2026 年的企业 AI 市场，正在经历一场悄无声息的叙事转换。
两年前，几乎所有科技峰会的主角都是大模型：参数多少亿、上下文窗口多长、benchmark 排第几。企业关心的问题是 AI 能不能做。到了 2026 年，这个问题已经基本有了答案：能，而且做得比想象中更好。但当技术可行性被验证之后，真正让 CIO 和 CDO 夜不能寐的问题变成了另一个：“AI 做错了，谁负责？”
当智能体开始自主查询数据库、调用 API、生成报告、触发审批，甚至直接修改业务数据时，它就不再是一个辅助工具，而是一个具备行动能力的数字员工。而数字员工犯错，代价可能比人类员工更高，因为它可以以毫秒级的速度，把错误放大到整个组织。
正是在这个背景下，Snowflake Summit 2026 的 Platform Keynote 显得意味深长。Snowflake 联创 Benoit Dageville 和产品执行副总裁 Christian Kleinerman 站在台上，花了整整一个小时介绍新产品、新架构、新性能指标，但贯穿其中的一条主线非常清楚：当 Agent 开始进入企业流程，平台必须提供足够可信的运行环境。
Benoit Dageville 在现场的一句话，几乎可以概括 Snowflake 对 Agentic AI 的底层判断：“最好的 Agent 平台，必须建立在最好的数据平台之上。” 这句话也解释了为什么 Snowflake 反复强调数据、上下文、权限、治理和可审计性：当 Agent 开始行动，企业 AI 的可信度，最终仍然要回到数据平台本身。
从 CoCo 的改名与桌面化，到 Snowflake CoWork 的正式登场；从智能体身份（Agent Identity）和数据流转策略（Data Movement Policy）的推出，到语义上下文（Horizon Context）的增强，这些更新背后其实有一条更清晰的主线：当 Agent 开始进入企业流程，平台必须同时解决数据、上下文、权限、治理和可审计性问题。
也正是在这样的现场语境下，InfoQ 中国奇遇团在 Snowflake Summit 26 的观察，不再只是记录一场产品发布，而是在追问一个更现实的问题：当 Agent 真的进入企业流程，中国企业该如何理解这场从“能力验证”到“可信运行”的转变？更多现场判断与一线讨论，欢迎观看「奇遇旧金山」系列 Vlog。
Platform Keynote 上最有趣的细节之一，是 Christian Kleinerman 宣布的两个改名决定。
第一个是 Cortex Code 正式更名为 Snowflake CoCo，有趣的是这个名字不是官方起的，是用户叫出来的。”当我们推出 Cortex Code 后，很快，很多人开始说：‘哦，CoCo。’” Christian 在台上笑着说，“Denise 说，我们干脆就别再叫 Cortex Code 了，直接叫 CoCo 怎么样？”
一个多少带着“被用户叫出来”意味的名字，本身就说明 CoCo 已经形成了足够高的使用辨识度。而更让市场注意的是，CoCo 的演进速度很快：它从命令行和 Snowsight 起步，六个月内扩展到 Airflow、dbt、Spark、MCP、ACP，再到 SDK 和 Agent Teams。Summit 上，Snowflake 又宣布了 Cloud Agents 即将 GA、本地开发沙箱、自动化能力、自主智能体、技能目录，以及 CoCo Desktop GA。
过去，Snowflake 最核心的交互方式仍然围绕 SQL 和数据开发展开。用户往往仍需要理解数据库、表结构和查询逻辑，才能更充分地使用平台能力。而 CoCo 的出现，改变了这一层交互逻辑。它让开发者可以用自然语言与整个数据平台对话。更值得关注的是划选提问（Snap and Ask）功能：演示者直接拖拽选中一张图表的某个区域，点击 explain，CoCo 就能基于视觉上下文给出分析。这种交互方式已经不只是“使用数据库”，而更像是在与数据协作。
CoCo 改变的是开发者与数据平台的交互方式，而 Snowflake CoWork 指向的，则是更广泛的业务人群：当 AI 不只帮助人写代码、查数据，而是进入日常工作流，它与人的关系也需要被重新定义。
Snowflake Intelligence 最初被定位为企业员工的 AI 工作助手，但 Christian 坦承：“它的范围已经远远超出了我们最初的设想。它正在改变我们的工作方式。”于是，Snowflake Intelligence 被重新命名为 Snowflake CoWork。
这个名字的改动意味深长。Intelligence 强调的是智能能力，而 CoWork 强调的是协作关系。AI 不再只是工具，而开始成为企业工作流中的协作者。
Christian 对 CoWork 的愿景描述得极为具象：“从 CEO 到每一位一线员工。如果你喜欢 F1，想象每个人都有自己的维修团队。如果你喜欢钢铁侠，每个人都有自己的 Jarvis。”这不是在卖功能，而是在卖一种工作方式的想象。未来的企业员工，每个人背后都有一个 AI 团队，随时待命。
为了让这个愿景落地，Summit 上宣布了一系列 CoWork 的重大更新。个人工作引擎（Personal Work Engine）让组织中的用户不必再手动选择用哪个 Agent，而是拥有一个个人 Agent，自动执行多 Agent 编排，根据请求类型路由到不同的能力模块。用户记忆（User Memory）让 Agent 学习用户的偏好、习惯和工作模式，越用越懂。个人技能（Personal Skills）和个人 MCP 连接器让每个用户可以连接自己的业务系统。定时任务（Scheduled Tasks）则让用户可以说“这个分析我喜欢，你能每周或每月发给我一次吗？”
更值得关注的是工作产物（Artifacts）的演进。CoWork 中创建的不再是静态报告，而是实时数据的受治理视图，可以被共享、被协作、被持续更新的可信数据视图。
这意味着 CoCo 和 CoWork 正在形成一条闭环：开发者在 CoCo 中构建和认证 AI 应用，业务用户在 CoWork 中消费和协作，两者共享同一套治理框架和安全策略。
要让 CoCo 和 CoWork 真正发挥作用，Snowflake 还需要补上另一层能力：上下文。
Cortex Sense 承担的正是这个角色。它会从 Snowflake 已有的数据和活动中构建信号，自动增强 Agent，让 CoCo 和 CoWork 在回答问题、生成代码或执行任务时更理解企业环境。Christian 在现场提到，在一个评估集中，搭配 Cortex Sense 后，CoCo 和 CoWork 的开箱准确率从 24% 提升到 83%。
Natoma 的加入，则把这套能力继续延伸到更多业务系统。借助超过 100 个业务系统连接能力，Snowflake 可以让 CoCo 和 CoWork 更自然地触达企业日常使用的应用。也正是在这个意义上，CoCo 和 CoWork 更接近 Christian 所说的 control planes：它们不是单纯的数据引擎，而是连接数据、模型和应用的工作入口，让 AI 的分析、协作和行动运行在同一套治理框架下。
三星电子执行副总裁 Jung Suh 在台上分享了基于 Snowflake CoWork 构建的 shopper’s insight action agent，也就是 SIA。Galaxy S26 发布时，SIA 不只是检索数据，而是在数据之上推理和行动：比较发布表现、规划步骤、调和信号，并给出综合答案。过去需要数小时的分析工作，现在可以在几秒内完成。
更关键的是，Samsung 全球大约有 1,000 名高管、销售和营销人员正在使用这个 Agent。他们不是数据科学家，而是直接负责区域目标、促销策略和产品路线图的业务领导。Jung Suh 提到，过去这些人完全依赖分析师来回答问题，而现在，数据团队不再是唯一入口，每位业务领导都可以在自己的工作流中获得分析能力。
这正是 CoWork 想推动的变化：不是让业务人员多一个问答工具，而是把原本集中在数据团队手中的分析能力，嵌入更广泛的业务决策现场。
Snowflake 过去最擅长的是分析已经发生的业务，而此次发布的 Datastream 指向的是另一个方向：让平台更接近正在发生的业务。
Snowflake 的崛起，很大程度上建立在"批处理"哲学之上。它将计算与存储解耦，用弹性扩展的方式处理海量结构化数据，彻底击败了传统数据仓库。但在过去，流处理并不是 Snowflake 的强项，企业如果需要实时数据，往往会额外部署 Kafka 等系统来补充。
现在，Snowflake 亲自下场做流了。而且不是做一个更好的连接器，而是从头构建一个原生流服务，兼容 Kafka Wire 协议，支持零拷贝流式处理，能够以亚秒级延迟将数据流入和流出 Snowflake。
为什么？因为 AI 时代的数据消费模式，已经从“T+1 报表”变成了“实时决策”。
当 AI 智能体开始自主监控业务信号、规划行动步骤、触发业务流程时，延迟就变成了商业生死线。智能体不可能等批处理任务跑完再做决策，它需要的是持续流动的数据血脉。
在 Agent 时代，没有"慢数据"的生存空间。更重要的是，Snowflake 将其以"真正的 Snowflake 风格"实现，存储与计算分离、零拷贝、亚秒级延迟，这意味着它试图把流处理也纳入自己的经济模型和治理框架之内。
值得一并关注的是智能体搜索（Agentic Search）的推出。它不会做传统 RAG 那种"给你 Top-K 结果"的模糊匹配，而是利用 AI 函数从非结构化数据中提取信息，提取为结构化信息，运行精确的分析查询，再返回基于非结构化内容的精确分析结果。这意味着，企业过去分散在文档、邮件、合同中的"暗数据"，现在可以被智能体直接调用、解析、计算，而且结果精确到可以支撑业务决策。
安德玛的首席数据与 AI 官 Patrick Duroseau 在视频分享中印证了这一趋势："我们面临的最大挑战是数据是非结构化的，而且归因不像现在这样一致。为了找到这些洞察，你真的必须对数据做大量人工操作。"使用 Snowflake 之后，“我们更容易把数据带入平台。我们拥有许多能力，可以支持传统 BI、高级分析，也可以在生态中共享数据，并且时间成本只是过去的一小部分。”
这正好解释了为什么 Snowflake 要反复强调"all data"——结构化、半结构化、非结构化，甚至是实时流数据，全部纳入同一个治理模型。在 Agent 时代，数据平台的边界正在被重新定义：它不再只是存数据的地方，而是让智能体能够理解和行动的企业记忆中枢。
如果说 CoCo、CoWork 和性能优化是 Snowflake 在"能力层"的布局，那么 Summit 上关于治理和信任的密集发布，则是它在规则层的深层设计。
Christian 在台上非常直接地表达了 Snowflake 的立场：“在智能体时代，我们希望确保大家能够保护自己的 Agent，并拥有多层防护。”
这句话听起来像是常规的安全表态，但结合随后发布的一系列功能，你会发现 Snowflake 的治理逻辑正在发生一次根本性的升维——从"管理静态数据"转向"管理动态智能体行为"。
首先是智能体身份（Agent Identity）。Snowflake 推出了智能体身份的概念，让你可以知道某段代码或某项活动是否发生在 Agent 上下文下。在脱敏策略或行级策略中，你可以针对 Agent 上下文设置不同的可见性权限。这意味着，同一个数据库表，人类查询和智能体查询可以被施加不同的安全策略。
其次是数据流转策略（Data Movement Policies）。你可以规定带有某个标签的数据不得移动到 stage，也不得通过 Snowsight UI 下载。在 keynote 的 demo 中，当一名 Tour Ops 员工试图让 CoWork 导出 VIP 客户数据到外部 stage 时，数据流转策略直接阻止了这次数据外泄——即使智能体本身有能力查看那张表。
第三是 Horizon AI 护栏，防止提示注入和越狱攻击；多方审批（multi-party approvals），要求高度敏感操作必须有两个管理员同意；以及信任中心（Trust Center）中的 AI 安全巡检和检测包，持续监控异常数据传输。
这些能力单独看是安全特性，放在一起，则指向 Snowflake 对 Agent 治理边界的重新定义：在 Snowflake 的设想中，未来的企业数据平台不仅要回答"谁能访问什么数据"，还要回答"智能体在什么情况下可以做什么操作"“AI 的行为如何被审计和回溯”“当智能体犯错时，责任边界在哪里”。
汤森路透首席数据官 Caitlin Halferty 在台上说了一句点睛的话："有些人认为治理是一种约束，是会拖慢你的东西。但对我们来说，治理是一个赋能者。"她解释道，Thomson Reuters 按照受托级标准（fiduciary-grade standard）构建产品。这意味着内容、数据隐私、安全、透明度和可验证性，全部达到受信托责任约束的最高标准。他们的旗舰 AI 能力 CoCounsel 每天有超过 100 万专业人士使用，而在财务和业务部门中有超过 15,000 名内部用户每天使用语义智能进行最关键的业务和财务决策。"我们已经从试点走向生产环境，"Caitlin 强调，“每一个 AI 能力在进入市场之前，都会经过负责任 AI 的流程。”
这句话精准地概括了 Snowflake 的治理哲学。在 Agent 时代，治理不再是合规部门的"拦路虎"，而是业务创新的"通行证"。没有治理，企业就不敢把 AI 放进生产环境；没有生产环境，AI 就永远只是演示。
这种治理升维还有一个容易被忽略的技术支撑：语义上下文（Horizon Context）。Christian 解释说，仅有智能是不够的，很多时候真正缺少的是上下文。语义上下文作为 Horizon Catalog 的组成部分，帮助收集信号、丰富这些信号，并将它们提供给 CoCo、CoWork 或 Cortex Agent。通过语义视图和元数据连接器，Snowflake 试图让 AI 不仅"能访问数据"，而且"能理解数据的业务含义"。这恰恰是智能体从"工具"升级为"协作者"的关键一跃，只有当智能体理解"这张表里的收入是毛利还是净利"，它给出的答案才是可信的。
与此同时，意图驱动治理（intent-driven governance）的提出降低了治理操作的技术门槛，也让治理更容易进入实际业务场景，而不是只停留在安全团队后台。企业管理者不需要再写复杂的策略脚本，只需要用自然语言表达自己的意图——比如"把我的数据库中所有个人敏感信息找出来，并确保它受到保护"——系统就会自动触发分类、找出个人敏感信息、创建正确的策略，并持续监控。治理的民主化，意味着它不再是少数安全专家的专利，而是每个业务负责人都可以直接施加的控制力。
在 Summit 上，Snowflake 展示了它在开放方向上的大量投入：从 Apache Iceberg v3 的广泛实现，到将 Apache Polaris 的 Iceberg Catalog interfaces 纳入 Horizon Catalog；从牵头创建 Open Semantic Interchange Group，到 reshare data 的 GA，再到 open sharing 进入 public preview，Snowflake 试图传递一个明确态度：它不希望自己被看作一个封闭的数据平台。
这种表态并不只是姿态问题。企业在进入 AI 深水区之后，对供应商锁定的警惕会更强。Agent 天然需要跨系统行动：数据可能在不同平台，业务流程可能在不同 SaaS 应用，模型也可能来自不同厂商。一个平台如果不能证明自己足够开放，就很难成为企业 AI 的长期底座。
Open sharing 的意义正在这里。借助 Iceberg 和 Iceberg REST Catalog，Snowflake 可以把数据共享给非 Snowflake 用户，让还没有使用 Snowflake 的组织也能成为数据消费者。站在企业客户角度，这降低了跨组织协作门槛；站在 Snowflake 角度，它也让平台更容易进入更多数据交换和协作关系中。
Multi-party collaboration 则把这种协作进一步推向复杂场景。多个参与方可以在同一个安全环境中协作，不同角色拥有不同权限：有人贡献数据，有人负责分析。Christian Kleinerman 在现场提到，Netflix 正在用这类 collaboration technology 构建与多个合作伙伴协作的 team rooms。这个案例说明，Snowflake 想做的不只是数据共享，而是让多方数据合作在可控环境里发生。
开放并不意味着 Snowflake 放弃平台中心位置。相反，它正在通过更深的生态协同，把自己放到更多数据和 AI 工作流的交汇处。
在业务系统侧，Snowflake 正在扩大与 Salesforce、Workday、SAP、IBM mainframe/Db2 data、Veeva 等系统和数据源的连接合作。query across 能力则让 Snowflake CoWork 可以在可能位于 Redshift、Postgres 或其他数据源中的数据上，提供 Snowflake 和 Snowflake AI 的能力。也就是说，Snowflake 一方面允许数据以更开放的方式流动，另一方面也在让自己的 AI、治理和协作能力进入更多外部系统。
这背后体现的是一种“开放底座、深度协同”的生态策略。
它的逻辑是：数据格式和访问协议需要足够开放，企业才会放心把关键数据和流程接入平台；但当 Agent 真正进入业务流程，价值就不只来自数据本身，还来自围绕数据不断沉淀的上下文、权限体系、行为历史和业务语义。
换句话说，数据可以保持开放流动，但围绕数据形成的智能协作经验，会逐渐沉淀为新的平台价值。当销售、客服、财务等不同 Agent 都在 Snowflake 的治理框架下运行了数月甚至数年之后，迁移成本就不再是数据迁移的成本，而是“智能迁移”的成本。
2026 年，企业 AI 的问题正在改写。大模型已经证明了“能不能做”，但企业真正要决定的是“敢不敢用”。当 Agent 开始查询数据、调用系统、影响业务流程，可信度就不再是安全团队的后台议题，而是 AI 能否进入生产环境的前提。
Christian 在 Keynote 最后说，Snowflake 正从 “can we” 的时代走向 “shall we” 的时代。它对应的正是这个转变：企业不再只需要能力展示，而需要一套能承接责任的运行体系。
Snowflake 此次展示的性能、治理、上下文、开放生态和 Agent 行为管理，都在指向同一个方向：把 AI 的复杂性收进底层，把可信度带到业务前台。企业 AI 的下一场竞争，也会从这里真正开始。
更多 Snowflake Summit 26 精彩内容，欢迎前往大会专区查看。
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。
