摘要

Snowflake的企业AI逻辑是：价值始于把推理带到受治理的数据旁边，而不是把敏感信息复制到模型供应商的环境中。 客户可以保留数据驻留、权限和治理，模型供应商则作为子处理者运行且不保存状态。Baris Gultekin的实用标准是“快速创造正向客户ROI的高质量AI智能体”——他认为这一能力今天已经存在。
近期需求催化剂，是让企业数据中80%至90%的非结构化部分能够与传统表格协同使用。 合同、研究PDF、图片和表格如今都可以通过自然语言完成提取、分类、搜索和分析；例如，财富管理智能体可以把结构化股票数据与PDF格式的股票研究结合起来。“数据带来的价值正在增加。”
过去6个月到1年，推理模型已将Text-to-SQL从脆弱的演示推进到面向广大业务用户的部署。 难点仍然在语义：“收入”只有一个正确答案，但企业可能拥有数千张表、数千个字段、过时字段，以及埋藏在组织经验中的定义。尽管如此，Snowflake Intelligence仍被称为Snowflake“增长最快的产品”，替代了部分过去需要分析师耗时1周处理的请求。
模型经济学会随工作负载规模明显分化：前沿模型适合简化一次性文档处理，而专用模型在数亿份文档场景下胜出。 Labenz观察到，Claude 4.5 Opus或Gemini 3可以直接处理几份混乱表单，但Snowflake的抽取模型“规模小了多个数量级”，在可重复字段处理上更快、更便宜。微调并没有消失；当专有数据、吞吐量或成本足够重要时，微调仍然具有吸引力。
前沿模型质量很重要，但数据驻留限制、优化后的提示词和积累下来的工作流设计，会让生产环境中的模型选择比基准测试表所显示的更难切换。 Snowflake将并排评测产品化，但Gultekin认为切换仍然有限，因为应用可能包含针对单一模型调优的“数千行系统指令和提示词”。随着质量趋同，差异化会向上迁移到ChatGPT和Claude Code等产品。
企业希望为业务用户提供边界清晰、经过优化的智能体，为技术构建者提供更开放的智能体。 Snowflake的销售助手通过一个受治理的界面服务5,000名销售人员，但会根据每名销售的个人权限返回答案。跨组织和平台边界的多智能体交接正在出现，不过客户目前仍主要在“先把这一个智能体做好”；MCP已经在使用，A2A仍处于早期阶段。
信任是一整套运营栈，而不是单一的准确率分数。 它涵盖安全、细粒度访问控制、治理、检索质量、工具选择、评测、监控、反馈和面向用户的验证；同一个智能体可能向两名员工给出不同答案，因为两人能够看到的数据不同。防护栏检查和LLM-as-judge评测已经可用且越来越常见，但Gultekin没有声称模型权重安全已得到形式化证明，或绝对“滴水不漏”。
开放格式削弱锁定效应，迫使Snowflake依靠执行力竞争；Gultekin预计，价值将更多流向芯片、模型和横向应用，而不是定制业务逻辑供应商。 Snowflake支持Iceberg，让客户保留对数据的控制；Gultekin的判断是：“中间地带会被侵蚀，两端会继续扩张。”编码智能体通过把可运行原型变成新的产品开发单元，进一步加速这一压力。对于拟议中的Q2即插即用知识工作者，他不认可这一时间表，但认为边界清晰的自主角色是自然演进方向。

精读

1. Snowflake将AI带入受治理的企业数据

Gultekin对Snowflake的基础介绍从“数据引力”讲起：企业集中结构化数据，以便跨孤岛进行安全保护、治理和分析，为大规模分析与BI仪表盘提供动力。由于客户不希望反复复制敏感信息，平台的AI路径是“让AI在数据旁边运行”。
当被问到Snowflake有多“AGI-pilled”时，Gultekin拒绝宏大叙事，转而强调运营目标。Snowflake服务大型企业，因此目标是“快速为客户创造正向ROI的高质量AI智能体”——他认为这“今天就能发生，而且正在发生”。
变化的重点不是取代分析，而是扩大分析的界面和语料范围。现有结构化数据工作负载继续存在，同时AI让文档提取、分类、自然语言查询和智能体更容易直接在分析引擎旁边构建。

2. 非结构化数据扩大可用的企业语料库

Gultekin估计，“所有数据中80%到90%都是非结构化数据”。过去，许多数据停留在数据库之外，因为企业缺乏经济可行的处理方式；如今AI既能提取结构，也能直接检索文件内容，让这些文件变得可用。
他的合同案例体现了第一类工作流：面对数千甚至数十万份文档，企业可以询问哪些合同提到某项条款、统计合同数量，或找出某一类别中即将到期的合同。过去需要专门分类器和抽取器搭建的流水线，现在变成了简单的分析操作。
更丰富的用例会同时结合两类数据。财富管理智能体仍需要股票的结构化市场信息，也需要检索困在PDF里的股票研究；真正有用的现实智能体必须跨两者进行检索和推理，而不是宣称SQL或RAG其中之一就足够。

3. 推理模型让Text-to-SQL具备部署条件

Text-to-SQL过去经常失败，因为业务问题几乎容不得错误。有人问“我的收入是多少？”时，Gultekin指出，“答案只有一个”，但收入和利润的定义可能不同，其物理表示也会变化，而真实系统中还可能有数千张表、数百到数千个字段。
真正的拐点大约出现在过去6个月到1年：更强的推理模型，加上更容易摄取业务语义，让“质量出现了相当显著的提升”。Gultekin如今认为，Text-to-SQL的质量已经足够高，可以从受训分析师扩展到更广泛的部署。
Snowflake Intelligence把这项能力封装成面向业务用户的智能体平台。按照Gultekin的说法，它是Snowflake增长最快的产品。员工可以直接提问，而不必向熟悉数据库架构的人请求分析，再等待可能长达1周的回复。
Nathan Labenz最初提出的保留意见仍然成立：模型需要组织知识，才能区分当前使用的字段和已经废弃的字段。模型能否写出正确SQL并不是决定性瓶颈；真正困难的是发现并维护企业真正想表达的含义。

4. 语义层正在成为可移植的基础设施

Snowflake利用推理模型，根据表名和字段名、底层数据、元数据、历史查询以及与BI仪表盘的连接，帮助构建语义模型。这些已有资产记录了定义和使用方式，否则它们往往会散落在不同分析师手中。
Snowflake发起的Open Semantic Interchange旨在让企业创建一次语义模型，并在参与其中的平台之间重复使用。Snowflake正与Tableau、Omni、其他BI系统和技术供应商合作，但Gultekin强调，交换格式仍处于积极开发的早期阶段。
Labenz的反驳值得保留：软件创建速度加快，可能让过去的互补者变成“亦敌亦友”的竞争者。Tableau或Snowflake都可能扩张到对方的领地，而拥有最深客户连接的平台可能“殖民”相邻品类。
Gultekin欢迎这种压力：“孤岛正在消失”，差异化正在缩小，开放标准会降低锁定效应。他的回应是，“蛋糕正在变大”，没有任何公司能够包办一切；专业化仍会存在，但墙壁倒下后，执行速度和产品质量会更加重要。

5. RAG质量提升，而底层管线正在隐形

Snowflake的RAG技术栈继承了Neeva的技术。Neeva是一家Gultekin在被收购前任职的网络规模搜索公司。他认为，嵌入质量、切块、混合搜索和重排序才是核心质量决定因素，而不是把向量检索视为一个可以随意替换的单一组件。
复杂文档仍是现实中的前沿问题：PDF可能混合表格、图片、多栏和不规则版式。构建者必须决定提取什么，以及使用文本嵌入还是多模态嵌入；但Gultekin表示，如今更多模型和管线选择可以自动完成。
这种简化解锁了Snowflake所谓的“分析型智能体文档分析”。面对分散在多个PDF中的10年季度报告，智能体可以提取每个时期的数字并计算平均值，把检索、文档理解和分析结合起来，而不只是返回相关段落。
因此，方向是双重的：RAG质量更高，也更容易组装；智能体则正在超越回答文档问题，进入重复抽取和跨文档计算。

6. 模型规模应匹配工作负载经济学

Labenz观察到，Claude 4.5 Opus或Gemini 3如今已经能够理解几份扫描版车辆销售表单，不再需要18个月前可能必备的专用嵌入、表格提取和解析栈。即使推理成本上升，工程负担也在下降。
Gultekin的限定条件是规模：“如果你要处理……数亿份文档，就不会使用Claude。”约束来自“成本和吞吐量”——既包括每次推理的成本，也包括前沿服务完成巨大批次所需的时间。
因此，Snowflake构建并微调了一款文档抽取模型，其规模“比前沿LLM小了多个数量级”。当任务是抽取一组稳定字段时，专业化会让处理速度大幅提升、成本显著下降；强大的通用能力在这里变成了未被使用的冗余。
在这一叙事中，微调并没有消亡。可以先从前沿模型和检索开始，再在企业拥有大量专有数据、任务超出基础模型训练范围，或受到吞吐量和成本约束时考虑定制模型；Cursor的自动补全模型就是Gultekin给出的规模驱动案例。

7. 企业保留模型选择权，包括是否使用中国模型权重

Snowflake提供OpenAI、Anthropic、Gemini、Meta、Mistral、DeepSeek以及其他专有或开源模型。在模型已嵌入产品的场景中，客户可能无法直接选择；在更广泛的平台上，客户可以从组织批准的模型中进行选择。
客户是否会使用中国模型权重，似乎更多取决于个别企业，而不是行业属性。即便在科技行业内部，有些企业接受，有些则“绝对不会”接受；Gultekin认为，市场竞争足够充分，拒绝一个生态并不意味着没有其他有能力的替代方案。
无论专有模型还是开源模型，都没有单一模型“全面占据优势”。这种丰富性让Snowflake有机会撮合模型选择，但实际部署仍受每家客户的内部政策和AI治理委员会约束。

8. 安全架构决定推理可以在哪里运行

Snowflake大约2年半前开始搭建这套架构，当时客户明确表示不会把数据移出安全边界。让推理在数据旁边运行，可以保留既有治理、避免数据复制，并减少攻击面。
通过与模型和云供应商签订协议，推理在相关受保护环境中运行，而供应商作为子处理者存在。Gultekin表示，“这些模型中没有任何状态会被保存”，法律和技术安排共同支持数据驻留；云供应商之所以重要，是因为它们同时提供物理基础设施和推理栈。
当被直接问到与xAI或Grok的合作关系时，Gultekin没有回答具体合作方的问题，而是转向解释部署边界。随后Labenz追问，为什么把前沿模型权重分布到不同云上还没有造成明显泄漏，包括可信执行环境可能发挥的作用。
Gultekin坦承自己的边界：安全不是他的专长，他没有提供形式化方法或密码学证明。他表示，权重访问在设计上受到限制，执行环境除了推理之外几乎无法做其他事情，但仍保留关键限定：在安全问题上，永远不能承诺某件事完全“滴水不漏”。

9. 生产环境中的模型选择比基准测试显示的更难切换

Gultekin表示，“这些模型之间的差异并不大”，尽管每个模型都在持续改进。第一道筛选可能是数据驻留，而不是质量：例如，已经承诺使用Amazon边界的企业，可能会拒绝只能通过Azure或直接通过模型供应商访问的模型。
Snowflake将模型比较产品化，而不是主要作为咨询服务提供。客户可以选择模型、运行并排评测并判断适配度；数据驻留、质量、延迟和成本都会进入决策。推理能力还可能改变表面上的价格或速度优势，因为加入推理后，比较基准本身也发生了变化。
实际生产环境中的切换仍然有限。提示词和周边系统会针对某个模型持续优化，一个应用可能包含“数千行系统指令和提示词”；除非质量提升很大，否则迁移成本会超过基准测试中的小幅差异。Gultekin把这种惯性类比为：Bing变得足够好之后，Google仍然保留了用户。
Labenz问，Snowflake是否应该“把互补品类商品化”，尽量降低这些切换成本。Gultekin不接受这一目标：选择很重要，但Snowflake从数据出发，专注于检索质量，确保每个获批模型都能获得尽可能好的上下文。随着模型趋同，他预计应用产品和使用习惯会成为下一层差异化来源。

10. 智能体自主程度应匹配用户

Labenz把智能体放在线性工作流与Claude Code式“自行选择冒险路径”之间，并提醒企业不要假设开放式编码智能体模式适合所有场景。Gultekin同意，关键在于用户角色：构建者需要灵活性，业务用户则需要一个边界清晰、针对可信答案优化的界面。
Snowflake Intelligence类似于运行在企业数据之上的ChatGPT。其内部销售助手已经服务5,000名销售人员，可以回答续约和业务账簿相关问题；集成在平台中的编码智能体则服务数据工程师和分析师，支持更自由的数据探索、管线构建和代码生成。
即便Claude Code也使用技能和指令，因此“一个智能体”内部仍然包含模块化结构。大型企业还拥有不同团队和平台：基于Salesforce的销售智能体可能需要与另一组织的智能体协同，因此交接既是所有权问题，也是性能问题。
多智能体世界仍处于早期，因为客户目前仍在专注于把一个智能体做好。MCP有时通过把另一个类似智能体的能力暴露为工具来桥接系统；Snowflake尚不支持A2A，但客户正越来越多地要求某种形式的智能体对智能体通信和开放互操作。

11. 企业信任是全栈属性

Gultekin称信任是一套“全栈”，涵盖安全、治理、答案质量、评测和持续监控。让智能体运行在受治理的数据旁边，意味着它可以继承细粒度访问控制，而不必在每个应用中重新构建一套权限体系。
同一个销售智能体可以服务两名员工，但返回不同的客户信息，因为每名用户只能获得自己有权查看的数据。HR或经理询问薪资时也是同样原则：底层智能体相同，授权上下文不同，但不会扩大用户原有权限。
可靠性还取决于检索和执行轨迹：系统是否拿到了正确上下文，是否选择了正确工具，是否沿着正确路径运行？Snowflake会评测和监控这些组件、收集反馈，并可以展示某个答案已经得到负责人验证，让信任直接呈现在界面中。
企业通常从内部智能体开始，因为内部场景的要求低于面向客户的自动化。Snowflake还提供仇恨言论、暴力和其他违规行为检查；随着模型更好地遵循指令，策略说明也会持续改进。如今的实际可解释性，主要意味着通过评测和监控观察模型及智能体行为，而不是进行机制层面的检查。

12. 编码智能体正在改变产品开发，但尚未取代整类工作

Gultekin认为编码智能体已经跨过能力门槛，但拒绝“由此获得更多闲暇”的预测：能力提升会让人们“做得多得多”，尤其是在所有人都高速冲刺的行业中。更强的推理和工具使用能力也应当扩展到编码之外，但他不愿对2026年的具体能力做出精确预测。
他表示，在从业20年后，产品管理工作流可能发生倒置。团队不必先设计并打磨传统UI，而是可以用1天写出一个技能，把它交给客户，收集反馈，然后再固化体验。Labenz的总结是：“可运行的原型才是通行货币。”
当被要求用上线功能数量或周期速度量化Snowflake的收益时，Gultekin强调的是理念变化，而没有给出指标。影响体现在行为上：部署、测试，甚至初始产品界面的定义，都已经发生改变。
对于Q2即插即用知识工作者，他的回答刻意限定了范围。自主实体是“自然的演进”，但他不认为一个能够“做任何事、做所有事”的同事已经准备好；边界清晰的角色可能有效，前提是智能体获得相关公司数据和行动工具。他没有表示Q2是否是合适的时间点。

13. 开放格式将护城河从锁定效应转向执行力

AI让数据更容易访问，也增加了具有经济价值的分析数量。Gultekin举例称，S&P可以分析财报电话会，判断CEO是直接回答分析师问题、间接回答，还是已经在准备好的发言中回答过，并将这一信号作为选股Alpha。
Labenz的看空案例从Intercom开始：智能体把大约100页文档整理成一份600页的Google Doc，再进行压缩、写出导出文件，并通过几条提示分析结果数据。他的结论是，API和AI可能让离开既有系统变得容易得多。
Gultekin拥抱这一方向。Snowflake支持Iceberg和开放格式，让客户控制存储并把Snowflake作为处理引擎；没有锁定效应后，产品就要靠性能和成本取胜。当被问到以1年衡量的不满是否可能缩短到1个季度时，他表示，竞争是“交付更快的绝佳激励”。
他对价值归属的判断是：“中间地带会被侵蚀，两端会继续扩张。” NVIDIA等芯片公司、模型供应商以及Cursor等差异化应用仍能保留价值；编码狭窄业务逻辑的定制供应商更容易暴露，因为智能体可以快速生成这些逻辑。他同意Labenz的判断：随着时间推移，横向应用可能相对强于专用垂直软件。

14. 企业智能目前仍由检索驱动

Labenz问，企业为什么不利用积累的私有历史，训练出深度预训练的“GE GPT”“3M GPT”或“Pfizer GPT”，并提到Databricks CEO Ali Ghodsi曾告诉他，Databricks已经停止了MosaicML的持续预训练产品。Gultekin用网络搜索作类比：智能可以决定何时检索最新知识，而不是把所有知识都嵌入权重。
通过Text-to-SQL和RAG进行检索更便宜、更容易更新，也更容易调节，并且会随着前沿模型改进而自动受益。Gultekin预计，大多数企业会把知识保留在模型权重之外；只有当专有数据、低延迟、高吞吐量或成本要求足以支持专业化时，任务专用小模型才会成为例外。
Labenz的反驳来自个人经验：与一个更聪明的模型相比，他能更好地搜索自己的Gmail或Drive，因为他凭借亲身经验知道哪份文档才是最终版本。Gultekin承认，“直觉其实并没有真正被理解”；使用私有数据训练可能带来一致性并减少引导需求，但不会消除对最新检索信息的需要。
Gultekin更关注Snowflake内部的质量和延迟基准，而不是ARC-AGI或其他公开分数，同时跟踪表格基础模型和快速预测。他最后的判断是，AI采用已经进入“一场竞赛”：企业需要通过原生使用培养直觉，打破数据孤岛，让工具具备AI能力，并构建足够易于大规模部署的产品。

新年直播1：AI的2025与2026，技术领域的共识与非共识 Tony Robbins 直面 AI 最棘手的问题：失业、意义与即将到来的艰难时期 | 222