摘要

Ramaswamy 用 18 个月完成的组织重置，将 Snowflake 在 AI 上的落后归因于组织速度问题：压缩工程师与客户之间的 7-10 层距离，任命对结果负责的产品负责人，并让他们与市场团队紧密协作。他的运营准则是“速度取胜。持续迭代的能力永远胜过精心铺陈的战略”，尤其是在几乎无法预测 AI 下个月会变成什么样的时候。
Snowflake 意识到自己没有足够资本与 OpenAI 或 Anthropic 进行有意义的基础模型竞争后，放弃了基础模型研发，并从 Data Cloud 转向“AI Data Cloud”。 这场更聚焦的押注，是利用搜索、text-to-SQL 和代理处理已经存储在 Snowflake 中的高价值客户数据，复利放大其装机基础优势——符合条件的《财富》2000强公司中“大约一半”已经在使用。
Snowflake Intelligence 是一个有明确取舍的企业数据代理，不是通用代理框架，也不是 SAP、Salesforce、Tableau 或 Sigma 的替代品。 其销售助手 Raven 将合同、用量、对话和未解决问题整合到同一界面；同时，强制执行的评测机制会拒绝“YOLO AI”：模型发生变化，不能悄悄破坏既有答案。
护城河必须持续重建，因为基础模型公司是“尚未遇到海洋的帝国”，而云厂商拥有“无限预算”和“无限耐心”。 薄薄的提示词层看起来不堪一击；Snowflake 的防线是跨云、受治理的数据平台，以及与 Microsoft、AWS、GCP 和 SAP 更深的整合。正如 Ramaswamy 所警告的，仅仅领先还不够：无法持续领先，“你就会变成 Intel”。
Ramaswamy 认为，编码代理、客户支持和更便捷的数据访问，是 AI 近期最明确的企业回报来源。 但他反对一开始就下巨注：要“多打几次门”（shots on goal），在迭代中逼近产品与市场的匹配，并先让客户“一次花一千美元”，直到已经验证的价值足以支持扩大投入。
互联网广告会在聊天界面中继续存在，但随着聊天收窄呈现内容、商业影响变得更难察觉，披露和用户自主权会更加重要。 他设想的刻意令人不安的失败案例，是一名暗中偏向某种药物的精神科医生；对策则是让来源、引用清晰可见，并能在 Gemini 和 ChatGPT 等系统之间轻松交叉核验。
即使 LLM 变得更强，搜索和其他可靠的外部工具仍然重要。 Google 的优势已经从 PageRank 转向行为反馈，AI 产品同样可以通过评测循环持续改进；要求 LLM 把一切都内化，就像因为“不能聪明到不用电脑”而拒绝用两行 Python 做算术。

精读

1. Snowflake 的重置，从缩短通往客户的路径开始

Ramaswamy 回顾了 CEO 交接：Snowflake 最初的产品领先数年，但公司对机器学习和 AI 的反应过慢。Frank 预判产品时代将更加动荡，推动由一名重产品的继任者接班；大量客户交流，以及客户对 Snowflake 的热情，最终说服 Ramaswamy 接下这一职位。
同比增速超过 100% 的超高速增长，让公司各处都走向高度专业化：从工程师开发功能，到客户真正使用，中间隔着“7 到 10 层团队”。在产品与市场完美匹配时，这套结构运转良好；但当“我们几乎无法判断下个月会推出什么”时，它就不再适用。
前 6 个月的核心是明确责任：分别设立 AI 和核心数据仓库负责人，并为二者配备专业的产品、工程、营销和市场团队。Snowflake 还在去年初打造出一个有竞争力的基础模型，随后意识到自己在资本上无法与 OpenAI 和 Anthropic 抗衡，于是转向“AI Data Cloud”，重点放在更快迭代上。

2. Snowflake Intelligence 以无限灵活性换取可信答案

Ramaswamy 将 SI 与那些承诺从任何地方取数、支持任意工作流、以及“一个代理统治一切”的平台作对比。无限可能反而让产品方向更难确定；Snowflake 的选择是通过搜索、text-to-SQL 等组件，更快地从结构化和非结构化企业数据中创造价值。
该产品瞄准的是仪表盘的核心局限：“仪表盘只是复杂表面的二维视图。”Snowflake 内部的 Raven 助手会整合客户合同、用量、近期对话和未解决问题；与 Cisco、Fanatics 和美国雪橇队的早期合作，则把这一模式扩展到了 Snowflake 之外。
目标用户是每一名员工，“不是会写 SQL 的人”。预置提示词避免用户面对空白页面无从下手；用户也可以询问有哪些数据集、能提出哪些问题。Ramaswamy 表示，自己在与客户开会前，一定会先查看最新的客户关系背景。
信任被当作软件正确性来处理：答案“有对也有错”，而不是“YOLO AI”。每项新能力都必须配套评测，模型变更也必须针对既有行为进行检查。SI 仍比 Tableau 或 Sigma 更窄，被定位为按用量计费的产品，而不是另一种按席位订阅的服务；它正在增加身份提供商集成，以支持广泛部署，同时 Snowflake 也在探索避免成本失控的办法。

3. 组织变革通过内部拥护者传导

领导层对齐以及跨职能“战情室”或 pod 模式先行，因为它们只影响相对较小的群体。更广泛的行为变化则被刻意分阶段推进：“改变很难”，尤其当持怀疑态度的员工必须改变日常工作方式，而不只是接受一项新战略时。
编码代理的采用，结合了高层推动与草根层面的可信度。创始人 Benoit 的热情比 CEO 指令更能说服工程师，强化了这样一条经验：找到内部拥护者，鼓励他们，再把他们推到更高位置。Sarah 将这类拥护者描述为愿意在周末进行实验、充满好奇心的人。解决方案工程师现在用代理把标准演示转化为基于合成数据、针对具体客户的原型。
他在此前每段职业经历中都改变了自己的领导方式：博士训练让他学会把想法压缩成简洁的 4 行摘要；Google 展示了极强的分发能力——一个人的 3 个月项目也可能登上《纽约时报》；Neeva 痛苦且可能过早的结局，则教会他要保持冲劲、重视营销，也不能把成功视为理所当然。

4. 持续前进的数据平台，才是可持久的护城河

产品与市场匹配依然是“瓶中闪电”：三大云厂商都希望掌控数据领域，但 Snowflake 和 Databricks 仍然存在。这并不意味着获得了永久安全边际，而是说明，当差异化价值足够强时，聚焦的产品可以击败捆绑式服务。
OpenAI 和 Anthropic 是“尚未遇到海洋的帝国”，产品构建者必须预判它们可能向哪些领域扩张。编码代理显然处在它们的路径上；主要是在单一模型之上叠加提示词的产品很脆弱，要获得持久性，就必须在模型与最终交付的价值之间建立实质距离。
Guo 提出的表述——“防御性不是规划出来的，而是构建出来的”——得到 Ramaswamy 的认同。云厂商拥有近乎无限的耐心和预算，因此企业“不仅要领先，还要保持领先”；否则，Ramaswamy 给出的直白结局是：“你就会变成 Intel”。
Snowflake 的愿景是贯通“从创立到洞察”。Google 和 Meta 展示了数据优先的模式：用户行为快速反馈进产品；Ramaswamy 指出，他在 Google 的数据团队规模与产品团队一样大。Snowflake 希望通过共享、受治理的数据和整合式 AI，在不同云之间提供同样的能力——这比购买原始算力和存储、再把一切都自行搭建出来高出一个抽象层级。

5. 合作伙伴与小规模实验构成商业化策略

Snowflake 正在走出以自身为中心的视角。此前关系复杂的 Microsoft，如今已延伸到 Fabric 集成，以及更可行的合作姿态：双方可能争夺部分客户，但在另一些场景中，Azure 加 Snowflake 是“严格意义上的正和”组合。Ramaswamy 表示，Snowflake 与 AWS 也采取同样的姿态，与 GCP 的类似安排正在推进。
与 SAP 的目标是实现“1加1等于3”：双向数据共享，以及围绕 SAP 数据开展联合分析、AI 和代理。SAP 的全球覆盖也可能扩大 Snowflake 的分发能力，但 Ramaswamy 强调，如此深度的合作只能与少数伙伴展开。
他给出的 ROI 排名，首位是编码代理，其次是客户支持——模型可以访问横跨语音和文本的机构知识，并由人工兜底——以及无需“每用户每月 50 美元许可证”的更快、更便捷数据访问。这些领域的 ROI“基本可以确定”，但这并不意味着每个工作流都应立即代理化。
Guo 认为，值得信赖的应用型供应商比通用框架更能压缩价值兑现时间；Ramaswamy 举出的证据是 Cortex Analyst：看似简单的 text-to-SQL 问题，实际远比客户预期的困难。但他仍建议不要一开始就迈出“100 英尺”的大步：Raven 之前经历过两三个版本，包括赋能工具、客户信息工具和 Customer 360 Streamlit 应用；客户应当“多打几次门”（shots on goal），并先“一次花一千美元”。

6. 广告与检索仍会存在，因为智能仍需问责

广告“会一直存在”，并将针对聊天界面重新发明自己；但 Ramaswamy 担心，商业影响会变得更难被发现。一名暗中偏向某种药物的精神科医生，是他用来提醒风险的例子；要保留用户自主权，消费者必须理解“这些东西对你有什么好处”。
Ramaswamy 认同，引用和来源的兴起令人鼓舞，即便聊天体验正在收窄呈现的内容。一篇 Gemini 深度研究文章可以粘贴到 ChatGPT 中核验链接，而如今几乎任何主题都能找到专家级论文。他认为，Neeva 在 2023 年初开展的引用工作，至今仍高度相关。
搜索不只是检索：PageRank 在 2004-05 年左右“耗尽了效力”，Google 的点击反馈循环才是更深层的优势。AI 系统同样需要评测循环，才能有意义地上线并持续改进。就像用 Python 做算术一样，调用搜索或其他经过验证的工具，是理性的智能行为：“你不能聪明到不用电脑。”

Mark Zuckerberg 与 Priscilla Chan：AI 将如何治愈所有疾病大规模抛售、Mamdani胜选，以及Jonah卖掉他的CryptoPunk