Snowflake CEO 复盘：为什么 LLM 时代企业需要一个 AI Data Cloud？

01.

Snowflake 的“转型”：利用 AI 放大已有数据价值

 Sarah Guo：你担任 Snowflake 的 CEO 已经 18 个月了。从接替 Frank Slootman 到现在，公司经历了怎样的变化？

Sridhar Ramaswamy：Snowflake 一直是一家非常出色的产品公司。十多年前，Benoit Dageville 和 Thierry Cruanes 开发的初始产品走在了时代前沿，迅速在全球引起了轰动。2020 年 9 月，公司完成了当时最具影响力的软件行业 IPO 之一。

不过，随着时间的推移，Snowflake 在应对 machine learning、AI 等技术变革上的反应较慢。这也是 Frank 决定更换领导层的原因之一。他意识到公司正面临快速的技术转型，需要一位专注产品的领导者。

过去 18 个月，我们的重点是顺应这股变革浪潮。AI 的崛起已经彻底改变了企业的运作方式，Snowflake 也在产品战略、营销以及市场运作上做出了调整，这场全公司范围的转型相当巨大。去年，公司面临了一些挑战和质疑，但我们依然坚信 Snowflake 的价值。如今，Snowflake 已经处于企业 data 和 AI 的最前沿。

 Sarah Guo：你作为 CEO，前六个月的工作重点和对 Snowflake 的长期愿景是什么？

Sridhar Ramaswamy：前六个月，我的工作重点是进行一些战术性的调整，主要围绕责任制展开。像许多经历快速增长的公司一样，Snowflake 也变得高度专业化，在工程师与客户之间存在过多的层级。当公司在优化一个已建立的产品时，这种结构是有效的，但在快速变化的 AI 环境中却行不通。

因此，我们对团队进行了重组并明确了责任分工。在产品工程方面，我们为不同领域（如 AI、核心数据仓储和分析）设立了各自的负责人。同时，我们还在产品、工程和市场之间建立了直接的协作机制。如今，各专业团队能够跨部门紧密配合，更高效地将新产品推向市场。

我们的目标是更快的迭代。速度比完美的规划更为重要，因为进展往往来自于快速的开发周期和客户反馈。

我们还明确了自己在 AI 领域的定位。Snowflake 不是一个云服务提供商，也不是 foundation model lab。我们是 AI Data Cloud，也就是一个使企业能够将数据和 AI 结合的平台。这一定义明确的定位不仅指引了我们的发展方向，也为我们当前正在构建的目标体系奠定了坚实基础。

 Sarah Guo：为什么推出 Snowflake Intelligence？

Sridhar Ramaswamy：当我们刚开始探索 AI 时，我们曾考虑过构建基础模型。去年初，我们开发出了一个可用的模型，但很快我们意识到，与 OpenAI 和 Anthropic 这样的公司竞争是非常困难的，我们根本没有足够的资源进行大规模的投入。所以，我们选择了另一条路径：如何利用 AI 放大 Snowflake 中已有数据的价值？

这种做法不仅能提升客户目前在 Snowflake 上的使用价值，还会促使他们把更多数据汇聚到平台上。我们的 AI 策略非常务实：不追求重造轮子，而是专注于进一步释放客户已有数据的价值。

目前，许多云服务提供商提供的是一种 Agent 平台，客户可以将数据从任何地方引入，并构建自己想要的任何工作流。虽然这种灵活性从理论上听起来很有吸引力，但在实际操作中往往让人无从下手。相比之下，Snowflake Intelligence 提供了更明确的指导，客户能够更快速地从结构化与非结构化数据中获取价值。

我们内部转型的一个典型成果，是构建了一个统一的销售数据入口。我们将原本分散的各类销售仪表板整合到一个名为 Raven 的平台中，让它成为公司内部的销售数据助手。在完善这一概念后，我们也开始与早期客户合作，比如 Cisco、Fanatics 和 USA Bobsled Team，看看他们是如何从这种统一的数据使用方式中获得价值的。

我们的目标是突破传统仪表板的局限。仪表板本质上只是将复杂的多维数据压缩成二维视图，而 Snowflake Intelligence 则提供了一种更灵活、更高效的方式，让用户能够更自然地探索数据并获取洞察。

 Sarah Guo：客户是怎么使用 Snowflake Intelligence 的？是简单地提问并得到答案，还是需要构建仪表板？

Sridhar Ramaswamy：Snowflake Intelligence 提供了一个互动式界面，用户可以直接提问，比如客户可以问：“你能访问哪些数据集？”或者“你能回答什么样的问题？”系统也预设了一些常见问题，并能够准确处理客户的这些查询。

我们的目标是让公司里的每一位员工都能轻松使用它。它并非为会写 SQL 的人设计，而是一个面向所有用户的日常使用工具，无论他们的技术水平如何。

比如 Snowflake Intelligence 中的 Raven 是我们的内部销售数据助手，能够提供客户关系、合同状态、消费指标、近期对话以及未解决的问题的概览，它为整个组织带来了价值，但我们并没有将它定位为传统的 BI （Business Intelligence）仪表板。

尽管 Tableau 和 Sigma 等工具在 BI 领域提供了更深入的功能，但 Snowflake Intelligence 更侧重于提供超越传统仪表板的体验，是特别为商业用户打造的。

 Sarah Guo：Snowflake Intelligence 与其他 AI 产品有什么不同？

Sridhar Ramaswamy：可靠是我们所有 AI 产品的核心原则。我们把 AI 的开发方式视为软件工程，而不是采用那种“随便试试看”的 YOLO（You Only Live Once）式做法，如果 AI 一半答对、一半答错，那是不可接受的。每项新功能都必须经过严格评估后才能发布，一旦更换底层模型，我们也会重新验证所有现有能力是否仍然稳定可用。

这种对可靠性的重视对我们来说是新的转变。过去 Snowflake 主要由数据团队使用，他们负责为业务用户构建仪表板。而随着 Snowflake Intelligence 是面向整个公司所有员工，我们必须采用新的方法，例如与身份提供方集成，让用户无需单独创建 Snowflake 账户。

同时，Snowflake Intelligence 的定价方式也减少了订阅疲劳。它基于实际使用计费，用户只为自己消耗的部分付费，这使得这个产品更易于大规模推广，并避免成本失控。

 Sarah Guo：你是如何划分 Data、Agent System 和 App 之间的界限的？

Sridhar Ramaswamy：我在执行上非常务实。Data、Agent System 和 App 之间的界限本来就会有一定模糊。我们不是像 SAP 或 Salesforce 那样管理复杂生态系统的公司，它们的客户不会仅仅用 Snowflake Intelligence 来替代现有解决方案。

而且 Agent System 与传统 App 的界限也会不断演变。比如，销售团队通常需要手动更新 Salesforce，虽然可以通过 API 实现自动化，但 Snowflake Intelligence 可以更无缝地处理这些任务。同样，HR Agent 在 Workday 上处理休假请求，也是 Snowflake Intelligence 一个合理的使用案例。

我们的策略是机会主义驱动的：专注于创造实际价值，而不是追求宏大目标。这要求我们要理解用户真实需求并提供切实解决方案，而不是盲目跟随趋势，这样才能够打造持久的价值。

 Sarah Guo：为了推动组织变革的过程中，你做了哪些具体的战术性领导举措？

Sridhar Ramaswamy：变革是艰难的，尤其是在大组织中。因此我们在实施变革时是非常谨慎的。早期，我们对领导层进行了调整，同时明确了各自的责任，这些调整在几个季度内逐步完成，因为当时领导团队规模较小。

我们还引入了 war room 和 Pod mode，让产品、工程和市场团队紧密协作。最初，这种模式在小范围内试行，从而在尽量减少干扰的同时，可以提升各部门之间的协调。

另一个关键举措是将 coding agents 引入工程团队。虽然部分同事持怀疑态度，但在这个过程中，结合自下而上的倡议与自上而下的领导力是非常重要的。

• 我们的创始人 Benoit 在推动 coding agents 的采用方面起到了关键作用，他的影响力远超过我单独的努力。

• 引入 coding agents 的过程中还需要激励那些具有前瞻性思维、强烈好奇心并愿意额外投入时间钻研问题的人，这些人往往可以以身作则，激励他人，培养并支持这些关键人物，对于推动变革至关重要。

• 我们将 coding agents 推广给所有解决方案工程师时，他们非常兴奋，因为这大大节省了制作演示内容的时间。过去，演示内容是固定的，无法针对特定客户定制，而现在，我们可以根据客户的数据集轻松定制演示，从而创造更多价值。

 Sarah Guo：你之前是一个投资人，后来成为了企业家，角色的改变是不是影响了你在大规模管理或作为 CEO 时的领导方式？

Sridhar Ramaswamy：这些角色是互相促进的，它们以一些你可能未曾意识到的方式为你增值。例如，我以前常开玩笑说自己浪费了十年时间做研究，并获得了博士学位。但实际上，那段时间教会了我如何专注于自己的想法并清晰地表达出来，这包括写简洁摘要的能力。

我在 Neeva 的经历是我人生中最艰难、最令人痛心的时刻之一，但那段经历教会了我如何努力工作、如何不把成功视为理所当然，以及如何理解社交营销，这些都是我在 Google 时没有意识到的经验。在 Google，我独立做了 3 个月的产品第一次发布时，甚至登上了 The New York Times，在 Google，产品分发和快速规模化的方式都是独一无二的体验。

经营初创公司让我真正体会到规模的重要性，也塑造了我对勤奋与竞争的态度。而在 Google 和 Neeva 的经历则让我更加珍惜自己今天所承担的角色。

02.

Snowflake 的核心竞争力始终在数据

 Sarah Guo：你曾在云服务提供商等科技巨头中担任领导，也经历过与它们正面竞争，如今又要在这些巨头构建的基础之上推动 Snowflake 的发展。你如何看待在这些巨头上创造持久价值？在基础模型不断演进的背景下，你又是如何应对这一挑战的？

Sridhar Ramaswamy：产品与市场契合是一件很神奇的事情，这是 Snowflake 存在的原因。

尽管三大超大规模云服务商都希望像在其他领域一样统治数据市场，但 Snowflake 和 Databricks 都在其中开辟了独特的位置。这本身就是非常罕见且值得保持谦逊的成就。

像 OpenAI 这样的公司仍处在高速扩张阶段，它们目标明确，就是打造最好的产品并不断超越竞争者。从这个角度来看，coding agents 是特别有趣的赛道，因为 OpenAI 和 Anthropic 很可能在这个领域构建出最好的模型。

但我们也必须观察这些公司的下一步方向。以 Google 为例，它在搜索之外拓展购物、旅行等业务的尝试并不成功，因为缺乏这些行业的深厚基础。那么问题来了：OpenAI 和 Anthropic 在跨入新领域时，是否也会遇到类似的瓶颈？

我们必须让自己与这些模型公司保持差异化。如果只是在它们的模型之上堆叠 prompts，那就会陷入高度脆弱的境地。我们必须创造它们无法轻易复制的价值。对 Snowflake 来说，这意味着坚定地把自己定位为数据平台层的创新者，并在这个领域构建可持续的商业模式。

但即便如此，数据平台也绝非安全区。云服务商拥有无限的资源和耐心，如果我们停止创新，最终很可能会像 Intel 那样被淘汰。云服务提供商已经向我们证明，它们拥有近乎无限的资源和耐心。如果我们不持续创新、保持领先，就随时可能被超越。因此，保持领先不仅是为了竞争本身，更是为了不断证明：Snowflake 配得上在行业顶端站稳脚跟。

 Sarah Guo：在这样一个技术快速变化的时代，作为软件公司的 CEO，你怎么看待在这样的环境中建立竞争力？

Sridhar Ramaswamy：竞争力不是一次性制定好战略就能长期保持的，而是需要每天持续构建和强化的。你必须不断前进、不断适应变化，才能让公司保持竞争力。

 Sarah Guo：即使没有云服务商那样充足的预算，Snowflake 依然能够制定长远规划。你加入公司时，就不只把 Snowflake 视为一个 data cloud。从技术生态和客户价值的角度来看，你认为 Snowflake 在未来三到五年将朝哪些方向发展？

Sridhar Ramaswamy：我们的核心能力始终在数据平台层。我常用一句话来概括我们的使命：Snowflake 贯穿了客户数据从生成到被转化为可执行洞察的这整个过程。

过去的伟大科技公司，比如 Google 和 Meta，本质上都是以数据驱动的公司，而不仅仅依赖单纯的产品构建。过去，开发汽车或软件这样的产品时，涉及的数据收集很少，而 Google 和 Meta 这样的公司则持续使用数据来指导和改进它们的系统。它们的成功在于数据与产品能力的深度整合。

我的团队在数据和产品上的资源投入也几乎是同等规模。Snowflake 希望成为所有类型数据的长期伙伴，帮助企业获得像这些科技巨头一样的数据能力。AI 在这一过程中是一个巨大的加速器，如今的 CEO 们已经意识到，数据不仅是现代化的基础，更能深刻影响企业的效率与经营方式。

这正是 AI 与 Snowflake 结合的价值所在：数据变得更重要，而 Snowflake 的平台在帮助客户释放数据价值方面拥有独特优势。

 Sarah Guo：在你看来，Snowflake 与各大云服务提供商的关系应该如何定位？

Sridhar Ramaswamy：Snowflake 采取的是 data-first 的模式，而不是 services-first 的模式。我们强调简单性和集成性，这使我们与其他云服务提供商区分开来。Snowflake 让企业能够在内部以及与合作伙伴之间安全、高效地共享数据。

在这个基础之上，我们所做的 AI 也不是附加的功能，而是从一开始就深度融入了 Snowflake 的治理体系。这种自底向上的集成方式，使我们具备更强的可持续性。

从长期趋势来看，仅靠购买计算、存储，再写大量自定义代码来解决问题会变得越来越吃力。Snowflake 提供的是更高层级的抽象，帮助企业直接把精力放在价值创造上，而不是重复建设底层能力。

我在加入 Snowflake 前就坚信：如果一个数据平台能够跨越多家云服务商，并靠自身能力赢得信任，它的规模完全可以媲美一个云服务商本身。而如今，AI 正在进一步加速这一趋势。

 Sarah Guo：从整体数据生态来看，Snowflake 过去的传统数据模式与现在新形成的合作伙伴关系有什么不同？为什么 Snowflake 现在会与 SAP 这类公司合作？

Sridhar Ramaswamy：过去，Snowflake 的视角更偏向以自身为中心。但随着客户将来自 SAP、Workday、Salesforce 的数据迁入 Snowflake，这些公司逐渐也意识到这些数据的重要性，也看到软件与服务、软件与数据之间的界限正在变得模糊。

在 Google 的经历让我认识到，成功的关键在于找到合适的合作伙伴，并与他们共同创造价值。早期我们与 Microsoft 的合作并不紧密，因为他们与 Databricks 有合作，而且那时市场也不确定 Fabric 和 Snowflake 哪个是合适的解决方案。但随着 Satya Nadella 推动合作，我们逐步调整了双方的关系。

过去几年，我们与 Microsoft 建立了更具战略性的合作方式，包括与 Fabric 的产品集成以及在共享客户上的推进。尽管在部分客户那里我们会与他们竞争，但合作同样能为更多客户创造价值。这一原则同样应用于我们与 AWS 和 GCP 的合作。

像 SAP 这样的企业软件供应商也意识到行业正在发生变化。因此，我们与 SAP 的合作不只局限于数据共享，还在探索如何在分析、AI 等领域进行合作，以及如何基于 SAP 数据构建创建 agent 的工具。SAP 的全球影响力也能帮助我们更有效地触达客户。

这种转变标志着我们在合作伙伴关系上的成熟。我们希望与少数关键合作伙伴共同创造价值，并非每家公司都适合这种深入的合作关系，但合作创造价值的心态将是 Snowflake 长期成功和盈利的关键。

03.

AI 在哪个业务领域的 ROI 最高？

 Sarah Guo：在你看来，在哪些业务领域，AI 的 ROI 最高？

Sridhar Ramaswamy：如今，即使不是软件公司，每家企业内部也都有一批需要处理技术问题的技术专家，因此 coding agents 是企业最容易获得明确 ROI 的场景之一。它们能够加速新项目推进，降低技术门槛，让更多人能接触并使用技术。Snowflake 自身也在使用 coding agents，并持续改进，以帮助客户更轻松地使用 Snowflake。我们提供给客户的方法，同样也适用于我们自己。

另一个具有高 ROI 的领域是客户支持（customer support），也就是通过构建人类知识库，在 AI 无法回答时提供备用方案，AI 可以处理文本和语音请求并自动生成回答。在这种情况下，自动化可以显著提升数据获取效率，尤其是在取消了高额的许可证费用（例如每人每月 50 美元）之后。这正是 Snowflake Intelligence 的核心：让数据访问更民主化。

虽然这些场景的 ROI 很明显，但我认为过早过度强调 ROI 可能会带来问题。许多公司更应该从小型、渐进的项目开始，通过不断累积成果来证明价值。

员工也可以从 ChatGPT 等免费工具中获得大量实际价值，尤其是处理日常任务时。企业越是降低 AI 的神秘感、越愿意持续尝试，就越能理解 AI 的真正价值。我非常重视“尝试次数”。例如，我们的销售数据助手在最终成型前经历了三次迭代，每次都在前一版本基础上增强了功能。与一次性推出大型项目相比，这种迭代方式更重要。我不倾向于一次性下注，而更相信通过持续迭代不断创造价值。

总而言之，我会建议客户不要在 Snowflake 上为 AI 做大规模的前期投入，客户应该从小额尝试开始，例如每次投入约一千美元。等真正看到明显成效、并对方向更有信心时，再进行更大规模的扩展。

我对那些能够清楚识别自身即时应用价值的企业更为乐观。AI 的潜力很大，但真正能领先的，是那些了解客户工作流程，并且能将成功经验迅速扩展到新领域的公司。

这也说明了为什么 Snowflake 在整个体系中的位置如此关键，因为它能显著缩短从投入到实现价值的时间。如果企业选择自行开发 AI 方案，使用通用框架或 API，周期往往会更长。

例如，许多客户在实践中意识到，构建类似 Cortex Analyst 的工具比预期困难得多。由于我们在推出 Snowflake Intelligence 之前已经完成了许多分析项目，客户对我们的能力更有信任，这也让我们能处理更复杂的场景。

04.

AI 如何改变广告？

 Sarah Guo：如果未来人与 AI 的聊天界面越来越直接，逐渐取代传统搜索，在线广告行业会发生怎样的变化？

Sridhar Ramaswamy：广告本身是一个非常有影响力的领域，而且有多种有效的呈现方式。好的广告往往一眼就能辨认，但在聊天界面中，广告模式一定会发生变化。我们必须确保它不会变得“难以识别”，避免让用户分不清哪些内容是广告、哪些是自然生成的信息。例如，如果某个心理咨询的聊天界面不断推荐同一款药物，这就会成为风险。

不过，广告不会消失，它只会持续演进。只要方式合理、合规，它依然是一种可行的模式。作为消费者，我们需要保持清醒，弄清广告能带来什么价值，并坚持保有自己的选择权。

但值得高兴的是，当前的 AI 模型越来越强调引用和信息来源。尽管用户看到的信息可能变得更集中，但人们愿意追溯原始资料的意愿却在增强，这是一个积极的信号。

现在验证信息也比以往容易得多。例如，把一篇论文贴到 ChatGPT 这类模型中，就能帮助确认信息来源。现在可用的工具非常多，这和我们早年在 Neeva 推出引用功能时的理念非常相似，引用的重要性从未减少。

而且像 ChatGPT 和 Deep Research 这样的产品，也带来了非常大的价值。几乎任何主题的专业论文现在都能轻松获取，前提是用户具备理解这些内容的能力。

05.

为什么有了 AI 模型还需要传统搜索？

 Sarah Guo：你既了解信息检索和搜索，又常年和结构化、非结构化数据打交道。如今企业内部能够通过 AI 模型获取的数据越来越多，在这种情况下，传统的信息检索技术和索引方式还有那么重要吗？

Sridhar Ramaswamy：很多人容易把“搜索（search）”简单等同于“找信息”（information retrieval），但其实没那么简单。Google 当年能成功，核心是靠 PageRank，也就是利用整个互联网的资源，判断哪些信息更受关注，但到 2004、2005 年左右，PageRank 的效果就开始下降了。

Google 并没有公开解释这一点，但真正让搜索持续有价值的，是用户点击行为形成的“反馈循环”：用户点了什么、跳过了什么，这些互动数据才是越来越关键的部分。

在 AI 系统中，我常提到一个概念叫 evaluation loop，它指的是系统持续接受评估、调整并优化的过程，来提高性能和准确性。或许未来这种机制可以直接融入模型上下文，但现在还做不到。

关于 LLM，也有类似的讨论。例如，模型是否应该会算数学题。虽然可以认为模型足够强就应该会计算数学题，但事实上，写几行 Python 就能更简单地解决问题。同样地，判断答案是否可靠也已经有成熟方法了。既然这些工具已经存在，为什么不直接利用，而要让 AI 单独完成所有任务？

而务实的人会选择最好用的工具。因此从目前情况来看，搜索仍然非常有价值。我想不出放弃它的理由，搜索能够提供外部信息，而这些信息，至少现阶段，AI 模型还无法轻松吸收并完全内化。

换句话说，如果有简单方法能解决问题，却硬要让模型独立处理，并不是优点。现在搜索 API 被广泛使用，本身就说明 AI 能从这些外部工具中受益。它们提供的信息，是模型难以轻松消化的，而这种价值无法替代。