财报把 AI 变成用量故事

Snowflake 最新财报显示，AI 正在从概念投入转化为平台消费增长。截至 2026 年 4 月 30 日的 2027 财年第一季度，公司收入达 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 个月产品收入超过 100 万美元的客户增至 779 家，剩余履约义务为 92.1 亿美元，公司也将全年产品收入指引从 56.6 亿美元上调至 58.4 亿美元。

更关键的是，老客户还在扩大使用：净收入留存率达到 126%。在企业软件预算趋紧的背景下，这意味着 Snowflake 的增长并非只靠新增客户，而是平台内计算、查询和数据处理任务继续增加。

AI 采用也已形成规模：

• 超过 1.36 万个账户 使用 Snowflake AI 能力；
• Snowflake CoWork 使用账户环比增长超过一倍；
• AI 编程工具 Snowflake CoCo 进入超过 7100 个账户。

不是做大模型，而是让 AI 长在数据里

Snowflake 并未训练一个与 OpenAI、Anthropic 正面竞争的基础模型，也没有单独披露 AI 产品收入。因此，34% 的产品收入增长中有多少来自 CoWork、CoCo 或 Cortex Agent，外界无法精确拆分。

它的策略更像是把 AI 嵌入既有数据平台。通用编程助手可以生成 SQL 或 Python，但进入企业后，真正困难的是理解表结构背后的业务含义、权限边界、治理规则和数据血缘。很多企业数据本就存放在 Snowflake 中，围绕数据建立的访问控制和计算逻辑也沉淀在平台内，这让 CoCo 这类工具不必把敏感数据复制到外部系统再重建权限。

AI 越接近执行，业务上下文越重要。 如果模型只是回答问题，错误影响有限；一旦它能写代码、调用工具甚至修改流程，错误的指标口径或权限判断就可能进入生产环境。

本体论补上“企业认知”

在 Snowflake 相关讨论中，一个关键词是 Ontology，本体论。简单说，它是把企业概念、关系和规则结构化表达出来，让机器理解“客户”“收入”“订单”“部门”等概念如何相互关联。

传统语义层多用于统一指标口径，例如收入如何计算；本体论更进一步，定义客户购买产品、员工属于部门、订单关联门店、风险事件触发审批等关系。知识图谱偏向描述具体实例之间的连接，本体论则抽象出类别、关系和规则。

Snowflake 设想的架构，是在底层数据表和实体关系之上，建立类别、规则、抽象视图和业务语义模型，再服务 Cortex Agent 等 AI 应用。当用户问“这个季度销量为什么下降”，Agent 不能盲目在数百张表中生成 SQL，而要先理解销量由哪些指标构成、渠道和客户如何关联、哪些变化属于季节波动。

这意味着企业不只要准备 AI Ready Data，还要准备 AI Ready Know-how：工作流、SOP、专家经验和业务 playbook 都要转化为 AI 可调用的形式。

语义开放与治理压力并存

难点在于，企业语义往往分散在数据仓库、ETL、BI、指标平台和业务系统中。如果每个工具都重新定义收入、客户和利润，就会产生“语义漂移”，Agent 跨系统执行任务时更容易得到矛盾结果。

Snowflake 推动的 Open Semantic Interchange 项目已在 2026 年被 Apache 软件基金会接纳进入孵化器，并更名为 Apache Ossie，目标是用厂商中立、机器可读的格式交换指标、维度、数据集及其关系。它的意义类似 SQL 之于关系数据库：不要求内部实现一致，但需要共同语言。

与此同时，Agent 正从顾问走向执行者。它可能读取日历、邮件、Slack、HR 和 CRM 记录，生成会议材料，也可能在未来调用更多业务工具。此时治理必须从“数据进入仓库后”前移到“动作发生前”：谁授权、谁审计、谁复核、出错后谁负责，都成为 AI Governance 的核心问题。

点评：Snowflake 争夺的是认知入口

Snowflake 的机会不在于拥有最强模型，而在于靠近企业数据、权限和流程。它试图从数据存储与计算，延伸到语义模型、本体论、Agent 编排和行动审计，成为企业智能体的控制层。

但这条路并不轻松。企业是否愿意把核心业务语义交给平台，本体论能否随业务变化持续维护，Agent 行动能否完整追踪，AI 成本能否对应可衡量结果，都会决定其成败。本体论也不能自动解决长期存在的数据口径冲突，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。

行业走向已经清晰：模型 API 会越来越易得，真正稀缺的是企业能否把自身业务知识组织成机器可理解、可治理、可执行的认知系统。Snowflake 的财报说明，市场正在为这条路径付费。