截至 2026 年 4 月 30 日的 2027 财年第一季度，Snowflake 收入达 13.91 亿美元，同比增长 33%，产品收入同比增长 34%。更关键的是，其净收入留存率达到 126%——原有客户不仅没走，还在持续增加消费。推动这一扩张的，不是模型能力，而是 AI 长在数据系统里的全新消费引擎。
对于一家已经成立十余年的数据公司来说，30% 以上的增长并不常见。尤其是在企业软件市场整体承压、客户持续审视 IT 支出的背景下，Snowflake 不仅没有明显放缓，原有客户反而还在增加平台消费。
数字是最直观的表达，但数字只是故事的一部分。
注：金额单位为美元，柱形长度按最高值等比缩放，非零起点。百万美元级客户指过去 12 个月产品收入超 100 万美元的客户，本季增至 779 家。
仔细扒开内里会发现，Snowflake 没有训练出一个与 OpenAI、Anthropic 正面竞争的基础模型，Snowflake CoCo 也很难仅凭通用代码生成能力，超过 Claude Code 或者 Codex。
公司目前甚至没有单独披露 AI 产品收入，外界无法准确计算 34% 的产品收入增长中，究竟有多少由 CoWork、CoCo 或 Cortex Agent 直接贡献。
所以，AI 在这里不是突然多出了一门可以独立核算的新生意。
数据存进来，按计算量收费。客户用多少算多少，增长靠新增存储和计算需求。
AI 变成新的查询、新的计算任务和新的数据处理流程，最终体现在平台实际使用量中。
注：CoWork 为 Snowflake 的 AI 协作工具，CoCo 为 AI 编程工具。环比翻倍指 2027 财年 Q1 较上一季度的增长。
它更像是给原有的数据平台装上了一台新的消费引擎，试图让 AI 直接长在企业的数据系统里。
一个通用编程智能体，可以很快写出 SQL、Python 或者一段应用代码。但当它进入一家运行多年的企业，情况就复杂多了——那些代码背后的业务上下文，成了企业落地 AI 的拦路虎。
这些问题，不是模型更聪明就一定能解决。
大量企业业务数据原本就存放在 Snowflake 中，围绕这些数据形成的权限、治理规则、数据血缘和计算逻辑，也已经沉淀在平台内部。这时候 CoCo 的优势就体现出来了：它可以在已有的数据与治理环境中工作，不需要从零猜测每一张表的边界，也不必把敏感数据复制到另一个独立系统后重新搭建权限体系。
AI 越强，这类业务上下文的重要性反而越高。因为模型一旦只能回答问题，错误影响尚且有限；一旦能够写代码、修改数据、调用工具甚至执行交易，一个错误的口径或权限判断，就可能直接进入生产系统。
这也解释了为什么，从 SaaS 和数据平台内部生长出来的 Agent，可能比独立 Agent 更容易进入企业核心业务。它们不一定拥有最强的模型，却天然靠近客户的数据、业务规则和权限体系。
拥有数据，并不代表 AI 已经理解了一家企业。在一场围绕 Snowflake 年中复盘的直播中，几位高管把这一问题引向了一个过去更多存在于哲学、知识工程和数据建模领域的概念——本体论（Ontology）。
「大模型就好像是读计算机科学，顶尖的毕业生算法都懂数学也懂，但进入大型研发团队时生产能力是低的，因为他对公司的知识、所在的行业不懂。我们现在是把一个优秀的大学毕业生变成一个资深的工程师，这样一个过程。」
本体论，就是这一「培养过程」中缺失的认知层。它不仅定义一个概念是什么，还要定义不同概念之间的关系——客户购买产品、员工属于部门、订单关联门店、设备部署在某个工厂。
知识图谱解决实例关系，本体论处理抽象规则。
当用户询问「这个季度销量为什么下降」时，Agent 不能直接在数百张表中盲目生成 SQL。它需要先知道销量由哪些指标组成，订单、商品、渠道和客户之间是什么关系，哪些异常属于季节波动，哪些属于渠道流失——确认这些概念之后，才能决定查询什么数据，调用哪些分析工具。
过去企业强调 Data AI Ready，首先指数据可以被集中、清洗和治理。但这只解决了「AI 能否访问数据」，还没有解决「AI 能否正确理解数据」。
数据从不同源拿进来，放到单一可管理的平台里。解决的是可访问性。
工作流、SOP、专家经验和 Playbook 蒸馏成 AI 可调用的形式。解决的是可理解性。
「数据里面很关键的是语义化，能够被理解、被归因、被组合。Know-how 里面，除了静态的 Workflow、SOP，很重要的一块就是 Playbook。你做出来 80 分和 90 分，一定有很多 Skill 在里面，这些东西要蒸馏下来。」
模型能力可以通过 API 快速获得，今天用 A 模型，明天可以切换到 B 模型。真正难以复制的是一家银行积累多年的风控规则、一家能源公司的设备运维经验、一家零售企业对选址和库存的判断，以及一家公司在无数次失败和复盘后形成的业务习惯。
贾天下将这些内容称为企业的「认知系统」：「未来企业的护城河，是企业的认知系统。真正能够区分一个企业的，不是哪个企业有最好的大模型，而是怎么让模型理解我的企业。」
企业业务逻辑并不集中存在于某一个数据平台。一部分写在数据仓库中，一部分写在 ETL 管道里，还有一部分存在于 Tableau、Power BI 等 BI 系统，或者散落在各类指标平台、数据目录和业务应用里。
如果每个工具都重新定义一次收入、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拥有不同含义，人尚且需要反复对数，Agent 在跨系统执行任务时更容易得到相互矛盾的结果。这也是 Snowflake 推动开放语义标准的原因。
对于 Snowflake 而言，开放语义标准也具有现实必要性。假如本体论只能在 Snowflake 内部成立，企业很难把多年积累的业务语义放心交给一个平台。只有当语义定义能够迁移、审计并被其他系统消费，本体论才可能真正成为企业资产，而不是新的厂商锁定方式。
当 Agent 只负责回答问题时，本体论主要影响答案是否准确。但当 Agent 开始执行动作，问题就发生了根本变化。
一个回答错误的聊天机器人，最多让用户重新提问。
一个执行错误的 Agent，可能误删数据、错误调价、停止客户账户，或者把不应公开的信息发送给外部人员。因此，Agent 越自主，企业越需要明确它能读取什么数据、调用什么工具、完成什么动作，以及什么情况下必须由人审批。
「Ontology 过去可能是语义层，给 Data 提供加持的中间层。但未来 Ontology 可能更多是一个决策层（Decision Layer）。我制定规则，这个 Agent 能干什么、不能干什么，最后让 Ontology 参与决策。Agent 在 Ontology 制定的边界里面完成任务。」
传统数据治理更多发生在数据进入仓库之后：检查质量、统一口径、设置访问权限并记录血缘关系。Agent 参与业务流程后，治理必须提前到动作发生之前，并贯穿推理和执行过程。
Snowflake 在这一阶段的优势，是其原有数据治理和权限体系可以继续向 Agent 延伸。角色权限、属性权限、数据标签和审计记录，不必在 AI 系统中从零建立。公司还在 2026 年签署协议收购企业级 MCP 平台 Natoma，试图将治理范围从「Agent 能够查看哪些数据」，扩展到「Agent 能够在其他业务系统中采取哪些行动」。
当 AI 可以快速生成大量方案，人最重要的能力可能从执行转向选择。
「AI 会给你很多选择题、很多 Option，你怎么选择，怎么样 Review，这是很关键的。Taste 给它方向，当它做出来以后，你来判断好和坏、做选择。这两端是未来人的技能和价值所在。」
杨扬则划出了一条更现实的界线：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，而不会把最终动作完全交出去。
「到了最后，就是一个企业的根本，它的人和它的钱。你让不让 AI 来动这两块？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，但是钱和人，目前看来还需要一段时间，才能让大家给 AI 更大的自主权。」
当模型能力成为可以购买的商品，企业 AI 的真正护城河不是模型参数，而是能否建立一套机器可读、持续更新、受到治理的认知系统。本体论不是万能答案——它无法自动解决口径冲突，反而会迫使企业把过去依靠经验和默契运行的规则明确写下来。这，才是企业「用起来 AI」最艰难的一步。
Snowflake CoWork、CoCo 及 Cortex Agent 已面向企业客户开放，Apache Ossie 开源项目可在孵化器页面追踪进展。
snowflake.com → 企业 AI 平台