Snowflake Summit 26 Tag 1 hat die AI-Stack-Entscheidung kollabiert: Datengravitation schlägt Modellgravitation

Zwei Ankündigungen. Eine Plattform. Beide führenden Frontier-Modellfamilien.

Snowflake Summit 26 wurde heute in San Francisco mit einer Welle von Produktneuigkeiten eröffnet, die das Unternehmen seit Februar vorbereitet hat. Laut Snowflakes Pressemitteilung umfasst das Tag-1-Produktset Cortex AISQL in der öffentlichen Vorschau, Snowflake Intelligence mit allgemeiner Verfügbarkeit, Adaptive Compute, Openflow, agentische Produkte im Snowflake Marketplace und SnowConvert AI für Legacy-Migrationen.

Die Eröffnungs-Keynote bringt Snowflake-CEO Sridhar Ramaswamy mit Anthropic-Präsidentin Daniela Amodei zusammen. Anfang dieses Jahres gab Snowflake eine 200 Mio. USD schwere, mehrjährige Partnerschaft mit OpenAI bekannt, die GPT-5.2 innerhalb des Snowflake-Perimeters verfügbar macht, nativ über Cortex AI Functions und die Cortex REST API abrufbar. Zwei Frontier-Modellfamilien. Derselbe Daten-Perimeter. Dieselbe Governance-Ebene.

Diese Kombination verändert die CTO-Architekturfrage. Die alte Frage lautete: „Welches Modell lizenzieren wir?" Die neue Frage lautet: „In welcher Datengravitation führen wir Inference aus?"

Was Tag 1 tatsächlich geliefert hat

Drei der Tag-1-Elemente verdienen ernsthafte CTO-Aufmerksamkeit.

Key Facts

• 200 Mio. USD: Snowflakes mehrjährige Partnerschaftsverpflichtung mit OpenAI, die GPT-5.2 nativ in Cortex AI bringt (gemeinsame Snowflake-OpenAI-Ankündigung, 2. Februar 2026)
• 20.000+: Erwartete Teilnehmer beim Snowflake Summit 26 im Zeitraum 1.-4. Juni (offizielle Kommunikation Snowflake Summit 26)
• 2: Frontier-Modellfamilien (OpenAI GPT-5.2 und Anthropic Claude) jetzt nativ innerhalb des Snowflake-Governance-Perimeters abrufbar

Cortex AISQL. Generative AI direkt aus SQL-Abfragen abrufbar, auch gegen unstrukturierte Daten: Text, Bilder und Audio in Ihren Tabellen und Stages. Das ist keine neue Produktkategorie, aber die SQL-interne Oberfläche ist der entscheidende Punkt. Datenanalysten können ein Modell aufrufen, ohne ihren Workflow zu verlassen. Es gibt keine separate AI/ML-Plattform, die bereitgestellt werden muss, keine Modell-Serving-Infrastruktur zu verwalten und kein Daten-Egress-Ereignis beim Ausführen von Inference. Der gesamte Aufruf findet innerhalb Ihrer gesicherten Grenze statt.

Snowflake Intelligence (GA). Die agentische Schnittstellenschicht der Data Cloud. Anstatt Agenten auf einer separaten Plattform aufzubauen, die dann mit Ihren Daten kommuniziert, liegt die Agent-Runtime innerhalb desselben Perimeters wie die Daten. Das Reasoning findet dort statt, wo die Datensätze liegen. Das löst die Fragen zu Datenspeicherort und Governance, die Enterprise-Agent-Bereitstellungen in den letzten 12 Monaten zurückgehalten haben.

Adaptive Compute und Openflow. Weniger schlagzeilenträchtig, aber betrieblich kritisch. Adaptive Compute skaliert Workloads automatisch und unabhängig, was wichtig ist, weil AI-Workloads nicht wie analytische Workloads verhalten. Sie sind bursty, GPU-hungrig und unvorhersehbar. Openflow ist die Daten-Bewegungsschicht, die Ihre operativen Daten ohne individuelle Pipelines in den Perimeter bringt. Beides reduziert die Reibung beim Ausführen von AI innerhalb von Snowflake im Vergleich zum Aufrufen von außen.

Warum „Datengravitation schlägt Modellgravitation" die richtige Einschätzung ist

Die Snowflake-OpenAI-Partnerschaft ist das, was den Rahmen kippt.

Bis Februar dieses Jahres klang das CTO-Gespräch über AI-Architektur so: „Wir müssen ein primäres Modell wählen. OpenAI für allgemeine Intelligenz, Anthropic für Langkontext-Analyse, vielleicht Gemini für Multimodales. Dann bauen wir eine Serving-Schicht, die diese aufruft. Dann verwalten wir die Datenbewegung zwischen unseren Systemen und deren Systemen." Das Modell war der Gravitationsmittelpunkt. Alles andere war Integrations-Plumbing.

Dieses Modell bricht zusammen. Microsoft hat OpenAI in Azure integriert. Anthropic ist jetzt nativ in AWS Bedrock und Snowflake. Google hat seine eigenen Modelle in seine Daten- und Analyseprodukte integriert. Databricks liefert seine eigene Modellschicht auf seiner Datenplattform. Die Frontier-Modelle sind nicht mehr knapp oder differenziert genug, um die Architektur zu bestimmen. Sie sind auf Workload-Ebene zunehmend austauschbar.

Was NICHT austauschbar ist: Ihre Daten. Ihre Kundendatensätze, Ihre Support-Tickets, Ihre Transaktionshistorie, Ihre Verträge. Diese Daten liegen irgendwo. Sie sind (rechtlich, betrieblich, politisch) teuer zu verschieben. Daher wird der Ort, an dem die Daten bereits liegen, zum Ort, an dem die AI-Arbeit stattfinden muss.

Wir nennen das den Datengravitationstest. Fragen Sie für jeden AI-Workload: Wo liegen die Daten bereits, und was kostet es, sie für die Inference woanders hinzubewegen? Wenn die Antwort lautet: „Sie liegen in Snowflake, und das Verschieben kostet X Mio. EUR an Pipeline-Arbeit, Y an Egress-Gebühren plus Governance-Prüfung", dann ist der richtige Inference-Standort derjenige, der die Bewegung minimiert. Für viele Unternehmen ist das heute Snowflake selbst.

Das ist kein Snowflake-spezifischer Punkt. Es ist ein positionaler Punkt. Dieselbe Logik begünstigt Microsoft Fabric für Organisationen, bei denen die meisten Daten bei Microsoft liegen, und Databricks für Organisationen mit den meisten Daten dort. Die Plattform, die die Daten besitzt, erhält die Agent-Runtime.

Die drei Fragen, die jeder CTO diese Woche beantworten sollte

Der Summit wird in den nächsten 72 Stunden eine Flut von Preistabellen, Partner-Fallstudien und Feature-Vergleichen produzieren. Nichts davon ist relevant, bis Sie drei Fragen beantwortet haben.

Frage 1: Wo liegen Ihre operativen Daten tatsächlich heute? Seien Sie ehrlich. Nicht „wo wollen wir sie haben". Wo liegen sie? Wenn 70 % Ihrer Kundendaten, Transaktionshistorie und Produkt-Telemetrie bereits in Snowflake sind, wird die neue agentische Oberfläche operative AI-Workloads unabhängig davon gewinnen, welches Modell auf einem öffentlichen Benchmark technisch am besten abschneidet. Wenn Ihre Daten über S3, Postgres-Replikate und eine Salesforce-Instanz ohne Warehouse-Zwischenschicht verteilt sind, befinden Sie sich noch nicht in einer datengravitationsgesteuerten Entscheidung. Sie befinden sich zuerst in einer Datenkonsolidierungsentscheidung.

Frage 2: Welches Modell benötigen Sie tatsächlich für die nächsten drei Workloads auf Ihrer AI-Roadmap? Wählen Sie kein Modell. Wählen Sie die Workload-Anforderungen. Wenn Workload A eine Langkontext-Dokumentenanalyse erfordert, ist das Claude-Territorium. Wenn Workload B Code-Generierung und agentische Tool-Nutzung erfordert, funktionieren GPT-5.2 oder Claude beide. Wenn Workload C eine günstige Hochvolumen-Klassifikation benötigt, ist entweder ein kleineres Frontier-Modell oder ein Open-Weight-Modell auf Ihrer Plattform geeignet. Passen Sie zuerst den Workload an das Modell an, und prüfen Sie dann, ob Ihre Datenplattform den Aufruf nativ unterstützt. Wenn ja, gut. Wenn nicht, lautet die Frage: Bringen Sie das Modell zu den Daten (über Cortex, Bedrock, Azure AI Foundry) oder verschieben Sie die Daten zum Modell (mehr Egress, mehr Pipeline-Arbeit, mehr Governance-Prüfung)?

Frage 3: Was ist Ihre Governance-Verpflichtung für ein Jahr? Die Entscheidung, die Sie 2026 darüber treffen, welcher Daten-Perimeter Ihre Inference-Workloads hostet, ist langlebig. Sie werden die Runtime 2027 nicht neu aufbauen, nur weil ein anderer Anbieter ein besseres Feature geliefert hat. Wählen Sie die Plattform, mit der Sie mindestens 18 Monate operativer Skalierung leben können. Das bedeutet Datenspeicherort, Prüfpfade, Zugriffskontrollen, Modell-Rollback und eine glaubwürdige Roadmap, wonach die nächste Generation von Modellen innerhalb dieses Perimeters erscheinen wird.

Ein CTO in einem SaaS-Unternehmen mit 1.500 Mitarbeitern, bei dem die meisten operativen Daten in Snowflake liegen, sollte die Workload-zu-Modell-Zuordnung diese Woche durchführen, nicht im nächsten Quartal. Der agentische Marketplace innerhalb von Cortex liefert bereits von Partnern erstellte Agenten, die mit Einzellösungen konkurrieren, die Sie derzeit als eigenständige Abonnements kaufen.

Wie sich das gegen Microsoft Build und Databricks positioniert

Snowflake kündigt nicht in einem Vakuum an. Microsoft Build läuft vom 2.-3. Juni mit eigenem Agent-Plattform-Push (Windows Agent Framework, Windows Agent Store, Azure AI Foundry-Erweiterung). Databricks Data + AI Summit findet Mitte Juni mit eigener Modellschicht und Agent-Push statt.

Die drei Positionen konvergieren auf ähnliche Architektur, starten aber von unterschiedlichen Datengravitationszentren aus.

Snowflakes Wette: Data Warehouse als Agent-Runtime. Am stärksten, wenn Ihre operativen und analytischen Daten in Snowflake liegen. Am besten für Organisationen, deren AI-Arbeit stark auf strukturierten Daten plus unternehmensverwalteten unstrukturierten Assets basiert.

Microsofts Wette: Windows und Azure als Agent-Plattform. Am stärksten, wenn Ihre Mitarbeiter in Microsoft 365 leben und Ihre Entwickler-Tools auf Azure laufen. Am besten für Organisationen, deren AI-Arbeit stark auf Wissensarbeit, Dokumenten und Entwickler-Workflows basiert.

Databricks' Wette: Lakehouse plus Modell-Serving als Agent-Fundament. Am stärksten, wenn Ihr Data Engineering ausgereift ist und Ihre AI-Arbeit stark auf Machine-Learning-Modell-Bereitstellung basiert, nicht nur auf generativer AI.

Die meisten Unternehmen werden sich nicht für eine entscheiden. Sie werden mit primären und sekundären Perimetern enden. Ein vernünftiger Standard: Wählen Sie den Perimeter, in dem Ihre kundenseitigen Daten bereits liegen, als primären, und akzeptieren Sie dann, dass Sie einige Agent-Workloads in Ihrem Mitarbeiterproduktivitäts-Perimeter ausführen werden (wahrscheinlich Microsoft), unabhängig davon. Diese duale Haltung ist in Ordnung. Was nicht in Ordnung ist: vier primäre Wetten gleichzeitig zu machen und am Ende ohne klare Runtime-Eigentümerschaft dazustehen.

Für Executive-Entscheidungsrahmen zu AI-Belegschaftsinvestitionen steht der Datengravitationstest neben dem Belegschafts-Skills-Test. Beide Fragen konvergieren auf dieselbe Antwort: Wie vermeiden Sie Fehlinvestitionen?

Was Sie Ihrem Vorstand dieses Quartal berichten sollten

Die Summit-Neuigkeiten werden Ihren Vorstand in den nächsten zwei Wochen durch Presseberichte erreichen. Kommen Sie dem zuvor.

Eine Vier-Folien-Präsentation deckt das Wesentliche ab. Folie 1: Wo unsere operativen Daten derzeit liegen (die ehrliche Antwort). Folie 2: Die drei Workloads auf unserer 18-monatigen AI-Roadmap und die Modellanforderungen für jeden. Folie 3: Der Daten-Perimeter, auf den wir uns als primären festlegen und warum, mit der Ein-Jahres-Governance-Haltung. Folie 4: Der sekundäre Perimeter, dessen Existenz wir akzeptieren (wahrscheinlich Microsoft für Produktivität) und der Integrationsansatz.

Was Sie vermeiden wollen: ein Vorstandsmitglied, das einen Summit-Bericht liest und fragt: „Warum nutzen wir nicht Snowflake Intelligence?", wenn die Antwort lautet: „Weil unsere operativen Daten nicht dort liegen." Oder schlimmer: „Wir migrieren, weil die Pressemitteilung beeindruckend klang." Machen Sie die Datengravitationsrealität explizit, damit die Fragen des Vorstands auf der richtigen Achse landen.

Für mehr zur operativen Verlagerung zu AI-Agenten in der Sales Pipeline gilt dieselbe Datengravitationslogik innerhalb des Sales Stack. Die Plattform, die den Kundendatensatz besitzt, wird die Sales-Agent-Runtime besitzen.

Die Summit-Woche wird viel Rauschen darüber erzeugen, welcher Anbieter welches Feature geliefert hat. Das Signal ist strukturell. Frontier-Modelle sind jetzt gehostete Commodities. Datenplattformen sind jetzt Agent-Runtimes. Das ist die Architekturfrage, die jeder CTO in den nächsten 18 Monaten beantworten wird.

Weiterführende Artikel

• Die Governance-Lücke, die Führungskräfte beim Thema AI am Arbeitsplatz falsch machen
• AI Copilots versus AI Agenten
• AI-ROI messen
• 12-monatiger AI-Workforce-Roadmap für ein 200-Personen-Unternehmen

FAQ

Bedeutet das, dass wir unsere Daten zu Snowflake migrieren sollten?

Nicht notwendigerweise. Datengravitation schlägt Modellgravitation, aber wo Ihre Daten bereits liegen, ist eine eingenommene Position. Wenn 70 % Ihrer operativen Daten bereits in Snowflake sind, wird die agentische Oberfläche dort Workloads standardmäßig gewinnen. Wenn Ihre Daten in Microsoft Fabric, Databricks oder AWS liegen, lautet die richtige Antwort, die Agent-Runtime zu nutzen, die nativ für diesen Perimeter ist. Plattformübergreifende Migration ist selten durch AI-Features allein gerechtfertigt. Die Kosten für das Verschieben von Terabytes gesicherter Kundendaten sind fast immer höher als das Modell-Qualitätsgefälle zwischen Plattformen in den nächsten 18 Monaten.

Ist GPT-5.2 innerhalb von Snowflake dasselbe wie GPT-5.2 direkt von OpenAI?

Funktional ja, für die meisten Anwendungsfälle. Betrieblich nein. Innerhalb von Snowflake findet der Aufruf innerhalb Ihres Governance-Perimeters statt, sodass Kundendaten Ihre Grenze nie verlassen. Die Token-Kosten werden über Snowflake-Credits statt über einen OpenAI-API-Vertrag abgerechnet. Rate Limits und Quoten funktionieren anders. Für regulierte Workloads (Gesundheitswesen, Finanzdienstleistungen, alles unter Datenspeicherort-Regeln) ist die In-Perimeter-Version in Audits erheblich leichter zu verteidigen. Für Greenfield-Experimente ist die direkte OpenAI-API oft einfacher.

Was ist mit dem Betrieb eigener Modelle auf eigener Infrastruktur?

Für spezifische Workloads, bei denen Kostenökonomie, Latenz oder Datensensitivität Sie von einem gehosteten Frontier-Modell wegdrängen, noch immer machbar. Der Kompromiss hat sich jedoch verschoben. Da sowohl OpenAI als auch Anthropic jetzt nativ in den großen Datenplattformen verfügbar sind, ist der operative Fall für den Betrieb eigener Modelle enger als vor einem Jahr. Die verbleibenden Sweet Spots sind sehr hohes Klassifikationsvolumen (kleine, fein abgestimmte Modelle), strikte On-Premises-Anforderungen und spezialisierte Vertikalmodelle, bei denen ein benutzerdefinierter Trainingsrun tatsächlich ein allgemeines Frontier-Modell übertrifft. Für die meisten Wissensarbeit- und kundenseitigen AI-Anwendungen werden In-Perimeter-Frontier-Modelle in diesem Jahr der Standard sein.