2026.09.24 | AC | Software | NA AI Data Cloud Check Pt.1

摘要

本文核心要点包括： 1， AI时代云数据平台定位及价值变化，企业客户上云意愿变化 2， AI Agent对客户资源消耗量影响，AI Agent渗透率及客户使用反馈 3， 后续推动AI Agent渗透率提升核心驱动力

以下为专家观点：

1，在AI时代，云数据平台（例如Snowflake）的角色和价值发生了哪些演变？

AI技术正推动云数据平台从传统的数据仓库向一个集成了数据、AI模型、检索功能及企业级Agent的综合性平台转型，这种整合为企业带来了显著价值：

首先，在基础设施层面，它解决了集成成本与安全合规两大痛点。当数据与AI功能原生集成在同一云平台时，企业无需再投入额外的人力与技术成本，将第三方AI模型（如Anthropic的Claude、DeepSeek或KIMI）与云端数据库进行集成。同 时，这也规避了因向第三方模型开放数据库权限而可能引发的数据泄露风险，增强了数据的安全性与合规性。

其次，从业务应用层面看，平台内嵌的AI功能（如RAG或其他模型）能够专门服务于企业自身的特定数据，确保AI应用（无论是生成仪表盘、配置自动化还是其他功能）都具有高度的针对性和业务相关性，从而帮助企业更精准地控制成本并引导业务发展。

此外，云平台的数据处理能力也在扩展，从过去单一的关系型数据库，发展为能够处理包括文件、语音、图片、视频在内的多模态、非结构化数据。AI在多模态数据环境下的应用灵活性和潜力更大。为支持AI的检索与模糊查询等高级功能，这些云平台普遍内置了向量数 据库。即使平台自身不研发AI模型，它们也会通过与多家大型语言模型厂商（如Anthropic）合作，将第三方模型部署在平台上，为客户提供多样化的模型选择，以满足不同业务场景的需求，这种灵活性深受客户青睐。

2，进入AI时代后，尤其在近一年内，客户将数据迁移上云的意愿以及上云后的消耗量或消耗速度有何变化？

客户数据上云的意愿和速度呈现出行业分化的趋势。对于医疗、金融等对数据安全要求极高、相对保守的行业，其上云步伐虽然不及其他行业迅速，但转型的趋势是明确的。这些行业的企业正逐步向云迁移，许多国外金融公司已积极拥抱云技术，将大部分数据部署在云端。 对于高度敏感的机密信息，它们会采用本地服务器存储或投资建设私有云的混合策略。

对于安全要求相对不那么严苛的行业，采用云服务已成为主流选择，企业倾向于直接使用云平台，而非自建传统的数据中心，以规避高昂的基础设施运维成本。

然而，企业最终决策仍需进行成本效益分析，这取决于云平台的收费模式。云平台的收费模式主要分为按订阅和按消耗两种。如果平台采用按用户数订阅的收费模式，企业可能会因为成本考量而限制上云的用户规模。

3，企业在选择云服务时，主要有哪些计费模式？各类企业上云的决策逻辑和趋势是怎样的？

企业选择云服务主要有两种计费模式：订阅和按量付费。

订阅模式基于许可证或用户人头数计费。企业在决策时会进行成本效益分析，比较上云的总费用与在本地部署系统（包括购买设备、雇佣运维人员等）的总开销。如果上云的成本更低，企业会选择上云；反之，若不划算，则可能仅部分业务上云，或维持本地部署。

按量付费模式则不关心许可证或用户数量，而是根据实际使用的资源量（如存储、计算资源）进行收费。企业与云厂商签订一个容量合同，按使用量结算。这种模式下，即便企业用户规模庞大，若云资源消耗少，费用也相应较低；反之，用户规模小的企业如果资源消耗大， 费用也会很高。这种模式对用户而言更加合理。

目前，云数据平台普遍以按量付费模式为主。整体趋势是企业都在向云迁移，但迁移速度因企业类型和政策而异。对于缺乏IT基础设施的中小企业或初创公司，它们通常会直接选择上云，因为没有能力和预算组建专门的维护团队。而对于金融等传统行业的企业，由于有严 格的安全审计和合规要求，其上云流程相对保守，速度较慢。尽管如此，以Snowflake为例，其在海外已拥有众多金融行业客户，业务边界在持续增长。

4，对于Snowflake而言，其未来的收入增长是更多地依赖于现有客户消耗量的提升，还是新客户的获取？

Snowflake的收入增长驱动是双向的，同时关注消耗量和客户数量的增长，但核心驱动力是消耗量，客户数量的增长则作为辅助指标。在其季度财报中，会同时列出消耗量和新增用户数，这表明客户数量的增长也是其关注的重点。

之所以更侧重消耗量，是因为客户数量与收入并非简单的线性关系。例如，即便拥有十个客户，如果每个客户的消耗量都极低，公司也无法获得可观的收入。相反，若只有两个客户，但他们大量使用Snowflake的计算资源，产生的消耗量会非常大，从而为公司带来 高额收入。

从普遍规律来看，客户数量的增长通常会带动消耗量的增长，不太可能出现客户数激增而消耗量停滞的异常情况。然而，二者并非等比例增长关系，其增长曲线可能呈现为抛物线形态。最终，收入增长的关键取决于每个客户的实际使用量，而非客户总数。

5，AI Agent这类产品的推出，将对客户的资源消耗量产生何种影响？

AI Agent产品的推出预计将对客户的资源消耗量产生显著的积极影响。首先，从行业趋势来看，包括Snowflake在内的众多公司都在积极推广AI相关产品。这一现象的背后逻辑是，这些产品能够为公司带来商业价值和收入，否则企业不会投入资源进行研发和推广。其次，AI Agent能够帮助企业处理许多以往繁琐或效率低下的任务，从而提升运营效率。这种效能提升会激励客户更多地使用平台上的AI功能，进而带动底层计算和存储资源的消耗。

6，AI Agent在企业数据分析和商业智能领域的具体应用场景是怎样的，它如何改变传统的工作流程，并为企业用户带来哪些核心价值？

AI Agent能够显著改变企业数据分析的传统工作流程。以快消品行业为例，过去，业务人员若需制作季度产品销售预测的Dashboard，必须依赖公司内部的Reporting Team或BI Team来完成。这一过程通常涉及需求沟通、排期等待等环节。

引入AI Agent后，即使是不具备技术背景的普通业务用户，只要其Agent能够连接到大模型和后端的数据库（例如，云平台提供的Agent可以无缝连接到该平台的数据库），就可以直接通过自然语言下达指令。用户可以要求Agent生成特定产品在当季的营收或ROI报表。Agent会利用大模型自动编写SQL查询语句，从数据库中提取并分析数据，最终将结果以Dashboard的形式呈现给用户。

这种模式为用户带来了极高的灵活性和效率。用户不再依赖特定团队，可以随时根据新的分析维度与Agent进行对话，Agent会即时生成新的SQL查询并提取相应数据，从而消除了对其他团队的依赖，显著提高了工作效率。如果输出的报表不符合预期，用户可以 直接要求Agent进行修改、调整或进行故障排查。

7，从企业运营和成本角度来看，AI Agent的普及将对组织结构和云服务消费产生哪些深远影响？

AI Agent的普及将从两方面深刻影响企业：

首先是人员结构的优化和成本的降低。由于Agent能够自动化许多原先由BI团队处理的报表和数据分析任务，这些团队的工作量可能会显著减少。从公司角度看，这可能导致对BI人员的需求下降，企业可以精简团队，保留核心人员，从而削减人力成本。这种效率提升和成本降低的驱动力，会促使企业更积极地采纳AI Agent技术。

其次，这将推动云服务消费的增长。为了让AI Agent做出更精准的预判和分析，企业需要为其提供更多、更新的数据源。一个数据量有限或数据更新不及时的系统，产出的分析结果准确性会大打折扣。因此，企业有更强的动力将更多数据迁移并整合到云端，以便AI Agent能够访问和利用。

这种趋势直接利好云厂商。云厂商的收入主要来自三个方面：第一，数据存储费用，客户上云的数据量越大，费用越高；第二，计算资源消耗费用，当用户或Agent运行SQL等命令查询数据时，会消耗云端的CPU、GPU等计算资源节点，产生费用；第三，随着AI Agent的应用，会产生调用大模型所带来的Token费用。AI Agent的使用越频繁，Token消耗、计算资源消耗和数据存储量都会相应增加，从而全面提升客户在云平台的总消费额。

8，AI Agent在执行数据查询任务时，其生成SQL语句的效率和准确性会受到哪些因素的影响，这又将如何影响云资源的消耗？

AI Agent生成SQL查询语句的效率和准确性受用户提问方式的显著影响。用户与大模型交互时，不同的问法会引导大模型生成不同的SQL查询语句。一个清晰、高效的提问可能让Agent一次性生成最优的SQL语句，直接提取出用户所需的数据。

然而，如果用户的提问方式不够精确或效率不高，Agent生成的SQL语句可能性能欠佳，导致一次查询无法获得理想结果。在这种情况下，用户需要通过与大模型进行多轮对话来不断细化需求，Agent则会根据新的指令反复生成并执行SQL查询，可能需要多次 迭代才能最终提取到准确的数据。这个过程不仅影响了分析效率，还会导致多次运行SQL查询，从而增加了云端计算资源的消耗。

9，当前针对Snowflake的AI Agent产品，初步的用户反馈如何？

目前客户整体使用量没有那么高，客户对AI Agent的使用态度相对保守。以一家客户为例，其使用量的增长也处于20%至30%的区间。客户是否将AI Agent应用于生产环境，主要取决于其业务类型。对于核心业务，如果AI Agent的误操作可能导致重大损失，客户通常不会考虑使用。反之，对于非核心业务，若Agent出错造成的影响不大，客户则更愿意尝试。

10，推动AI Agent渗透率提升的核心驱动力是什么？中短期内对渗透率的提升有何预期？

推动AI Agent渗透率提升的核心驱动力主要有两方面：

首先是模型的质量，包括模型的健壮性、安全性以及低幻觉率。现在AI模型面临诸如攻击、窃取等多种安全风险，因此客户在选择模型时非常看重其健壮性和安全性。国外客户尤其关注头部AI模型公司的产品，例如Anthropic或OpenAI的GPT系列，因 为这些模型在口碑和准确率上表现更优。客户对模型准确率的期望非常高，普遍要求达到95%至98%，即幻觉率控制在2%至5%之间，并无限趋近于100%准确。对于需要依赖模型进行决策的高层用户而言，即便只有3%的错误率，一旦遇到，就可能完全否定整个 AI解决方案。有客户反馈，VIP用户遇到一次错误尚可容忍，但连续三次出错就会导致其彻底放弃该方案。因此，模型的选型至关重要。

其次，从产品和技术趋势来看，Agent与最新模型的适配度是关键。用户倾向于使用最新的模型。在模型之外，用户自身也在积极开发各种Skill和Tools，并希望Agent能够调用这些工具，以及访问各类MCP Server。通过让Agent作为MCP Client去访问MCP Server，可以获取更多外部资源，实现作业处理的多元化。这种模式超越了传统的RAG架构，因为仅靠模型自身的更新已无法满足需求，用户希望模型能访问更广泛的资源以完成复杂任务。这也是目前企业在进行数字化转型时的一个明显趋势。