9 月 8 日，Snowflake World Tour 全球巡演首次落地中国。此时距离 Snowflake 正式进入中国市场刚好两年。
两年之后，Snowflake 将这场中国首秀的重点放在了一个更明确的方向上：Agentic Enterprise，企业级智能体。
Snowflake 中国区总经理张莹（Shannon Zhang）在开场中首先把问题落到了企业上下文。她提到，当先进模型越来越容易获得，AI 给出的答案可能逻辑完整、表达流畅，但进入真实企业之后，定义、口径和业务规则往往各不相同。
“当 AI 无处不在，只有准确的上下文才能让 AI 真正值得信赖。” 张莹由此将 Context 提到了企业级 AI 落地的前提位置。她同时提到，随着 Agent 开始接触客户、访问企业数据并参与业务流程，身份边界、权限、数据血缘和成本也需要一并进入治理体系。
Snowflake 中国区总经理 Shannon Zhang
过去几年，企业 AI 的讨论很大程度上围绕模型能力展开。如今，领先的大模型越来越容易获得，AI 也正在从回答问题的工具，进一步进入企业的业务流程。Snowflake 全球产品总裁 Christian Kleinerman 在现场将这种变化概括为：AI 的作用已经从“回答问题”，转向改变企业开展业务的方式，让不同职能的工作变得更高效、更具生产力。
模型能力的普及，并不意味着企业 AI 的差异会随之消失。一家企业内部特有的指标口径、业务逻辑、权限关系、数据定义，以及长期积累的私有数据，并不存在于通用模型之中。
这也构成了整场 Keynote 的核心命题：当 AI 开始真正进入企业，数据本身还不够，企业还需要把数据背后的定义、关系、规则和权限转化为 AI 可以理解和调用的上下文。
围绕智能体企业，Snowflake 给出了四个基础要素：AI 模型，企业数据与上下文，连接企业系统的软件与应用，以及将这些能力统一管理起来的 Agentic Control Plane（智能体控制平面）。Christian 特别强调，这并不是一个面向未来数年的产品愿景，而是已经可以进入实际部署的企业 AI 架构。
最大的误区：部署了智能体，数据会自行理顺
在 Christian 看来，企业迈向智能体时代首先需要破除一个常见误区：只要部署足够强的 AI Agent，原本分散的数据和复杂的数据体系就会自行理顺。
“AI 非常强大，但它不是魔法。”
模型需要正确的数据和上下文才能可靠工作。现实中，大多数企业的数据仍然分布在不同数据库、流式系统和业务应用中，形成大量彼此隔离的数据孤岛。这样的数据基础不会因为智能体出现而自动改善，也会直接限制 AI 能够创造的价值。企业仍然需要主动建设和现代化自己的数据架构，才能进一步获得可靠的 AI 能力。
这一判断随后被放进了一条完整的业务链路中。
Snowflake 中国高级解决方案工程师丁煜恒在现场模拟了一家职业体育联赛公司的经营场景：一场深圳赛事取得成功后，管理层希望判断这一模式是否能够复制到其他城市。但收入、成本、客户、人员以及实时舆情分别存在于不同系统中，单独依靠已有报表，很难直接回答增长与盈利能否同时成立。
首先需要解决的是数据本身。Snowflake 将 Fan App、POS、SAP、Salesforce、Workday 等五个数据源接入统一的数据目录，让原本分散的收入、成本、客户和人员信息进入同一数据基础。随后，对其中的敏感数据进行识别、打标和权限治理，并将治理策略延伸至模型和 Agent 的访问过程。
完成数据连接与安全治理后，还有更关键的一步：统一业务语义。
同一个指标在不同部门可能对应不同定义，Agent 同样会面临“应该使用哪一个口径”的问题。现场演示通过 Semantic View 对粉丝互动、商品销售、票务等核心指标进行统一定义，同时记录指标之间的计算关系，让人和不同 Agent 都能够依据同一套企业语义进行分析和交流。Snowflake 将这三个环节分别概括为 Data Ready、Security Ready 和 Context Ready；只有三者同时具备，企业的数据基础才真正达到 AI Ready。
在这一基础上，AI 才开始真正进入业务流程。
业务人员可以通过 CoWork 自动生成每日经营简报，再通过 Deep Research 调用多个子智能体，对深圳 VIP 增长的原因、不同城市的经营状况和潜在增长空间进行交叉分析，最终形成执行建议，并通过 MCP 连接 Slack 等业务系统完成后续动作。整个过程中，技术人员使用 CoCo 建设数据基础，业务人员通过 CoWork 使用这些数据和能力，两者共享的是同一份数据、同一套安全治理和同一套企业语义。
这也解释了 Snowflake 所说的智能体企业为什么仍然要从数据开始。智能体能够规划任务、调用工具和执行动作，但这些能力并不会替代企业原有的数据基础。恰恰相反，当 AI 从回答问题进一步走向自主行动，数据是否准确、权限是否明确、业务定义是否一致，都会直接影响智能体最终做出的判断和行动。
数据不会因为智能体的出现而自动变得 AI Ready。企业需要先让数据可用、可信，再让 AI 理解这些数据在自身业务中究竟意味着什么。 Christian 在演讲结束前再次回到这一点：企业需要主动现代化数据体系，并将 Horizon Context、Semantic View、Agent Definition、Eval Set 等能力纳入数据准备过程，随后才是进一步构建企业级智能体。
Snowflake 全球产品总裁 Christian Kleinerman
智能体时代，Snowflake 把控制平面推到台前
智能体真正进入企业之后，问题很快从“能不能用”转向“怎么管”。
它能调用什么模型、访问哪些数据、连接哪些系统、执行哪些动作，出了问题能不能追溯，成本又如何控制，这些原本分散在数据治理、权限管理、API 和云资源管理里的问题，开始被重新收拢到同一个层面。Snowflake 把这一层称为“智能体控制平面”（Agentic Control Plane）。
首先变化的是模型选择。
过去几年，OpenAI、Llama、Anthropic 此消彼长，中国市场又出现了 Qwen、Kimi、GLM、DeepSeek。模型能力更新得越来越快，不同任务对性能、成本和合规的要求也并不相同。对企业而言，模型正在从一次性的技术选型，变成一种需要持续调度的资源。
Snowflake 的做法，是尽量把选择权留在平台之上：模型在已有的数据治理环境中运行，而不是每换一个模型，就把企业数据重新复制到另一个端点；Horizon Catalog 支持 Iceberg REST Catalog API，Spark、Trino 等外部引擎可以继续读写数据；MCP 则把智能体连接到外部工具和业务系统。
Christian Kleinerman 在现场专门强调：“Snowflake 没有人希望你因为技术原因被锁定。”
这句话背后的现实并不复杂。模型、数据格式和 Agent 工具协议都还在快速变化，企业很难接受下一代 AI 架构再次变成一套封闭系统。开放意味着保留切换模型、计算引擎和应用的余地，也意味着降低今天的技术选择对未来的绑定。
但开放并不等于失去控制。
当智能体开始读取邮件、向 Slack 发消息、调用外部工具，传统的数据权限已经不够用了。谁能读、谁能写、哪些数据可以被带出原有环境、一次任务最多可以花多少钱，都需要被纳入权限、审计和成本控制。Agent Identity、Agent Policy、Prompt Protection 以及预算控制，解决的其实是同一个问题：让智能体有能力行动，也始终处在明确的边界之内。
这也是“控制平面”这个概念真正值得关注的地方。它管理的已经不只是数据，而是模型、数据、工具和行动之间的关系。
Snowflake 亚太区解决方案工程高级副总裁杨扬透露，CoWork 的全球企业用户已超过 5000 家，CoCo 超过 9000 家，并保持两位数月度增长。这些数字还不足以说明“智能体企业”已经成熟，却能说明企业 AI 的需求正在发生变化：从调用某一个模型、做一个应用，转向如何把越来越多模型、数据和智能体放进一套可管理的体系里。
模型是租来的，意义是自己的
到了业务本体（Business Ontology），Snowflake 又把“上下文”往前推了一层。
企业里的复杂性，常常藏在数据背后的关系、定义和业务规则里。客户、订单、供应商、合同、收入、成本，这些概念散落在不同系统里，也各自带着一套业务规则。表结构可以告诉 AI 数据放在哪里，却很难直接告诉它一家公司的生意究竟是怎么运转的。
Snowflake AI 技术战略首席架构师贾天下用「图纸」和「楼」来区分本体与知识图谱：本体定义抽象规则，知识图谱记录具体事实。比如，「球员是一种人，可以任职于俱乐部」属于本体；「姆巴佩效力于皇马」则是会随时间变化的事实。
差别会直接反映在查询上。“谁为皇马效力”可以返回球员名单；而“谁在皇马任职”涉及的是更高一层的关系理解，除了球员，还应该包括主教练，未来新增的队医、数据分析师也能够自动进入这个关系体系。
换到企业环境里，问题可能变成“哪些业务受这家供应商影响”“我们对某个交易对手有哪些风险敞口”。这类问题很难靠一张表、一条 SQL 解决，它需要 AI 理解不同业务对象之间的关系。
这也是 Ontology 在企业 AI 里重新升温的原因。Palantir 多年来围绕 Ontology 构建产品体系，Snowflake 如今也把业务本体纳入 Horizon Context。数据平台之间的竞争，正在从“数据放在哪里”继续向“数据意味着什么”延伸。
Snowflake AI 技术战略首席架构师 贾天下
Snowflake 的做法，是把事实与含义拆开管理。底层数据仍然只保留一份，业务概念、关系和规则单独定义，再向上生成语义模型和智能体可以调用的能力。贾天下把它概括成一句话：事实只存一份，业务含义单独管理，剩下的让系统自动生成。
这样做的价值在业务变化时更明显。新增一种实体、调整一组关系，改变的是业务定义，而不必重新建表、迁移数据，或者重写整套下游查询。对于经历组织调整、并购和业务重组的大型企业来说，过去数据模型与业务含义绑定过紧带来的维护成本，也有机会被重新拆解。
现场披露的几个案例已经开始沿这条路径落地：亚太一家银行将其用于反洗钱，通过交易方、账户和交易之间的关系识别单表难以发现的关联；中东一家主权财富基金用它建模私募市场；电通旗下 Merkle 也公开采用了类似的架构思路。
Snowflake 同时给出了一组内部测试数据。面对同一批高难度问题，编程智能体直接连接 SQL 时准确率为 24.1%，Snowflake 产品在没有语义模型时为 47.1%，加入治理后的上下文后达到 86.3%；单次提问成本从 1.76 美元下降到 0.59 美元。
背后的逻辑并不复杂：上下文越完整，模型越不需要在每一轮交互里重新猜测表结构、指标定义和业务关系。
这让“上下文”开始从准确率问题，进一步变成成本与效率问题。模型越少花力气猜测企业内部的表结构、指标定义和业务关系，调用链路也就越短。
贾天下把这个问题继续往前推了一步：未来两年，企业能够获得的模型能力不会有本质差异，真正难以复制的，仍然是沉淀在组织内部的业务定义、关系和经验。
“模型是租来的，意义是自己的。”
AI 真正进入企业之后
到了真实企业里，AI 落地很少沿着一条标准路径发生。
西门子医疗亚太区创新与流程咨询负责人 Remi Hirama 分享了其全球数据云建设与 AI 应用进展。西门子医疗自 2020 年开始与 Snowflake 合作，目前其全球数据云已连接 160 多个数据源、40 万张表，服务 1.1 万名员工，支撑 340 多个用例，数据准备周期从数小时降至分钟级。2026 年，西门子医疗亚太团队进一步基于 Cortex 构建客户数字孪生，并计划让自主智能体逐步承担更多 BI 与分析工作，向更加语义化、自动化的数据与计算体系演进。
西门子医疗亚太区创新与流程咨询负责人 Remi Hirama
Plaud 全球大数据负责人段夕华分享了 AI Native 企业快速全球化过程中的数据基础建设。Plaud 目前拥有 250 万用户，覆盖全球 170 个国家，而其大数据团队起步时仅有三四人，外部数据源也从此前的 22 个增长至 50 多个。团队最终以约 5 人、2 个月、0 专职运维完成中国、美国、日本、欧盟、新加坡 5 个区域的部署，并根据不同市场的合规要求选择模型——海外使用 GPT、Claude、Gemini，国内主要使用 DeepSeek 和 GLM。段夕华将这段经历概括为一个简单的数字：“520”。
Plaud 全球大数据负责人 段夕华
西门子能源大中华区数字化核心业务合作伙伴部门负责人李强分享了西门子能源总部利用 Snowflake Cortex 推动工程知识共享与智能应用创新的实践案例。面对全球范围内超过 80 万份分散存储于不同系统中的工程文档，以及大量沉淀于工程师经验中的隐性知识，西门子能源总部数据团队借助 Snowflake Cortex 构建统一数据环境，实现工程知识资产的集中管理与高效利用。同时，通过引入生成式人工智能，打造“Chat with Documents”智能知识入口，帮助工程师快速获取关键信息，加速设计优化与经验复用，进一步提升运营效率和安全水平。
另外，西门子能源中国团队正积极拓展人工智能应用场景，计划进一步接入 MES、IoT 等工厂运营数据，并依托 Snowpark Container Services（SPCS）集成本地的先进大语言模型，逐步构建“Chat with Data”智能数据交互平台，让更多员工能够以自然语言方式便捷获取和分析数据，持续释放数据价值，赋能数字化转型和智能制造升级。
西门子能源大中华区数字化核心业务合作伙伴部门负责人 李强
Solventum 亚太区数据与分析负责人 Jason Tung 分享了公司从 Data Driven 向 AI Driven 转型的过程。作为从 3M 医疗业务分拆出的企业，Solventum 在 Snowflake 落地中国后不久启动了中国数据平台的从 0 到 1 重建，在不到一年时间里陆续接入 ERP、物流、生产、客户及 Salesforce 等核心数据并完成建模，构建统一的数据基础。相较此前的 SQL Server 环境，新平台查询效率提升约 10 倍。Jason 在分享中反复强调一个字——“准”：企业真正把 AI 用进业务之后，数据准确性依然是后续分析、判断和智能体应用成立的前提。
Solventum 亚太区数据与分析负责人 Jason Tung
企业可以拥有越来越多 AI 工具，业务部门最终还是会回到最基本的问题：数据准不准。几年前企业投入大量资源建设数据中台，同样经历过“数据打通之后究竟能不能用”的追问。到了 Agent 时代，这个问题没有消失，反而更难回避。错误的数据过去可能影响一张报表，现在则可能直接进入智能体的判断和行动。
制造业里的 IT/OT 分离，又把这个问题往更底层推了一步。Snowflake 全球制造行业首席专家 Pugal Janakiraman 在现场举了一个很简单的例子：传感器返回一个数值 85.34，如果没有单位、设备位置、维护记录和运行状态，这个数字对 AI 几乎没有意义。
制造现场的数据长期分散在 PLC、SCADA、传感器等 OT 系统，以及 ERP、CMMS 等 IT 系统中。一边记录机器「正在发生什么」，另一边保存「为什么会发生」。只有把两者放进同一套语义和业务上下文中，AI 才有可能进一步做诊断、预测和决策。
几家公司的实践放在一起，企业 AI 真正进入生产环境后要面对的问题，也就逐渐清晰了。
它可能从一套建设了六年的全球数据云继续往上生长，也可能从五个人的小团队开始；可能要处理几十万份工程文档，也可能先解决一条传感器数据到底代表什么。模型只是其中变化最快的一层，企业真正要处理的，是自己多年积累下来的系统、数据、知识和规则，怎样进入新的 AI 工作方式里。
上下文竞赛：企业 AI 的第二幕
上下文、本体、语义层的叙事，正在成为全行业的公约数。Palantir 的 Ontology、Databricks 的 Unity Catalog 语义能力、各家向量检索与 RAG 方案，都在讲“让 AI 理解你的业务”。Snowflake 的差异化主张是原生与统一，本体存在 Snowflake 表里、无需图数据库、与数据共享同一套权限和审计。围绕上下文层的这场竞赛，才刚刚开始。
两年前 Snowflake 落地中国时，企业 AI 的竞速还停留在模型层；如今话题已经整体挪到了数据和意义层。转向本身透露出一个正在成形的行业共识：AI 的下一程，比拼的将是谁更了解自己的生意。
