33% 增速、126% 留存：Snowflake 用一份财报，把“AI落地难”讲成了印钞机故事

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。

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。

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。”

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。

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。

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。