🏔️ 数据云 · 大会首发
Snowflake 发布 CoWork：AI 代理「坐进」数据云，一句话从数据直达实时答案
在 Snowflake Summit 2026 主题演讲上，Snowflake 发布代理式工作区 CoWork：业务用户用自然语言提问，AI 代理在治理好的数据之上实时生成答案、图表与行动建议。整场演讲真正的命题是 「AI Readiness」——企业 AI 的瓶颈不在模型，而在数据地基。
来源：公开报道•
2026-06-04•
全文约 3 分钟读完
#Snowflake
#CoWork
#AI Readiness
#数据云
#AI Agent
🏔️ Summit 2026
主题演讲首发 · Snowflake 年度数据云大会
秒级
官方演示：从自然语言提问到图表答案（传统取数以「周」计）
3 层
AI Ready 地基：统一治理 / 语义层 / 非结构化数据
注：演示响应速度与后文客户效果均为 Snowflake 官方口径，暂无第三方基准验证，阅读时请按「厂商宣称」对待。
⚡ 30 秒速览
- 是什么：内置于 Snowflake 数据云的代理式工作区——业务侧自然语言问数，数据团队侧构建与编排 AI 代理；计算下推到数据所在之处，数据不出云。
- 核心论点：没有 AI Ready 的数据，就没有 AI Ready 的企业——统一治理、语义层、非结构化数据，是 CoWork 跑起来的三块地基。
- 演示什么样：零售补货、客服通话洞察两个现场 demo，跨结构化表与文本 / 通话记录联合分析，秒级返回图表与建议（官方演示口径）。
- 怎么落地：官方路径三步走——治理盘点 → 建核心语义模型 → 分批开放给业务，宣称「90 天从试点到全员」（客户案例口径）。
- 编辑提示：本质是厂商大会内容，所有数据均为单方口径；建议当「战略宣言」读，选型请以同题 POC 实测为准。
01CoWork 是什么？数据云里的「AI 同事」
CoWork 的定位可以一句话概括：把「问数据」这件事，从数据团队的排期表里，交到每个业务人员的对话框里。它分两条线：
面向业务用户，是自然语言入口：底层由 Cortex Analyst 与语义模型驱动，支持连续追问——「上个月华东毛利率为什么降？」「拆到门店看看。」面向数据团队，是代理的构建与编排台：基于 Cortex Agents 把成熟分析流程固化成可复用、可审计的代理，输出可落地为应用或触发下游动作，而不是一次性的聊天记录。
传统取数链路
业务提需求 → 数据团队排期 → 建仪表盘，周期以「周」计；问题每变一次，流程重走一遍。
CoWork 链路
对话即分析：实时答案、可追问、可固化为代理与应用；语义与权限沿用既有治理，不另起炉灶。
自然语言提问→语义解析→生成查询 / 调用代理→治理·权限校验→实时答案（可追问）
关键一环在「治理·权限校验」：谁能看什么数据，沿用 Horizon Catalog 的既有定义——AI 不另开一套权限。这是「企业级」与「玩具 demo」的分水岭（据演讲内容整理）。
02真正的主题：AI Readiness 三层地基 模型不是瓶颈，数据地基才是
这场演讲的着力点其实不是 CoWork 本身，而是它背后的前提——AI Readiness（AI 就绪度）。Snowflake 的判断很直接：企业缺的不是更强的模型，而是能让模型可靠工作的数据地基。
🛡️
第一层：统一治理 Horizon Catalog
权限、血缘、数据质量「一处定义、处处生效」，AI 与人遵循同一套规则。没有这一层，AI 越大胆，合规风险越大。
🧭
第二层：语义层 Semantic Models
把「收入」「活跃用户」「复购率」翻译成机器可执行的业务定义。没有语义层，十个部门问同一个问题，AI 会给出十个口径的答案。
📄
第三层：非结构化数据 Cortex AISQL / Document AI
PDF 合同、客服工单、通话转写，进入与表格同一张查询平面——结构化与非结构化数据，可以被同一句提问联合调用。
演讲中被反复强调的一句话，可视为整场 keynote 的题眼：「AI 的上限不是模型，而是它脚下的数据。」（据演讲内容转述）
03现场演示与落地路径 两个 demo + 官方三步走
🛒 零售补货：一句话问出异常 SKU 与补货建议官方演示
- 业务经理输入：「华东区上周哪些 SKU 动销异常？给出补货建议。」——无任何预建报表。
- CoWork 联查销售明细表与门店反馈文本，秒级返回异常清单、动销对比图与建议补货量，并支持继续追问下钻。
数据构成：结构化销售数据 × 非结构化门店反馈 · 输出物：异常清单 + 对比图 + 补货建议
🎧 客服洞察：通话记录 × 工单的联合分析官方演示
- 通话语音转写文本与工单系统直接 join，无需先建 ETL 管道。
- 输出客户情绪趋势曲线与 Top 5 问题根因——按传统流程，这是一次需要数据团队专项支持的分析项目。
过去：立项 → 排期 → 取数 → 分析，以周计 · 现在：一次对话（官方演示口径）
🪜 官方落地三步走：① 治理盘点——用 Horizon 盘清权限与数据质量；② 建核心语义模型——先覆盖最高频的 20% 业务问题；③ 分批开放——从数据素养最高的团队试点，官方案例称 「90 天从试点走向全员」。
注：为客户案例单方口径，不同企业的数据基础差异很大，请勿当作标准工期。
04为什么值得关注？
对数据团队：角色正在从「取数管道」变为 AI 资产运营者——语义模型与治理规则就是新的代码，需要评审、版本化与持续维护。CoWork 好不好用，不取决于模型多聪明，而取决于这些资产厚不厚。
对行业：数据平台正在集体把「对话入口」内生化——Databricks 有 Genie，Google 在 BigQuery 中内置数据代理，如今 Snowflake 拿出 CoWork。对话式 BI 正从一个独立品类，变成数据云的内建能力，独立厂商的时间窗口在收窄。
编辑核心判断
当模型能力趋同，企业 AI 的胜负手转向语义层与治理——谁定义了数据的业务含义，谁就掌握了 AI 的入口。
🧭 编辑视角 · 来源立场提示
- 本文原始素材是 行业媒体对 Snowflake Summit 2026 演讲的视频报道，本质属于厂商大会内容：产品能力、「数周 → 秒级」的对比、「90 天全员」的客户效果，全部出自 Snowflake 单方口径，目前没有任何第三方基准验证。
- 建议把它当作一份战略宣言来读：重点不是 CoWork 今天能做到哪一步，而是 Snowflake 希望企业把 AI 的「最后一公里」留在自己的数据云里——这与其按量计费、数据留存的商业模式直接相关。
- 如果你正在选型：让 CoWork 与 Databricks Genie、BigQuery 数据代理在你的真实数据上同题 POC，重点测两件事——语义层的长期维护成本，以及权限边界在复杂组织下是否真 hold 得住。
- 另需说明：原报道为视频形式、文字信息有限，本快讯系依据标题与大会公开信息重构整理，具体演示细节请以原视频为准。
▶现在就能看
原报道为 Summit 2026 大会演讲视频，可前往 行业媒体观看完整回放；产品能力与 AI Ready 自评可参考 Snowflake 官网。