Презентация AI Pulse от Snowflake сегодня предоставила корпоративным командам по данным самое четкое представление о CoWork и CoCo — паре агентских ИИ-продуктов компании, которые дебютировали на Summit 26 в Сан-Франциско две недели назад. Время проведения мероприятия не случайно: на этой неделе Databricks завершила свой Data + AI Summit в Сан-Франциско, представив прямой контрпредложение подходу Snowflake, и теперь две платформы конкурируют за одно и то же решение по корпоративной архитектуре, предлагая кардинально разные ответы. Центральный вопрос — будут ли корпоративные ИИ-агенты работать лучше, будучи встроенными в периметр управления данными, или действуя свободно за его пределами — вероятно, определит, как команды по данным будут принимать платформенные обязательства на ближайшие несколько лет.
CoWork (ранее Snowflake Intelligence) — это персональный ИИ-рабочий агент для офисных работников. Он запрашивает данные Snowflake, управляемые в соответствии с политиками, на естественном языке, создает цитируемые отчеты по глубоким исследованиям, состоящие из нескольких шагов, публикует многократно используемые командные дашборды в виде Артефактов и выполняет действия в Gmail, Slack, Jira и Salesforce через коннекторы Model Context Protocol. CoWork работает на Claude от Anthropic в качестве основной логической основы.
Snowflake CoCo (ранее Cortex Code) нацелен на инженеров данных, аналитических инженеров и разработчиков ML. Он функционирует через четырехступенчатый агентный цикл: он анализирует запрос на естественном языке, проверяет каталог и элементы управления доступом на основе ролей, выбирает правильный нативный инструмент — Cortex Analyst для генерации SQL, Cortex Search для семантического поиска объектов или метаданные происхождения (lineage) — затем выполняет и суммирует результат. Ключевое техническое отличие от универсальных кодирующих агентов заключается в том, что CoCo использует вместо резервных решений на основе bash: нативные инструменты Snowflake, которые уже знают ваши схемы, политики маскирования столбцов и безопасность на уровне строк. Агент, оценивающий показатель выручки, не зная, определяет ли ваша организация выручку как валовую или чистую, может дать технически правильный, но операционно неверный ответ; нативная среда CoCo разработана для предотвращения именно такого класса ошибок.
Что отличает CoCo от Claude Code и Codex
На бенчмарке для инженерии данных под названием ADE-Bench — созданном Бенном Стансилом из Mode Analytics в сотрудничестве с dbt Labs и опубликованном в январе 2026 года — Snowflake сообщает, что CoCo достиг показателя прохождения 72,1%, по сравнению с 65,1% как у Claude Code от Anthropic, так и у Codex от OpenAI. Snowflake также сообщает, что CoCo выполнил задачи, используя на 51% меньше токенов и на 8% быстрее, чем Claude Code, при тех же запусках.
ADE-Bench — это более сложный и специфичный тест, чем общие бенчмарки для кодирования: задачи выполняются внутри контейнеров Docker против реальных, «грязных» проектов dbt с намеренно расплывчатыми промптами, а успех измеряется тем, проходят ли тесты dbt — а не синтаксической корректностью. Эта специфичность важна для работы по инженерии данных, где бизнес-логика, встроенная в дизайн схемы, определяет, является ли технически допустимый запрос операционно верным.
Две оговорки важны для корпоративных закупок. Во-первых, на момент написания этой статьи не было опубликовано независимых сторонних репликаций прогона ADE-Bench от Snowflake. Агент, нативный для управления (governance-native), оцененный на том же тестовом стенде, который обеспечивает заявленное преимущество, структурно расположен к получению более высоких баллов, чем внешне подключенные конкуренты: CoCo считывает RBAC, маскирование столбцов и безопасность на уровне строк нативно для роли сессии, в то время как Claude Code и Codex получают доступ к тем же данным через внешние коннекторы — это разные условия тестирования, а не просто пробел в возможностях. Исследования надежности ИИ-бенчмарков документируют систематическую тенденцию, когда результаты, полученные вендором, превышают независимо воспроизведенные, причем для корпоративных агентских систем наблюдается разрыв между лабораторными и производственными показателями около 37%. Во-вторых, живая таблица лидеров ADE-Bench, поддерживаемая dbt Labs, показывает, что Altimate Code, конкурирующий инструмент для инженерии данных на базе Claude Sonnet 4.6, достиг показателя прохождения 74,4% на Snowflake — выше, чем показатель CoCo от самой Snowflake. К обоим цифрам следует относиться как к ориентировочным сигналам до независимого воспроизведения в эквивалентных условиях.
Как работает Cortex Sense и почему важен его статус предварительного просмотра?
В основе повествования Snowflake о точности лежит Cortex Sense — уровень обогащения контекста во время выполнения, анонсированный на Summit 26. Механизм таков: во время выполнения запроса он автоматически собирает общий семантический субстрат из истории запросов, метаданных объектов, определений BI-дашбордов (Power BI, Tableau) и семантических представлений Horizon Context, а затем внедряет бизнес-определения — что означает «выручка» в вашей организации, какие сегменты клиентов должен исключать данный запрос — в каждый ответ агента без ручной настройки.
Внутреннее тестирование Snowflake показало, что CoWork и CoCo достигли 83% точности при выполнении сложных корпоративных запросов с активным Cortex Sense, по сравнению с 47% без него и 23% для передовых кодирующих агентов, использующих только коннектор MCP от Snowflake. Это сравнение в трех направлениях наиболее наглядно иллюстрирует заявленное преимущество архитектуры, нативной для управления данными.
Cortex Sense находится в частном предварительном просмотре по состоянию на июнь 2026 года. Это важно, поскольку каждое развертывание CoWork в стандартном общем доступе в настоящее время работает без собственной инфраструктуры контекста Snowflake, готовой к производству. Показатель точности 83% описывает будущее состояние, а не текущий поставляемый продукт. Дэвид Линтикум, пишущий для CIO, назвал Cortex Sense возможностью, которая «может повысить согласованность, снизить риск галлюцинаций и сделать результаты ИИ более операционно полезными» — формулировка, которая адекватно отражает его статус предварительного просмотра.
Дион Хинчклифф из Futurum Group отметил долгосрочную озабоченность для CIO, оценивающих платформу: встраивание бизнес-семантики, интеллекта рабочего процесса и навыков агентов в единый уровень оркестрации одного поставщика может сделать смену платформы стратегически такой же дорогостоящей, какой когда-то была привязка к данным (data lock-in). «Предприятия, вероятно, вступают в эпоху, когда семантическая привязка может стать столь же стратегически важной, как когда-то привязка к данным», — сказал Хинчклифф.
Snowflake против Databricks: На что делает ставку каждая платформа
Databricks завершила свой Data + AI Summit на этой неделе анонсами, которые напрямую обрамляют конкуренцию. Genie One, новый агентный сотрудник Databricks для бизнес-команд, нацелен на ту же аудиторию офисных работников, что и CoWork. Genie Ontology, самосовершенствующийся семантический контекстный движок, является ответом Databricks на Cortex Sense. Genie Code расширяет возможности агентной работы с данными. Генеральный директор Databricks Али Годси охарактеризовал дифференциатор платформы как открытость и избегание привязки — неявный ответ на более строгую модель периметра управления Snowflake.
Майк Леоне, ведущий аналитик Moor Insights and Strategy, выделил стратегическое напряжение: Power BI, Tableau, продуктивные помощники (copilots) и теперь Snowflake с Databricks сходятся к одной и той же «агентной поверхности для офисных работников», что делает для предприятий по-настоящему трудным различение устойчивой платформенной дифференциации. Исследовательская группа SiliconAngle отметила, что Snowflake «еще не является полноценной Системой Интеллекта. У нее есть сильные элементы фундамента и убедительные ранние шаги в сторону контекста и действий агентов».
Линтикум предложил практическую оговорку для любого предприятия, рассматривающего платформенное решение: «если управляемые данные и логика политик компании уже находятся в Snowflake, CoWork может стать естественным выбором — в противном случае, существующие аналитические платформы и платформы для повышения производительности по-прежнему обладают серьезными преимуществами в дистрибуции и рабочем процессе».
Пакетный вывод (Batch Inference) и Адаптивные вычисления (Adaptive Compute): Что было выпущено на этой неделе
Сегодняшняя сессия AI Pulse также охватывает агентные возможности Snowflake ML для команд по науке о данных, пошаговый разбор оптимизации рабочих процессов пакетного вывода Snowpark и Snowflake Adaptive Compute, который на этой неделе достиг общего доступа (general availability) в AWS.
Snowpark Container Services теперь поддерживает пакетный вывод с поддержкой GPU в виде выделенных распределенных заданий, предназначенных для мультимодальных данных, включая изображения и аудио. Архитектура консолидирует конвейеры вывода в один вызов API с автоматическим высвобождением ресурсов по завершении. Adaptive Compute автоматически выбирает и масштабирует вычислительные ресурсы по всему аккаунту без ручной настройки склада (warehouse) — это ответ на непредсказуемые требования, которые генерируют комбинированные рабочие нагрузки ИИ и аналитики.
Что означает приобретение Natoma для корпоративной безопасности?
Планируемое приобретение Natoma компанией Snowflake, подписанное 27 мая, решает проблему поверхности безопасности, которую открывает подключение по MCP. Фил Фершт из HFS Research прямо озвучил опасение: «CIO следует остерегаться рассматривать MCP как чудо, готовое к немедленному использованию. Агенты могут извлекать контекст из электронной почты, Slack, CRM и внутренних систем, но это также означает, что они могут раскрыть конфиденциальную информацию, инициировать неверное действие или обойти установленные элементы управления рабочим процессом, если политики слабы».
Платформа Natoma действует как центральный шлюз MCP, который обеспечивает соблюдение требований к идентификации, политике и аудиту на уровне отдельного вызова инструмента: прежде чем агент предпримет действие, платформа проверяет, кто его запросил, какие разрешения применимы и соответствует ли действие политике. Планируемая сделка включает проверенную библиотеку из более чем 100 серверов MCP с элементами управления для каждого коннектора. Финансовые условия не разглашаются; приобретение остается предметом обычных условий закрытия.
Архитектура Snowflake дает командам по данным ответ на вопрос, кто авторизовал то или иное действие агента и к чему оно обращалось — вопрос об ответственности, который аналитики определяют как центральную нерешенную проблему агентного предприятия. Будут ли низкое качество исходных данных по-прежнему приводить к уверенным, но операционно неверным результатам, независимо от периметра управления, полностью зависит от семантических определений, которые Cortex Sense и Horizon Context наследуют из набора данных каждого клиента.
Часто задаваемые вопросы
В чем разница между Snowflake CoCo и общими ИИ-кодирующими агентами, такими как Claude Code?
CoCo работает внутри периметра управления Snowflake и считывает ваши элементы управления доступом на основе ролей, политики маскирования столбцов, происхождение данных и определения схем нативно, прежде чем генерировать какой-либо код. Универсальные агенты, такие как Claude Code, могут быть направлены на те же данные через внешние коннекторы, но должны быть отдельно подключены к этим элементам управления. Практическая разница заключается в том, что CoCo знает, что определенная цифра выручки исключает активность бесплатного уровня, потому что это определение существует в семантическом слое Horizon Context; Claude Code не знает этого без явной инструкции. На ADE-Bench Snowflake сообщает, что CoCo набрал 72,1% против 65,1% у Claude Code, хотя независимого стороннего воспроизведения этих цифр опубликовано не было, а живая таблица лидеров показывает, что по крайней мере один конкурирующий инструмент набрал больше баллов.
Как Snowflake CoWork соотносится с Microsoft Copilot и Databricks Genie One?
Все три продукта нацелены на офисных работников, которые хотят запрашивать бизнес-данные и выполнять действия на естественном языке. Аргумент CoWork заключается в том, что он работает внутри того же периметра управления, что и ваши данные Snowflake, поэтому элементы управления доступом, маскирование данных и происхождение применяются автоматически. Microsoft Copilot 365 и Databricks Genie One предлагают более широкую интеграцию с пакетом повышения производительности, а в случае Databricks — большую открытость для снижения привязки к платформе. Преимущество управления наиболее очевидно для организаций, чей набор данных уже находится в Snowflake; организации, использующие мультиплатформенные наборы данных, обнаружат, что это преимущество уже, чем подразумевают сравнительные тесты Snowflake.
Что такое Cortex Sense и доступен ли он сейчас?
Cortex Sense — это уровень обогащения контекста во время выполнения, который автоматически собирает бизнес-определения — формулы выручки, финансовые календари, правила сегментации клиентов — из истории запросов, метаданных, BI-дашбордов и семантических представлений, а затем внедряет этот контекст в каждый ответ CoWork и CoCo без ручной настройки. Внутреннее тестирование Snowflake показало, что он повышает точность сложных корпоративных запросов с 47% до 83%. По состоянию на июнь 2026 года Cortex Sense находится только в частном предварительном просмотре. Стандартные развертывания CoWork и CoCo в настоящее время работают на более низком базовом уровне точности без него.
Могут ли проблемы с качеством данных подорвать работу CoWork и CoCo, даже если приняты меры по управлению?
Да. Средства управления (governance) гарантируют, кто может получить доступ к каким данным; они не подтверждают, что данные точны, последовательно определены или актуальны. Агент, запрашивающий таблицу выручки с ошибкой приема данных на предыдущем этапе, выдаст уверенный, но неверный ответ независимо от того, применяется ли RBAC. Как написал аналитик Кихара Кимачиа после Summit 26: «Плохое управление данными заставит этих ИИ-коллег уверенно ошибаться в масштабе». Слой Cortex Sense снижает семантические ошибки — неверные определения метрик — но проблема качества исходных данных требует тех же инвестиций в управление, что и всегда.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Shannon Harwood
