模型不缺了，企业缺的是“认知”
几个月前，一份财报，改变了外界理解 Snowflake 的方式。
截至 2026 年 4 月 30 日的 2027 财年第一季度，Snowflake 收入达到 13.91 亿美元，同比增长 33%，其中产品收入为 13.34 亿美元，同比增长 34%。
过去 12 个月产品收入超过 100 万美元的客户增至 779 家，剩余履约义务达到 92.1 亿美元。公司随后将全年产品收入指引从 56.6 亿美元上调至 58.4 亿美元。
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：这一季度，其净收入留存率达到 126%。
更耐人寻味的是，推动这种消费扩张的，已经不只是传统的数据仓库业务。
Snowflake 披露，已有超过 1.36 万个账户使用其 AI 能力，Snowflake CoWork 的使用账户数量环比增长超过一倍，AI 编程工具 Snowflake CoCo 则进入了超过 7100 个账户。
AI 正在变成新的查询、新的计算任务和新的数据处理流程，最终体现在 Snowflake 平台的实际使用量中。
数字是最直观的表达，上面一个又一个亮眼的数字会让人得出一个结论：Snowflake 抓住了 AI 风口。
但他们不只是抓住了风口这么简单。
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 Snowflake CoWork、Snowflake CoCo 或 Cortex Agent 直接贡献。
所以从这个角度来说，AI 在 Snowflake 这里不是突然多出了一门可以独立核算的新生意，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。
从产品形态看，Snowflake CoCo 是一款 AI 编程工具，但从企业使用逻辑看，它和独立编程助手并不是同一种产品。
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 Snowflake CoCo 的优势就体现出来了，它可以在 Snowflake 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。
不过，拥有数据，并不代表 AI 已经理解了一家企业。
近期，在一场围绕 Snowflake 年中复盘及展望展开的直播中，Snowflake 亚太区解决方案工程总裁杨扬、Snowflake 北美区首席 AI 架构师贾天下、数势科技创始人兼 CEO 黎科峰以及白鲸开源 CEO，Snowflake 中国雪花大使郭炜，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。
杨扬用一个比喻解释了企业 AI 目前的处境：“大模型就好像是读计算机科学，顶尖的计算机科学毕业生，他算法都懂，数学他也非常懂，但是他的生产能力在进入一个大型的软件公司研发团队的时候是低的，因为他对整个公司研发的背景，包括公司的知识，公司所在的行业他不懂，所以还需要有一个提高认知的过程，把他在学校里面学到的计算机科学和数学的知识，用在对公司的产品的设计和研发的认知上，这样才能产生最大的效率。所以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。
贾天下在给出了一个非常直接的判断：“AI 模型很聪明，但是它不了解你的企业。它不知道什么叫所谓的高价值客户，它不知道公司的 revenue 是怎么定义的，也不知道一个 KPI 背后有什么样的逻辑、什么样的业务规则。同样是一同一个客户，在财务、客户和客服部门，可能代表着不同的含义。”
因此，在他看来，2026 年企业 AI 面对的主要矛盾，是缺少“enterprise cognition”，即企业认知。
“AI 上半场我们拼的是模型的能力，AI 下半场我们拼的是企业的认知。这也就是为什么今天 Ontology 不再是一个技术名词，它开始作为企业级 Agent 智能体的一个认知底座。”
本体论是企业运行方式的数字表达
在传统数据体系中，语义层经常被理解为一套统一指标口径：告诉系统“收入”如何计算，“活跃用户”如何定义，“区域”应该按哪个字段划分。
本体论比这更进一步。
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。例如，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、某项风险事件触发特定审批流程。
知识图谱解决的更多是具体实例之间的关系，例如“A 员工属于销售部”“B 客户购买了 C 产品”；本体论处理的则是更抽象的类别、关系和规则，例如员工与组织之间存在雇佣关系，客户与产品之间存在购买关系。
在贾天下介绍的 Snowflake 本体论架构中，底层仍然是企业原有的数据表，以及用节点和边表达的实体关系，向上依次定义类别、关系和规则，建立抽象视图，再构建不同业务场景需要的语义模型，最上层则是 Cortex Agent 等 AI 应用。
这套架构试图填补的是 AI 模型与数据表之间长期缺失的“意义层”。
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。
因此，本体论的价值是把企业认识世界、划分对象和制定规则的方式，转化为机器可以读取、查询和执行的结构。
从这个角度看，Snowflake 正在尝试完成一次比“从数据仓库升级为 AI 平台”更深的迁移：从管理企业留下了什么数据，走向描述企业如何理解自己。
从“数据可用”到“AI 可理解”，企业要重新整理知识
过去企业强调 Data AI Ready，首先指数据可以被集中、清洗和治理。数据不能散落在大量孤立系统中，也不能存在严重的重复、缺失和口径冲突。
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”。
杨扬认为，Data AI Ready 正在增加新的含义：“以前 Data AI Ready 是说，你的数据要从不同的数据源里面拿进来，放到一个单一、可以管理的平台里面去。今年第二层的意思是，数据从源数据进来以后，怎么把它提取成 AI 可以轻松读懂的语义层，能够抽象化，让 AI 有一个认知，然后再达到知识。”
与此同时，企业对 AI 的期待也从 Copilot 转向 Autonomous Agent，不再满足于获得一段洞察，而是希望 AI 能够执行下一步动作。
这意味着，企业需要准备的不只是 AI Ready Data，还有 AI Ready Know-how。
黎科峰认为，企业多年积累的工作流、SOP、专家经验和“playbook”，都需要重新整理成 AI 可以调用的形式。
“一个是 AI Ready 的 Data，一个是 AI Ready 的 Know-how。数据里面很关键的是语义化，它能够被理解、能够被归因、能够被组合。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。”
这也是企业 AI 竞争与模型竞争最大的区别。
模型能力可以通过 API 快速获得。今天使用 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”：
“对于一个银行来讲，它真正的资产，是它的数据加上多少年来形成的一系列风控规则。对于一家能源企业来讲，不光是它的数据，还有工程经验、业务知识和专家系统。这些东西是 AI Model 永远训练也学不到的。”
“未来企业的护城河，实际上是企业的认知系统。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，解决我企业需要解决的问题。”
Snowflake 希望承担的角色，正是把这些数据和 Know-how 组织成可被 AI 持续调用的认知基础。
语义不能只留在 Snowflake 内部
本体论和语义层的另一个难题，是企业业务逻辑并不集中存在于某一个数据平台。
一部分逻辑写在数据仓库中，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。
Open Semantic Interchange 项目在 2026 年被 Apache 软件基金会接纳进入孵化器，并更名为 Apache Ossie。它试图用厂商中立、机器可读的格式，描述指标、维度、数据集及其关系，让 ETL、数据平台、BI 工具和 AI Agent 能够交换语义模型，而不是只交换原始数据。
这件事的意义类似于 SQL 之于关系数据库：不同工具不必采用完全相同的内部实现，但至少需要一种共同语言。
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。
不过，Apache Ossie 目前仍处于孵化阶段，行业距离形成真正统一的企业语义标准，还有很长一段路。不同企业对客户、风险和收入的定义本来就存在差异，标准可以解决交换格式，却无法替企业完成业务梳理。
Agent 从顾问走向执行者，本体论也将从语义层变成决策层
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。
杨扬在直播中介绍，他已经使用 Snowflake CoWork 准备每天的会议。Agent 会读取日历，判断会议对象是员工、客户还是外部合作伙伴，再根据邮件、Slack、HR 系统和 CRM 记录整理背景资料，必要时还会查询外部新闻，生成会议准备材料、邮件草稿和演示文档。
Agent 需要理解人与人之间的关系，判断哪些数据与当前会议有关，并调用下游工具完成一系列工作。
贾天下也提到，自己的工作方式已经从“把一个个任务交给 AI”，转向“告诉它最终结果”。Agent 自主决定需要读取哪些数据、执行哪些动作，并通过多轮检查生成架构方案。
但对于涉及战略、风险等关键业务的内容，最终决定仍然需要由人做出。
“人定义结果，AI 来实现，最后人还是要 Review。尤其是 Business Critical，涉及战略、涉及风险，最后还是人来决定，人要承担这个责任。你不能最后出问题了去找 AI，AI 没法承担责任。”
从建议走向执行，是企业 Agent 最重要，也最危险的一步。
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。
在这个过程中，本体论的作用也会变化。
“Ontology 过去可能是语义层，给 Data 提供一个加持的中间层。但是未来 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。”
这可能是本体论在 Agent 时代真正重要的地方。
数据治理正在变成实时的 AI 治理
当 Agent 只负责回答问题时，本体论更像一张企业内部的“概念地图”。它告诉模型，什么叫客户，什么叫订单，销售收入应当采用哪一种口径，不同系统里的同名字段是否指向同一个对象。只要这张地图足够清楚，Agent 就能少走弯路，也不至于把一段形式正确的 SQL，建立在错误的业务理解之上。
但当 Agent 开始从“回答问题”走向“参与业务”，事情就变了。
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。
贾天下认为，目前真正没有准备好的，不是模型，是企业自身。
“今天 Agent 不光是查数据了，它要参与决策。这个时候，对于企业来讲，就是有了一个自主的、能干的数字员工。谁给它权限？谁来做审计？谁来做审核？最后出了问题谁承担责任？它不是模型的问题，也不是 AI 能够解决的问题。以前叫数据治理，现在叫 AI Governance。”
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。
黎科峰也指出，数据平台出身的企业在部署 Agent 时，往往更容易获得客户信任，因为数据本身就对应着部门、角色和权限。
“数据背后就是业务，业务背后就是权限。”一个能够读取所有表、但无法继承原有权限体系的 Agent，即使在 POC 中表现得更“聪明”，也很难进入生产环境。
这解释了为什么 Snowflake 不断强调自己是“Agentic Enterprise 的控制平面”，而不仅是一个提供模型调用能力的平台。
Snowflake CoWork 和 Snowflake CoCo 所连接的不只是模型，还包括企业数据、权限、工具和工作流。
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”。
但“控制平面”也是一个需要谨慎看待的定位。
一旦企业的语义定义、权限规则、Agent 编排和行动审计集中在同一个平台，平台的价值会显著提高，迁移难度也会随之增加。Snowflake 需要证明的，不只是它能够让 Agent 工作，还包括这些规则是否足够透明、可移植，企业能否持续掌握自己的认知资产。
AI 重新定义组织中的责任
当 Agent 开始承担更多分析和执行工作，另一个无法回避的问题是：企业是否会因此减少人员？
黎科峰对此表达得很直接：
“我觉得 AI 不是为了裁员。我们有了 AI，能创造的价值更多了。原来大家绩效好和不好，我们要反省，到底是不是组织和机制阻碍了他。当这些问题解决了，你发现这些都是资产。所以现在用 AI 来裁员，说白了是找借口。”
在他的观察中，AI 原生组织真正打破的，不只是某一个岗位，而是围绕职能划分的传统协作方式。产品、研发、测试和销售不再只是负责流程中的一段，而是围绕一个业务结果组成小团队，由人和多个 Agent 共同闭环交付。
这与 Snowflake 客户提出的 Outcome Based 思路一致：业务先定义想要什么结果，技术平台再决定调用什么模型、数据和工具。
不过，结果导向并不意味着人失去价值。
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。
黎科峰将其总结为两个词：Taste（品味）和判断。
“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。”
Snowflake 真正要争夺的，是企业 AI 的认知入口
Snowflake 过去最核心的价值，是帮助企业把分散的数据汇集到统一平台中进行存储、计算、治理和共享。
但在 Agent 时代，统一数据只是起点。
企业还需要把数据转化为语义，把语义组织成认知，再把认知转化为 Agent 可以遵循的决策规则。最终，Agent 才能从“会查询企业数据”，进化到“理解企业如何运转”，并在权限范围内参与业务流程。
Snowflake 当前的产品路线可以被概括为一条逐层向上的链条：
从数据存储和计算，到数据治理和目录；从语义模型和本体论，到 Snowflake CoWork、Snowflake CoCo 和 Cortex Agent；再通过 MCP 等连接方式，将 Agent 延伸到企业外部工具和真实业务动作中。
财务数据表明，客户正在增加对这一平台的使用，AI 产品也已经获得初步规模化采用。
但 Snowflake 能否真正成为 Agentic Enterprise 的控制平面，仍然取决于几个更难的问题：企业是否愿意把核心业务语义交给平台，Ontology 能否随着业务变化持续维护，Agent 的行动能否被完整追踪，以及 AI 带来的成本是否能够对应可衡量的业务结果。
本体论也不是万能答案。它无法自动解决企业内部长期存在的数据口径冲突，更不能替代管理者作出组织和责任上的选择。相反，它会迫使企业把许多过去依靠经验、默契和模糊空间运行的规则明确写下来。
这或许正是企业真正“用起来 AI”最艰难的一步。
模型 API 可以在几天内接入，Agent 原型可以在几周内完成，但要让 AI 理解一家企业，企业首先必须能够清楚地描述自己：自己的客户是谁，价值如何产生，风险如何判断，权限如何分配，哪些决定可以交给机器，哪些责任必须由人承担。
当模型能力逐渐成为可以购买的商品，真正稀缺的是企业能否建立一套机器可读、持续更新、受到治理的认知系统。
Snowflake 所押注的，正是这一层。
参考链接：
