明天我去旧金山，参加 Snowflake Summit 以及见一些硅谷的 AI 公司和久违的朋友。
这一两年只要提美国的 AI 公司 ，大家张口就是 OpenAI、Anthropic、Google 等。聚光灯全打在大模型上，比谁的参数大、谁的榜单分高。但有一家公司，不在这束光里，却可能比大多数明星公司更值得中国的企业看懂。
它就是 Snowflake。一家既不做大模型又不碰 AI 应用，但是在大模型时代却不可或缺的公司，市值常年六百亿美元上下，去年营收接近 47 亿美元。前天，Snowflake 发了 Q1 财报，营收 13.9 亿美元，同比增长 33%，超预期，股价当天涨了 36%，是公司历史上最好的单日表现。它做对了什么，以及它最近在做什么，对今天所有想用好 AI 的中国企业，都是一面镜子。
Snowflake 的故事听上去并不“性感”。
2012 年，三个数据库老兵——两个来自 Oracle，一个来自 Vectorwise——凑在一起，干了件当时没人看好的事：把数据仓库搬到云上重做一遍。
那个年代，企业的数据系统有个老毛病：存储和计算捆在一起。你想多存点数据，就得连着把算力一起买；算力闲着，钱照烧。Snowflake 做的第一件事，就是把这两样拆开——存储归存储，计算归计算，各自按用量付费，要多少给多少。
这个今天听起来理所当然的设计，在当时是反共识的。但它解决了一个真问题，于是企业用脚投票。Snowflake 一路做到 2020 年上市，成了那一年美股最大的软件 IPO。
它的商业模式也干净。不卖 license，不绑年费，你用多少算力、查多少数据，付多少钱。这逼着它必须让客户真的用起来、用得值，否则就没有收入。它的客户留存率常年在 120% 以上——意思是老客户第二年花的钱，比第一年还多。这个数字，比任何 PR 都能说明问题。
更关键的是它选的赛道：它不碰最热闹的应用层，专心做企业数据的底座。谁能看数据、谁不能看、数据从哪来到哪去、有没有被滥用——这些又重又脏、外行看不见的治理活儿，它做了十几年。等 AI 浪潮来的时候，所有人才发现，这层底座恰恰是 AI 能不能在企业里落地的命门。
中国读者对它陌生，是因为它从不喧哗。但它是那种典型的、被光环遮住的好公司——不靠讲故事，靠把一件难而正确的事做到极致。
光看一笔交易，容易看偏。但 Snowflake 这大半年的几个动作摆在一起，路线图就很明白了。
第一步，是先把“地基”标准化。2025 年 9 月，Snowflake 牵头发起了一个叫 OSI（Open Semantic Interchange，开放语义交换）的开源标准，拉上了 DBT Labs、Salesforce、BlackRock、Mistral 等一批伙伴。它要解决的问题听起来很基础，却极其要命：每家公司、每个工具，对“活跃用户”、“毛利率”这些指标的定义都不一样，语义是碎的。语义一碎，AI 算出来的东西就不可信。OSI 想做的，是让所有工具“说同一种语言”，给 AI 一个统一、可信的语义底座；
（注：我们数势是较早公开表态支持 OSI 的中国厂商之一）
第二步，是把“算力”押上去。就在这个月，Snowflake 跟亚马逊云签了一份多年战略协议，承诺在 AWS 上投入 60 亿美元，专门加速企业 Agentic AI——也就是能自己干活的 AI Agent 在企业里的落地；
第三步，是把“管控”补齐。几乎在同一时间，它宣布收购一家叫 Natoma 的公司，这已是它自 2025 年中以来的第六笔收购。Natoma 做的是一个 MCP Gateway——说人话，就是站在 AI 和企业各个系统之间的一道关卡。每当一个 Agent 要去调某个工具、动某份数据、执行某个操作，都得先过这道关：谁发起的，有什么权限，这个动作允不允许，事后能不能查。
再加上今年 Summit 的主题，干脆就叫“Making AI Real for Business”（让 AI 在业务中动真格）。
把这几件事串起来：先用 OSI 统一语义，让 AI 算得对；再用 60 亿美元押注 Agent 落地；最后用 Natoma 管住 Agent 的每一个动作。这是一条完整的路线——Snowflake 正在把自己的看家本领，从“管住数据”扩展到“管住 AI 拿数据做什么”。
它的 CEO Sridhar Ramaswamy 有句话说得很直接：“Intelligence without governance creates risk.”（没有治理的智能，制造的是风险。）他还补了一句：“Agents don't just need access to data.”（智能体要的不只是能访问数据。）
战场，从数据，挪到了动作。
AI 进企业，正在从“会说”走向“会做”。
前两年的 AI 主要是回答问题、生成内容，说错了最多是建议不靠谱。但现在的 Agent 能直接调工具、操作系统、动业务流程。它不再只是嘴上说说，是真的会出手。
一旦 AI 开始出手，风险就变了。
这正是中国企业最容易踩的坑。过去两年，我见过太多企业上 AI，第一件事是问“哪个模型最强，赶紧接进来”。模型接进来了，问题接踵而至。
第一个坑，是算不对。业务的人兴冲冲问 AI“上个月华东区的毛利率多少”，AI 一本正经给了个数，结果跟财务口径对不上——因为它根本不知道你公司的“毛利率”是含税还是不含税、算不算返点。一个会算错数的 AI，业务没人敢信，用两次就放回抽屉里了；
第二个坑，是不专业。就算数据是对的，AI 给的分析也常常像个实习生——只会罗列数字，不会看门道。一个老练的零售分析师看到“某店销售下滑”，会顺着客流、转化、连带率、周边竞品一路追下去；而通用 AI 只会告诉你“销售额下降了 12%”，然后没了。企业要的不是一个会查数的工具，是一个懂行的专家；
第三个坑，是管不住。等你真敢放手让 AI 干活了，新的担心又来了——它会不会越权调了不该调的数据、会不会自动发了一封不该发的邮件、出了岔子能不能查到是谁的责任。没有这层把关，谁也不敢把核心业务交给它。
这三个坑，没有一个是靠“换个更强的模型”能填上的。它们底下其实是三层能力：让 AI 算得对、让 AI 做得专业、让 AI 做得有边界。模型谁家强，跟这三层关系真的不大。
看到 Snowflake 这一系列动作，我的第一反应不是意外，是踏实。因为数势这几年做的事，逻辑跟它是高度类似的，而且我们在中国已经把它落进了一个个真实的客户里。
数势的产品是四层，从下往上，恰好对应着填平上面那三个坑。
最底下是多源数据接入，把企业散在各个系统里的数据归拢起来，这是地基。
往上一层是智能语义平台-SwiftMetrics，解决“算的快”和“算得对”。它做的不只是让查询变快——更重要的，是让 AI 真正看懂企业的数据资产。一家企业里，光“销售额”可能就有十几种口径，散落在几百张报表、上千个字段里，连人都常常对不齐。SwiftMetrics 把这些指标、口径、维度、行业语义沉淀成一个统一的语义层，等于给 AI 配了一本企业自己的“词典”。有了它，业务用自然语言问一句话，AI 才知道你要的到底是哪个“销售额”。
再往上是分析智能体平台-SwiftAgent，解决“做得专业”。它会自然语言问数、自动归因、生成报告，但这些只是表面。最难的，是把一个行业、一家企业的分析思路和方法论沉淀进去——遇到销售下滑，该从哪几个维度拆；看到异常波动，该顺着哪条链路追。我们把这些专家级的分析范式做进 SwiftAgent，让它的每一个动作不只是基于“对”的数据，更是基于“专业”的方法。否则 AI 再快，也只是个业务小白。
最上面是 AI 专家平台-ClawTeams，是最上面的 AI 执行层，解决“做得有边界、能干活”。前面三层打好了底，AI 才能在各个业务场景里动手。它把前三层的能力组装成具体岗位上的数字员工，在业务一线里跑：数字门店店长，盯着每家店的实时数据，一发现异常就给店长手机推预警和处理建议；数字供应链经理，从下单、排产到收款全链路盯着，缺货和压货提前预判；数字客户经理，帮一线梳理客户、生成跟进策略、自动起草沟通话术；数字投研助理，把研报、财报、行情揉在一起，几分钟出一份初稿，等等。
算得对、做得专业、做得有边界、最后能独立干活——从下到上，是一条完整的链条。我们做这套东西的时候，国内大部分注意力还在模型上，没几个人觉得“语义”、“方法论”、“治理”这种不性感的底层活儿有多重要。
现在，全球最懂数据的那家公司，用一个开放标准、60 亿美元的投入和一连串收购，把这条路摆到了所有人面前。它在全球验证的方向，正是我们在中国押注、并且已经落地的方向。被一个顶级玩家用真金白银印证一遍，这种感觉，比任何市场报告都来得实在。
出发前，我给自己列了一张观察清单：Agentic AI、MCP、可信的业务上下文（trusted business context）、非结构化数据、覆盖全域的数据治理。
清单背后是一个问题：企业 AI，到底有没有从炫目的 demo，走向可被信任的运营？
Snowflake 用最近这一连串动作，提前给了我半个答案。剩下半个，我去现场看，看全球第一梯队的企业，到底把这件事推进到了哪一步。
但有一点，我已经比出发前更确定了——这一轮的胜负，不在谁的模型更聪明，在谁能让企业真正信任它、把业务交到它手上。
守得住数据的人很多。接下来，得看谁管得住 AI。
作者：黎科峰博士，数势科技创始人兼 CEO。本文为个人观点。
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。