一份财报改变了外界对 Snowflake 的认知。截至 2026 年 4 月 30 日的 2027 财年第一季度，Snowflake 营收达 13.91 亿美元，同比增长 33%；产品收入 13.34 亿美元，同比增长 34%。
过去 12 个月产品收入超百万美元的客户增至 779 家，剩余履约义务达 92.1 亿美元，全年产品收入指引上调至 58.4 亿美元。在企业软件市场承压背景下，Snowflake 净收入留存率仍高达 126%，显示原有客户消费持续增加。
增长动力已不仅限于传统数据仓库业务。数据显示，超 1.36 万个账户使用其 AI 能力，Snowflake CoWork 账户数环比翻倍，AI 编程工具 Snowflake CoCo 覆盖超 7100 个账户。
AI 正转化为新的计算任务与数据处理流程。然而，Snowflake 并未训练与巨头正面竞争的基础模型，其 AI 工具也难以在通用代码生成上超越竞品。AI 对 Snowflake 而言，并非独立的新生意，而是为原有数据平台安装的“新消费引擎”，旨在让 AI 原生生长于企业数据系统中。
通用编程智能体虽能快速生成代码，但缺乏企业特有的业务上下文（如权限、治理规则、数据血缘），这成为落地阻碍。Snowflake CoCo 的优势在于直接在现有数据与治理环境中工作，无需重建权限体系。随着 AI 具备执行交易等高风险能力，业务上下文的重要性愈发凸显。从 SaaS 和数据平台内部生长的 Agent，因天然靠近客户数据与规则，比独立 Agent 更易进入核心业务。
模型不缺了，企业缺的是“认知”
拥有数据不代表 AI 理解企业。在近期复盘中，Snowflake 亚太区解决方案工程总裁杨扬等人将问题指向“本体论（Ontology）”。杨扬比喻道，大模型如同顶尖毕业生，懂算法却不懂公司背景，需经过“认知培养”才能成为资深工程师。本体论正是这一缺失的认知层。
Snowflake 北美区首席 AI 架构师贾天下指出，AI 不了解“高价值客户”定义或 KPI 背后的业务逻辑。2026 年企业 AI 的主要矛盾是缺少“企业认知（Enterprise Cognition）”。
"AI 上半场拼模型能力，下半场拼企业认知。Ontology 不再仅是技术名词，而是企业级 Agent 的认知底座。”
本体论是企业运行方式的数字表达
传统语义层仅统一指标口径，而本体论进一步定义了概念间的关系（如员工属于部门、订单关联门店）。知识图谱解决实例关系，本体论则处理抽象的类别、关系和规则。
在 Snowflake 架构中，底层为数据表与实体关系，向上依次定义类别、规则及抽象视图，最上层支撑 Cortex Agent 等应用。这套架构填补了 AI 模型与数据表之间的“意义层”。当用户询问销量下降原因时，Agent 需先理解指标组成与异常定义，而非盲目生成 SQL。本体论将企业认识世界的方式转化为机器可执行的结构，推动 Snowflake 从管理数据向描述企业自我理解迁移。
从“数据可用”到"AI 可理解”
企业要重新整理知识
过去"Data AI Ready"侧重数据集中与清洗，如今需增加新含义：将源数据提取为 AI 可读的语义层，形成认知与知识。企业期待从 Copilot 转向 Autonomous Agent，这不仅需要 AI Ready Data，更需要 AI Ready Know-how。
数势科技创始人黎科峰认为，企业积累的工作流、SOP 及专家经验（Playbook）需重新整理供 AI 调用。模型能力可通过 API 快速获取，但银行的风控规则、能源公司的运维经验等业务习惯难以复制，构成了企业的“认知系统”与护城河。
“未来企业的护城河是认知系统。区分企业的不是谁有大模型，而是如何让模型理解企业并解决问题。”
语义不能只留在 Snowflake 内部
企业业务逻辑分散于仓库、ETL 及 BI 系统中，若各工具定义不一，将导致“语义漂移”。为此，Snowflake 推动开放语义标准。Open Semantic Interchange 项目已进入 Apache 孵化器并更名为 Apache Ossie，旨在用厂商中立格式描述指标与关系，实现跨工具语义交换。
开放标准类似于 SQL 之于数据库，避免了厂商锁定。尽管 Apache Ossie 仍在孵化，且行业统一标准尚需时日，但这标志着语义定义需具备可迁移性与审计性，方能成为企业资产。
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 从回答问题转向执行动作，本体论的作用随之变化。杨扬演示了 Snowflake CoWork 如何自主准备会议材料，整合多方信息；贾天下则表示工作方式已转变为告知 AI 最终结果，由其自主规划路径。但在涉及战略与风险的关键业务上，最终决定权仍在人。
“人定义结果，AI 来实现，最后人 Review。涉及战略与风险，必须由人承担责任。”
执行错误的 Agent 可能导致数据误删或信息泄露，因此企业需明确 Agent 的权限边界。本体论将从语义层进化为决策层（Decision Layer），制定规则限定 Agent 行为，确保其在安全边界内完成任务。
数据治理正在变成实时的 AI 治理
传统数据治理发生在入库后，而 Agent 参与业务流程要求治理提前至动作发生前，贯穿推理与执行全过程。贾天下强调，当前未准备好的是企业自身，需建立针对数字员工的权限、审计与责任机制，即"AI Governance"。
Snowflake 的优势在于其原有的数据治理与权限体系可直接延伸至 Agent，无需从零构建。收购企业级 MCP 平台 Natoma 后，治理范围进一步扩展至 Agent 在其他系统中的行动。然而，“控制平面”定位也带来挑战：平台需证明规则的透明性与可移植性，避免形成新的厂商锁定。
AI 重新定义组织中的责任
针对 AI 是否导致裁员的疑问，黎科峰表示 AI 旨在创造更多价值，而非单纯减员。AI 原生组织将打破职能壁垒，围绕业务结果组建人机协作团队。当 AI 提供大量方案时，人的核心价值转向"Taste（品味）”与判断力，负责方向指引与优劣抉择。
"Taste 给方向，人来判断好坏做选择。这是未来人的技能与价值所在。”
杨扬指出，客服、风控等场景已逐步由 AI 执行，但涉及“钱”和“人”这两项核心资源，目前多数企业仍仅让 AI 提供洞察，完全放权尚需时日。
Snowflake 真正要争夺的是企业 AI 的认知入口
Snowflake 的核心价值正从统一数据存储升级为构建企业认知系统。其产品路线涵盖从数据治理到语义模型，再到 Agent 应用及外部工具连接。财务数据表明该策略初显成效，但要成为 Agentic Enterprise 的控制平面，仍需解决语义移交、持续维护、行动追踪及成本衡量等难题。
本体论迫使企业将模糊的经验规则明确化，这是 AI 落地的艰难一步。当模型能力商品化，稀缺的是企业能否建立一套机器可读、持续更新且受治理的认知系统。Snowflake 押注的，正是这一层。
参考链接：
https://investors.snowflake.com/news/news-details/2026/Snowflake-Reports-Financial-Results-for-the-First-Quarter-of-Fiscal-2027/default.aspx
https://www.snowflake.com/en/news/press-releases/snowflake-reports-financial-results-for-the-fourth-quarter-and-full-year-of-fiscal-2026/