AI 爆发式增长后，所有人都相信一个美丽的故事：AI 会让软件变得更聪明，企业会因为 AI 使用更多工具，员工会因为 AI 提高效率，数据会因为 AI 变得更有价值。
SaaS、云平台、自动化、CRM、数据仓库、创意软件、办公软件——这些曾经在云计算时代建立王国的公司，似乎马上就要进入第二个黄金时代。
然后，故事突然变了。
市场开始说：AI 不是增强软件，而是取代软件。
当 Agent 能直接完成任务，人们不再关心按钮在哪里，也不再关心软件界面如何设计。过去二十年构筑 SaaS 帝国的用户界面、工作流和功能模块，正在被自然语言交互快速吞噬。
AI 给 SaaS 公司递来了一颗甜枣，也顺手给了它一记耳光。
但在这场集体焦虑中，Snowflake 的反应却有些不同。因为它发现，真正无法被 AI 替代的，可能从来都不是软件，而是数据。
很多人以为 Snowflake 卖的是数据库。
事实上，Snowflake 这些年一直在向市场兜售另一个概念：Data Cloud（数据云）。数据仓库时代，Snowflake 帮企业解决的是“存储数据”的问题。
而数据云时代，Snowflake 想解决的是：
企业所有数据如何连接、共享、治理和使用的问题。
换句话说，它不再只是一个存放数据的仓库，而是一张覆盖整个企业的数据网络。
在 Snowflake 的设想里：销售数据来自 CRM、财务数据来自 ERP、用户行为数据来自应用系统、日志数据来自云基础设施、合作伙伴的数据来自外部组织，AI 模型产生的新数据又会重新流入平台。
所有这些原本分散的数据孤岛，都汇聚到同一个 AI Data Cloud 中。
这套逻辑在 AI 时代突然变得格外重要。因为 AI 面临的最大瓶颈从来不是模型，而是数据。
企业真正有价值的数据并不存在于互联网。它们沉淀在企业内部：订单记录、供应链系统、财务报表、客户沟通记录、员工文档、运营日志。
这些数据往往散落在几十甚至上百个系统里。大模型再聪明，也无法凭空获得这些信息。
于是 Snowflake 找到了自己的新定位：不做 AI 的大脑，而做 AI 的神经系统。
这也是为什么 Snowflake 没有像很多 SaaS 公司那样急于训练自己的大模型。
因为他们意识到：模型会不断变化，今天是 Claude，明天可能是 GPT，后天可能又出现新的模型。
但企业的数据不会轻易迁移。谁掌握数据入口，谁就拥有长期价值。
于是过去两年，Snowflake 做的事情几乎都围绕数据云展开：把 Claude 接进来、把 GPT 接进来、推出 Cortex AI、推出 Cortex Agent、推出 Openflow，还要强化数据治理和权限体系，让 AI 能够直接在 Data Cloud 内部运行。
本质上，他们并不是在建设一个 AI 产品，是在建设一个 AI 时代的数据操作系统。
正如 Snowflake CEO Sridhar Ramaswamy 在今天 Snowflake Summit 2026 的主旨演讲中提到：“Agentic 企业需要四大核心组成，分别是企业全量自有数据、多类 AI 大模型、现有业务应用、Agentic 控制平面。其中，Agentic 控制平面是重中之重。这是一个任务控制中心，用于协调你的数据、模型和应用，确保每一个决策和行动都受到治理、值得信赖，并植根于你的业务上下文。这正是 Snowflake 通过 Snowflake Intelligence 和 Cortex Code 所提供的。对于知识工作者，Snowflake Intelligence 是个人的工作 Agent，帮助你更智能地工作。通过 Snowflake Intelligence，你可以访问所有你需要的数据，并在日常应用中进行操作——全部用自然语言完成。对于开发者，Cortex Code（我们亲切地称之为 CoCo）是一个由 AI 驱动的 Coding Agent，帮助开发者访问任意位置的数据，并自信地更快构建应用。你可以将想法转化为可运行的管道、应用或代理——同样，全部使用自然语言。”
这些就是决策系统的构建模块。这些 Agentic 控制平面已帮助数千家领先企业完成转型。
Sridhar 强调，“数据不应该拖慢你的业务。当问题跑得比答案快时，你需要能够打破孤岛、添加上下文的 AI。”
事实上，Sridhar 正在向外界清晰地传递了一个核心判断：Agent 智能体时代的最大瓶颈，不是模型能力，而是数据基础设施。企业迈向 Agentic Enterprise 的第一步，已经不局限在“卷”大模型了，而是建立一个统一、可信、可治理的数据运行底座。
但如今市场上做数据的企业不胜枚举，为什么 Snowflake 认为自己会成为 Agent 时代的数据操作系统？
在此次峰会上，Snowflake 给出了他们的答案。
Sridhar 在演讲中重点发布了 AI 驱动的数据迁移与治理能力。企业可以利用 Snowflake 完成从传统平台迁移、持续数据同步、数据治理、安全审计到 AI 分析的完整流程。Snowflake 的目标并非帮企业再建一个数据仓库，而是打造一个统一的数据运行底座——成为所有企业 Agent 共享的“记忆层”。
这一战略判断得到了埃森哲董事会主席兼 CEO Julie Sweet 的明确呼应。她在大会开场演讲中指出，过去两年大多数企业已经完成了 AI 试点项目，现在“AI 能做什么”已经不是人们关注的重点了，“AI 如何真正进入企业运营体系，并反映到收入、利润和生产率上”才是新焦点。
Julie Sweet 强调，AI 本身不会自动创造价值，真正创造价值的是人。企业领导者必须亲自推动 AI 的采用过程，并明确责任归属。她特别指出，所有 AI 项目最终都必须与企业利润表挂钩——如果无法影响收入增长、成本下降或运营效率提升，再先进的 AI 项目也难以持续。
在她看来，智能体企业建立在两个核心支柱之上：一是 AI 能力，二是统一的数据平台。缺少任何一个，企业级 AI 都无法规模化落地。
随后，埃森哲高级董事总经理 Anish Sharma 在与 Sridhar 的对话中分享了一个极具说服力的案例。
就在两个月前，埃森哲完成了一次涉及全球 75 万名员工的大规模组织重构，整个公司围绕七类核心高管角色重新设计职责体系。而支撑这一变化的底层能力之一，正是统一的数据平台。
Anish 透露，目前埃森哲内部所有关键业务输出都建立在统一的数据基础之上。他甚至给出一个颇为震撼的数据：85%的客户问题并不是 AI 问题，而是数据问题。
他举例说，埃森哲曾帮助一家大型金融服务机构整合长期积累的 Legacy 系统数据。过去，这些数据散落在多个部门和平台中，获取一个完整业务视图需要大量人工协调。而今天，通过统一数据底座，管理层已经能够实时获取业务洞察。“这样的事情放在三四年前几乎无法想象。”
相比技术路线，Anish Sharma 更关注商业价值。在与 Snowflake 的合作中，他反复强调一个原则：所有项目都必须绑定具体业务成果——收入增长多少、成本降低多少、运营费用节省多少，必须能够量化。
他分享了两个典型案例：一家欧洲传统公用事业企业在完成统一数据平台建设后，分析查询时间从数周缩短到 2 秒，原本需要数月推进的数据项目如今 12 周即可交付，整体计算成本下降了 85%；另一家美国制造企业长期陷入“数据争论”，管理层每次开会前 30 分钟都在讨论哪份数据才是真实的。当统一数据底座建立后，企业首次拥有了单一可信数据源（Single Source of Truth），决策时间大幅缩短。
这些案例共同指向同一个结论：企业真正缺少的不是 AI，而是能够让 AI 发挥作用的数据基础设施。
但如果仅仅让模型访问数据，Snowflake 依然只是一个数据平台。真正值得关注的变化，发生在 MCP（Model Context Protocol） 上。
在演讲中，Sridhar 宣布将通过收购 Notoma，把 MCP 原生整合进平台。
那这意味着什么？
过去，企业数据存在于 Snowflake，而企业应用运行在 Slack、Outlook、Salesforce、ServiceNow、Workday 等各种软件中。AI 想完成一个完整任务，需要不断跨系统调用工具。而 MCP 正在成为连接这些系统的通用语言。
借助 MCP，Snowflake 可以让 Agent 直接访问企业的各类办公应用：查看邮件、读取文档、创建工单、更新 CRM、触发审批流程、执行各种业务动作。更重要的是，所有操作依然运行在 Snowflake 的治理框架之内——权限控制、审计记录、安全策略、合规要求，全部继承自 Snowflake 原有的数据治理体系。
换句话说：过去 Snowflake 管理的是数据，未来 Snowflake 想管理的是 AI 的行为。治理对象从数据扩展到了整个企业智能系统。
Snowflake 认为，企业未来不会只有一个 Agent，而是会同时存在大量不同类型的 Agent：销售 Agent、客服 Agent、财务 Agent、采购 Agent、HR Agent、开发 Agent……这些 Agent 如果彼此孤立存在，就像企业里拥有几十套无法互通的软件一样，无法形成真正的生产力。
因此 Snowflake 提出了一个新概念：Intelligence Control Plane（智能管控平面）。按照 Snowflake 的设想，它将成为企业所有 Agent 共享的中枢层，负责统一上下文、统一权限、统一数据访问、统一任务编排、统一执行流程。只有这样，多个 Agent 才能协同完成复杂业务流程。
例如招聘场景：HR Agent 负责筛选简历，面试 Agent 负责安排日程，审批 Agent 负责生成 Offer，财务 Agent 负责预算校验——整个流程无需人工切换系统，Agent 之间即可自动协同完成。
从某种意义上说，Snowflake 正在把 BI（商业智能）时代的“洞察”变成 Agent 时代的“行动”。过去企业获得的是分析结果，未来企业获得的是执行结果。
为了让这套体系快速落地，Snowflake 还展示了 Cortex Code 的能力。与传统代码助手不同，Cortex Codeo 不只是帮助补全代码，它能够直接理解整个 Snowflake 环境：数据结构、权限体系、业务流程。开发者只需要描述需求，系统即可自动完成应用构建。
Sridhar 表示：“从一个想法到生产环境应用，最快只需要半天时间。如果这一愿景最终成立，那么未来企业开发软件的方式也将发生根本变化——人们不再编写每一个功能模块，而是在数据和业务流程基础上直接生成应用。这与过去二十年 SaaS 软件的发展逻辑完全不同。”
为了证明这套逻辑已经开始落地，Snowflake 在峰会上请来了制药巨头赛诺菲（Sanofi）的执行副总裁兼首席数字官 Emmanuel Trinhard。
在很多人眼里，AI 转型似乎是过去两年的事情，但赛诺菲的准备实际上已经持续了五年。Emmanuel 回忆，五年前公司内部拥有多个相互隔离的数据湖，各个业务部门都有自己的数据体系。虽然积累了大量数据，但这些数据彼此无法连接，最终只能生成数千份 BI 报表，数据价值远未被释放。
因此，赛诺菲选择与 Snowflake 合作，对底层架构进行重构。最初吸引他们的是 Snowflake 计算与存储分离的架构设计，但随着合作深入，他们逐渐发现更大的价值来自统一的数据基础。在完成数据整合后，赛诺菲开始进一步重构端到端业务流程：采购、IT 服务、人力资源、销售体系，都开始围绕统一数据平台运行。公司每年高达 180 亿欧元的采购业务，也被纳入新的 AI 工作流之中。更重要的是，整个过程无需在不同系统之间来回迁移数据，AI 能够直接在数据所在位置运行。
如果说大会前半场的核心议题是围绕数据基础设施的构建与治理展开，那么到了后半场，全场目光最集中的嘉宾，无疑就是 Anthropic 联合创始人兼总裁 Daniela Amodei。
Daniela 在对话中直言，五年前几乎没有企业会把生成式 AI 用于日常运营。而现在，从金融服务、法律、医疗到软件开发，几乎所有大型企业都已经把 AI 纳入了核心战略。对于 Anthropic 而言，过去一年最大的变化并不是客户数量的单纯增长，而是企业开始真正把 AI 放进生产环境——实验阶段正在结束，规模化部署正在开始。这意味着企业关注的重点也随之转移：过去关注模型有多聪明，现在关注模型是否能够创造价值。而价值的来源，往往不在模型本身，而在数据。
谈到 AI 未来的发展速度时，Daniela 再次提到了业内熟悉的 Scaling Law。她认为，即便是 Anthropic 内部每天都在研究模型的人，也很难真正适应这种指数级进步。模型几乎每隔几个月就会获得新的能力，一年后的 Claude 会比今天强大得多。因此，企业在规划 AI 战略时，不应该只围绕今天的模型能力设计流程，而应该思考未来几年希望构建怎样的业务体系——因为模型能力很可能会比企业自身的转型速度发展得更快。
这番表态透露出一个关键信息：对于 Anthropic 来说，模型能力的持续进步几乎已成为既定事实。真正的问题不再是“模型够不够聪明”，而是“模型能否理解企业”。
而理解企业，需要更多的上下文。这些上下文来自企业内部的数据：订单记录、客户关系、财务信息、供应链系统、运营日志……这些信息并不存在于互联网上，也不掌握在模型公司手中。而这恰恰是 Snowflake 存在的价值。
整场对话中，一个反复出现的关键词是 Trust（信任）。Daniela 认为，很多人把安全与创新看成一对矛盾关系，但在企业市场中，情况恰恰相反：信任是创新的加速器。没有企业 CEO 会希望模型产生更多幻觉，也没有企业愿意把关键业务交给一个不可预测的系统。因此，企业真正需要的并不仅仅是最先进的模型，还需要一套能够保证数据安全、权限合规和结果可审计的运行环境。
这也正是 Anthropic 与 Snowflake 合作不断加深的重要原因。在 Anthropic 看来，模型负责推理能力，而 Snowflake 负责治理能力；模型负责生成答案，而 Snowflake 负责确保这些答案建立在正确的数据之上。
Daniela 透露，在双方早期合作过程中，Snowflake 团队对于准确率和可信度的要求极高。
早在 2024 年底，双方就宣布了多年战略合作，将 Claude 直接植入 Snowflake Cortex AI。当时业界的解读还停留在“方便企业调用”。但到了 2025 年底，随着一笔高达 2 亿美元的合作扩展计划曝光，真相浮出水面：
底层化：Claude 不再是一个外挂工具，而是成为了 Snowflake Agent 产品的核心底层模型；
共谋生态：双方开始联合开发 Agentic AI，并启动 Joint GTM（联合进入市场）；
数据闭环：Claude 直接运行在 Snowflake 的治理环境内，企业数据无需迁出。
Snowflake 透露了一个惊人的数据：数千家客户每月通过 Cortex AI 处理数万亿级的 Claude Token。 这意味着什么？意味着 Snowflake 已经悄然成为 Claude 在企业市场最大的分发渠道之一。
这背后的底层逻辑其实很简单，大模型公司有一个天然的致命伤：它们没有数据。
企业的核心资产——财务数据、CRM、供应链、日志——都锁在 Snowflake、Databricks、SAP 或 Salesforce 里。
如果 Claude 仅仅是一个 API，那么它随时可能被 GPT-4 或 Gemini 替换掉。企业只会为“结果”付费，而不会为“通道”忠诚。
但一旦 Claude 嵌进了企业的数据工作流，情况就变了。Anthropic 正在执行的策略极其清晰：
AWS 提供算力，Claude 提供大脑，Snowflake 提供血液。
这三者的联盟，隐约已经有了对标 “微软 + OpenAI + Azure Fabric” 的气势。
为了巩固这个三角关系，Snowflake 前不久豪掷 60 亿美元绑定 AWS。外界第一反应往往是“买 GPU”，但这其实低估了这笔交易的意义。
根据 Reuters 披露的细节，这笔钱买的不仅是算力，更是战略协同：Graviton 芯片的深度优化、Agentic AI 的协同开发以及 Marketplace 的联合销售。
这实际上是在构建一个“铁三角”的商业闭环：
AWS 层（收费站）：通过 Anthropic 的 10 年 1000 亿和 Snowflake 的 5 年 60 亿承诺，锁定未来的现金流；
Anthropic 层（推理引擎）：专注于 Reasoning（推理）、Planning（规划）和 Tool Use（工具调用）；
Snowflake 层（数据底座）：掌握企业最核心、最值钱的数据。
这场合作揭示了一个更深层的行业焦虑：Agent 时代，谁才是新的操作系统？
过去 Snowflake 讲的故事是“数据仓库”（Data Warehouse），后来变成了“数据云”（Data Cloud），而现在，它的新故事是 “AI Data Cloud”。
这个新故事的潜台词是：未来的企业不仅仅把数据存在这里，他们的 Agent 也要在这里运行，模型在这里调用，权限在这里治理。
这或许正是 Anthropic 联合创始人出现在 Snowflake Summit 的真正原因。随着 Databricks 绑定 Meta 和 Mosaic，Google 依托 BigQuery 推 Gemini，企业 AI 的生态战争已经打响。
这实际上也是在从另一个角度验证 Snowflake 的判断：模型会越来越强，但企业 AI 真正的护城河，仍然是数据。
声明：本文为 InfoQ 整理，不代表平台观点，未经许可禁止转载。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。