实必要性：如果本体论只能在Snowflake内部成立，企业很难放心将多年积累的业务语义交给单一平台。只有当语义定义能够迁移、审计并被其他系统消费，本体论才能真正成为企业资产，而不是新的厂商锁定方式。

不过，Apache Ossie目前仍处于孵化阶段，行业距离形成统一的企业语义标准还有很长的路。不同企业对客户、风险和收入的定义本就存在差异，标准可以解决交换格式问题，但无法替代企业完成自身的业务梳理。

Agent从顾问走向执行者

本体论也将从语义层变成决策层

当Agent只负责回答问题时，本体论主要影响答案的准确性。但当Agent开始执行动作时，情况就完全不同了。

有从业者分享，自己已经使用Snowflake CoWork准备每日会议：Agent会读取日历，判断会议对象是员工、客户还是外部合作伙伴，再根据邮件、Slack、HR系统和CRM记录整理背景资料，必要时还会查询外部新闻，生成会议准备材料、邮件草稿和演示文档。Agent需要理解人与人之间的关系，判断哪些数据与当前会议相关，并调用下游工具完成一系列工作。

另一位从业者则表示，自己的工作方式已经从“给AI分配一个个任务”转向“告诉AI最终结果”，Agent会自主决定需要读取哪些数据、执行哪些动作，并通过多轮检查生成架构方案。但涉及战略、风险等关键业务的内容，最终决定仍然需要由人做出。

“人定义结果，AI负责实现，最后还是需要人来审核。尤其是涉及核心业务、战略和风险的内容，最终还是由人来决定，人需要承担责任，不能出了问题去找AI，AI无法承担责任。”

从提供建议到执行任务，是企业Agent最重要也最危险的一步。回答错误的聊天机器人最多让用户重新提问，但执行错误的Agent可能误删数据、错误调价、关停客户账户，或是泄露不应公开的信息。

因此，Agent的自主性越强，企业就越需要明确它可以读取哪些数据、调用哪些工具、完成哪些动作，以及哪些场景必须由人审批。

在这个过程中，本体论的作用也会发生变化：“过去本体论可能是语义层，为数据提供加持的中间层，但未来它更多会成为决策层，我制定规则，明确Agent能干什么、不能干什么，让本体论参与决策过程，Agent在本体论划定的边界内完成任务。”

这可能是本体论在Agent时代真正的价值所在。

数据治理正在变成实时的AI治理

当Agent只负责回答问题时，本体论更像企业内部的“概念地图”，告诉模型什么是客户、什么是订单，销售收入应该采用哪种口径，不同系统的同名字段是否指向同一对象。只要这张地图足够清晰，Agent就能少走弯路，也不会把形式正确的SQL建立在错误的业务理解之上。

但当Agent开始从“回答问题”转向“参与业务”，情况就变了。传统的数据治理更多发生在数据进入仓库之后：检查数据质量、统一口径、设置访问权限、记录血缘关系。但Agent参与业务流程后，治理必须提前到动作发生之前，并贯穿推理和执行的全过程。

有专家认为，目前真正没有准备好的不是模型，而是企业自身。“如今Agent不仅是查询数据，还要参与决策。这时企业就有了自主的、能干的数字员工，谁给它权限？谁来做审计？谁来做审核？出了问题谁承担责任？这不是模型或AI能解决的问题，以前叫数据治理，现在叫AI治理。”

Snowflake在这一阶段的优势，是其原有的数据治理和权限体系可以直接延伸到Agent中，角色权限、属性权限、数据标签和审计记录不必在AI系统中从零开始搭建。

有行业从业者指出，数据平台出身的企业在部署Agent时更容易获得客户信任，因为数据本身就对应着部门、角色和权限。“数据背后是业务，业务背后是权限。”一个能读取所有表但无法继承原有权限体系的Agent，即使在POC测试中表现得更“聪明”，也很难进入生产环境。

这也解释了为什么Snowflake不断强调自己是“Agentic Enterprise的控制平面”，而不仅仅是一个提供模型调用能力的平台。Snowflake CoWork和Snowflake CoCo连接的不仅是模型，还有企业数据、权限、工具和工作流。公司在2026年收购了企业级MCP平台Natoma，试图将治理范围从“Agent可以查看哪些数据”扩展到“Agent可以在其他业务系统中采取哪些行动”。

但“控制平面”的定位也需要谨慎看待：一旦企业的语义定义、权限规则、Agent编排和行动审计都集中在单一平台，平台的价值会显著提升，迁移难度也会增加。Snowflake需要证明的不仅是它能让Agent工作，还要证明这些规则足够透明、可移植，企业能够持续掌握自身的认知资产。

AI重新定义组织中的责任

当Agent开始承担更多分析和执行工作，另一个无法回避的问题是企业是否会因此裁员。有从业者直接表示：“我认为AI不是为了裁员，有了AI，我们能创造的价值更多了。原来我们会纠结员工绩效好坏，反省是不是组织和机制阻碍了他的发展，当这些问题解决后，你会发现这些都是资产。现在用AI来裁员，说白了是找借口。”

在他的观察中，AI原生组织真正打破的不只是单个岗位，而是围绕职能划分的传统协作方式。产品、研发、测试和销售不再只负责流程中的一个环节，而是围绕业务结果组成小团队，由人和多个Agent共同闭环交付。这与Snowflake客户提出的“结果导向”思路一致：业务先定义想要的结果，技术平台再决定调用哪些模型、数据和工具。

不过，结果导向并不意味着人的价值会降低。当AI可以快速生成大量方案时，人最重要的能力可能从执行转向选择。有从业者将其总结为“品味（Taste）和判断”：“AI会给你很多选择题和选项，你如何选择、如何审核，这非常关键。品味给它指明方向，当它产出结果后，你来判断好坏、做出选择，这两端是未来人的技能和价值所在。”

也有从业者划出了更现实的界线：客服、信息查询和风险控制等场景已经可以让AI逐步参与执行，但涉及企业最核心的两项资源——钱和人——目前大多数企业仍然只让AI提供洞察，不会将最终动作完全交给AI。“最终，这是企业的根本，人和钱。你会不会让AI来操作这两块？其他的客户互动、风险控制、现有流程的自动化和优化已经在发生，但钱和人，目前来看还需要一段时间，才能让大家给AI更大的自主权。”

Snowflake真正要争夺的是企业AI的认知入口

Snowflake过去的核心价值是帮助企业将分散的数据汇集到统一平台，进行存储、计算、治理和共享。但在Agent时代，统一数据只是起点。企业还需要将数据转化为语义，将语义组织为认知，再将认知转化为Agent可以遵循的决策规则。最终，Agent才能从“会查询企业数据”进化到“理解企业如何运转”，并在权限范围内参与业务流程。

Snowflake当前的产品路线可以概括为一条逐层向上的链条：从数据存储和计算，到数据治理和目录；从语义模型和本体论，到Snowflake CoWork、Snowflake CoCo和Cortex Agent；再通过MCP等连接方式，将Agent延伸到企业外部工具和真实业务动作中。

财务数据显示，客户正在增加对这一平台的使用，AI产品也已经获得初步的规模化采用。但Snowflake能否真正成为Agentic Enterprise的控制平面，仍然取决于几个更难的问题：企业是否愿意将核心业务语义交给平台，本体论能否随着业务变化持续维护，Agent的行动能否被完整追踪，以及AI带来的成本能否对应可衡量的业务结果。

本体论也不是万能的答案，它无法自动解决企业内部长期存在的数据口径冲突，更不能替代管理者做出组织和责任上的选择。相反，它会迫使企业将许多过去依靠经验、默契和模糊空间运行的规则明确记录下来。

这或许正是企业真正“用起来AI”最艰难的一步：模型API可以在几天内接入，Agent原型可以在几周内完成，但要让AI理解一家企业，企业首先必须能够清晰地描述自己：客户是谁、价值如何产生、风险如何判断、权限如何分配、哪些决定可以交给机器、哪些责任必须由人承担。

当模型能力逐渐成为可购买的商品，真正稀缺的是企业能否建立一套机器可读、持续更新、受到治理的认知系统。Snowflake所押注的，正是这一层。