In seinem ersten Bericht, der Data Lakehouse-Plattformen als eigenständigen Markt bewertet, hat Gartner Snowflake als Leader im ersten Magic Quadrant™ für Data Lakehouse-Plattformen ausgezeichnet. Wir sind besonders stolz auf die Anerkennung für die Data Warehouse-Modernisierung, denn für unsere Kund:innen bedeutet Modernisierung nicht mehr eine weitere Migration.
Wir glauben, dass dieser Moment eine Transformation markiert – in unserer Plattform und im Markt darum herum.
Der Markt hat die Frage „Data Warehouse oder Data Lake“ hinter sich gelassen
Sprechen Sie mit einem beliebigen Chief Data Officer (CDO) und Sie hören dieselbe Geschichte: Daten befinden sich auf verschiedenen Plattformen, Clouds und in verschiedenen Regionen, und jedes System bringt sein eigenes Vertrauensmodell mit. Teams kopieren Daten, um ihre Arbeit zu erledigen, und jede Kopie beeinträchtigt Governance und Bedeutung. Kosten und Risiken steigen mit jeder neuen Pipeline.
Darunter verbirgt sich eine tiefere Angst. Jahrzehntelang verlangte jede neue Technologie-Welle von Kund:innen, in ein weiteres proprietäres System zu migrieren, oft mit Kosten, die sie weder vorhersagen noch kontrollieren konnten. Dann hat KI die Einsätze erhöht. Agenten benötigen vertrauenswürdige Daten und einen konsistenten Kontext, und sie benötigen diese über jede Cloud hinweg, auf der ein Unternehmen läuft.
Offenheit allein löst diese Angst nicht. Fast jeder Anbieter in diesem Markt unterstützt mittlerweile Apache Iceberg™ und offene Standards, und das ist eine gute Sache für Kund:innen. Die schwierigeren Fragen sind, ob eine Plattform die Gründe beseitigt, aus denen Teams überhaupt Daten kopieren, und ob sie ihnen eine Möglichkeit bietet, alles zu verwalten, was in der heutigen Multi-Engine-Welt produziert wird.
Gartner defines data lakehouse platforms as analytical data management systems that provide a unified, cloud-native architecture for managing and analyzing the full spectrum of data types — structured, semi-structured and unstructured. The lakehouse is a transformational approach that merges the high-concurrency, governed performance of an enterprise data warehouse (EDW) with the scale, flexibility and multiengine support of a data lake, leveraging open table formats and supporting multiple processing engines. The lakehouse supports a wide variety of analytical and AI workloads.
Wie sich Snowflake gewandelt hat
Wir begannen als cloudbasiertes Data Warehouse, das Speicher von Rechenressourcen trennte, damit Teams Analytics unabhängig skalieren konnten, ohne die Infrastruktur verwalten zu müssen. Als sich die Daten unserer Kund:innen über Plattformen und Clouds verteilten, war der nächste Schritt klar: diese Daten dort zu erreichen, wo sie sich befinden. Wir haben unsere eigene Plattform auf dieselbe Weise modernisiert, wie wir Kund:innen bei der Modernisierung helfen: durch Verbinden statt durch einen Neuanfang.
Wir glauben, dass Unternehmens-KI nicht mit Daten arbeiten sollte, denen Sie nicht vertrauen können. Diese Überzeugung formte Snowflakes AI Data Cloud um vier Ideen: eine Vertrauensgrenze für all Ihre Daten; Verbindung, wo möglich, und Datenbewegung nur, wenn nötig; Rechenressourcen und Kosten, die Sie kontrollieren; und die Wahl von Modell, Cloud und Schnittstelle.
Eine Vertrauensgrenze und verwalteter Kontext für all Ihre Daten
Modernisierungsbemühungen versprechen Unternehmen immer einen Neuanfang, aber oft gelingt es ihnen nicht, diesen frischen Start zu liefern. Die Modernisierung auf Snowflake geht jedoch von einer anderen Prämisse aus: Mehrere Plattformen sind die Realität in Unternehmen. Die Verbindung von Plattformen mithilfe interoperabler offener Standards holt Kund:innen dort ab, wo sie stehen, und gibt ihnen die Kontrolle über ihre Daten. Mit Snowflake können Kund:innen Vertrauen einmal definieren und es dann auf ihren gesamten Datenbestand ausweiten.
Wir glauben, dass dies der Grund ist, warum Snowflake im begleitenden Gartner-Bericht „Critical Capabilities“ für den Anwendungsfall auf Platz eins (4,29/5) eingestuft wurde. Kund:innen bringen Data Warehouses, Data Lakes und Data Lakehouses unter eine einzige Vertrauensgrenze, anstatt in ein weiteres Datensilo zu wechseln.
Diese gemeinsame Umgebung ist Snowflake Horizon Catalog, basierend auf Apache Polaris für Iceberg-Interoperabilität. Horizon Catalog bringt Governance-Funktionen und Geschäftskontext zusammen, um eine einzige Vertrauensgrenze für all Ihre Daten bereitzustellen. Snowflake ermöglicht Maskierungs- und Zeilenzugriffsrichtlinien für Abfragen auf unterstützten Tabellen, einschließlich föderierter Daten in externen Katalogen, Daten, auf die über Zero-Copy-Integrationen zugegriffen wird, und Daten, die über Konten und Partner hinweg geteilt werden, während rollenbasierte Kontrollen den Zugriff auf Modelle und Agenten regeln. Teams definieren Geschäftskennzahlen und Beziehungen in semantischen Ansichten, die Personen und Agenten wiederverwenden können, und erweitern dann diese verwaltete Grundlage, wenn ihr Datenbestand wächst.
Das Insurtech-Unternehmen Klarent hat diesen Ansatz in die Praxis umgesetzt, indem es jede:n Kund:in, jede Police, jede Reise und jeden Schadensfall nur einmal auf Snowflake definiert hat. Agenten, Berichte und Anwendungen nutzen diese gemeinsamen Definitionen, sodass Marketing- und Support-Teams eine:n Versicherungskund:in vom Lead bis zum Schadensfall verfolgen und konsistente Antworten erhalten können. Lesen Sie die vollständige Customer Story hier.
Die Vereinheitlichung von Sicherheit und Governance erfordert jedoch nicht, dass alles verschoben wird. Das bringt uns zum zweiten Prinzip.
Verbinden Sie, wo Sie können, bewegen Sie Daten, wenn Sie müssen
Die meisten Datenteams haben weniger ein Datenproblem als vielmehr ein Kopierproblem, bei dem jeder neue Anwendungsfall mit einem weiteren Extrakt und einer weiteren Pipeline beginnt, die gewartet werden muss. Die Realität ist, dass der schnellste Weg zu Unified Analytics darin besteht, Daten dort zu belassen, wo sie sich bereits befinden.
Snowflake belegt außerdem Platz zwei (4,23/5) für den Anwendungsfall Unified Analytics-Datenplattform in den Critical Capabilities. Kund:innen erhalten eine Analytics-Plattform für all ihre Daten, da Snowflake eine Verbindung zu diesen Daten herstellt, wo sie sich befinden.
Horizon Catalog funktioniert mit Iceberg Tables über externe Kataloge hinweg, und tiefe Zero-Copy-Integrationen erreichen Systems of Record wie Workday, Salesforce, SAP und mehr.
Wenn Daten verschoben werden müssen, landen Streaming- und Batch-Tools, die zur Steigerung der Engineering-Produktivität entwickelt wurden, diese mit weitaus weniger Pipeline-Arbeit. Dies führt zu einem einzigen Ort zur Analyse beliebiger Daten, mit weniger zu speichernden Kopien und weniger zu verwaltenden Pipelines.

Rechenressourcen und Kosten, die Sie kontrollieren
KI verändert die Wirtschaftlichkeit einer Datenplattform. Wenn Agenten rund um die Uhr Daten abfragen, müssen die Kosten von Anfang an in die Plattform integriert werden. Kund:innen haben uns deutlich gesagt, dass Vorhersehbarkeit genauso wichtig ist wie Performance, und wir haben dieses Feedback ernst genommen.
Der einfachste Weg, Kosten zu kontrollieren, besteht darin, weniger Infrastruktur zu benötigen. Snowflake bringt Rechenressourcen zu den Daten für fast jeden Workload, von transaktionalen Anwendungen auf Snowflake Postgres bis hin zu Analytics und leseintensiven Workloads auf interaktiven Tabellen. Rechenressourcen passen sich an jeden Workload an und optimieren Ressourcen automatisch, was umso wichtiger wird, je mehr maschinengesteuerte Workloads zur Norm werden.
Darüber hinaus gibt es einheitliche Kostenkontrollen für jeden Workload und jede KI, die auf Snowflake ausgeführt wird. Budget-Warnungen auf Unternehmens-, Konto- und Objektebene setzen den Standard für detaillierte Kontrollen, während Kontingente pro Nutzer:in, die sogar neue Anfragen über unterstützte KI-Dienste hinweg blockieren können, wenn Nutzer:innen ihre Limits erreichen, Teams dabei helfen, unerwartete KI-Ausgaben einzudämmen. Die Anomalieerkennung kann unerwartete Spitzen frühzeitig markieren.
Für Entwickler:innen, die nach einer besseren Intelligence-Effizienz suchen, bietet Snowflake CoCo ein datennatives Framework, das die Kosten senkt und gleichzeitig die Genauigkeit verbessert.

Bei Indeed, der globalen Einstellungsplattform, ermöglichte die Einführung von interaktiven Tabellen und Warehouses von Snowflake dem Team, die arbeitgeberorientierte Analytics von zehn Computing-Clustern auf vier zu konsolidieren. Die durchschnittlichen Abfrageantwortzeiten verbesserten sich um 60 %, während die Infrastrukturkosten um weitere 45 % sanken – was Arbeitgeber:innen schnellere Dashboards mit weniger zu wartender Infrastruktur bietet. Lesen Sie die vollständige Fallstudie hier.
Wahl von Modell, Cloud und Schnittstelle
Die KI-Landschaft wird im nächsten Quartal anders aussehen als heute. Eine Plattform, die Sie an ein Modell oder eine Cloud bindet, erzwingt jedes Mal einen Neuaufbau, wenn sich die Bedingungen ändern. Die heutige Realität ist, dass Daten über Clouds hinweg existieren und ständig neue Modelle auf den Markt kommen. Snowflake macht es einfach, jede Aufgabe dem richtigen Modell zuzuordnen, wobei führende Modelle innerhalb der Snowflake-Sicherheitsgrenze verfügbar sind. Agenten erhalten über integrierte Model Context Protocol (MCP)-Server Zugriff auf die Tools, die sie für echte Arbeit benötigen, oder Teams können ihre eigenen mitbringen.
Die Plattform läuft über Clouds und Regionen hinweg, mit verwaltetem Sharing. Entwickler:innen arbeiten in Snowflake CoCo, und Wissensarbeiter:innen erhalten Antworten in Snowflake CoWork, alles auf derselben verwalteten Grundlage.
Was das für CDOs bedeutet
Zusammengenommen verändern diese Prinzipien das, was Modernisierung von einem Daten-Unternehmen verlangt. Sie modernisieren durch Vereinheitlichung statt durch Migration, unter einer Vertrauensgrenze für Daten, Modelle und Agenten. Sie stellen eine Verbindung zu Daten her, wo sie sich befinden, und verschieben sie nur, wenn die Arbeit dies erfordert. Rechenressourcen passen sich an jeden Workload an, mit Kontrollen, die die Kosten vorhersehbar halten, und Teams wählen das Modell, die Cloud und die Schnittstelle, die zur Aufgabe passen. Die gesamte Plattform wird zur Agenten-Kontrollebene, sodass Datenteams Daten schneller in die KI im Produktivbetrieb überführen können.
Was als Nächstes kommt
Wir glauben, dass dies das ist, was der Markt jetzt verlangt: eine Plattform, eine Vertrauensgrenze, offen und interoperabel auf jeder Ebene. Es ist die Transformation, die diese Anerkennung für uns markiert.
Vielen Dank an unsere Kund:innen, deren Feedback jeden Schritt unserer Transformation geprägt hat, an unsere Partner und die Open Source-Community sowie an die Snowflake-Teams, die diese Transformation verwirklicht haben.
Lesen Sie den vollständigen Bericht zum Gartner Magic Quadrant für Data Lakehouse-Plattformen:
- Gartner, Magic Quadrant für Data Lakehouse-Plattformen, Aaron Rosenbaum, Michael Gonzales et al., 4. November 2026.
- Gartner, Critical Capabilities für Data Lakehouse-Plattformen, Michael Gonzales, Ramke Ramakrishnan et al., 5. November 2026.
Gartner und Magic Quadrant sind Marken von Gartner, Inc. und/oder seinen verbundenen Unternehmen.
Gartner unterstützt keine der in seinen Publikationen dargestellten Unternehmen, Anbieter, Produkte oder Dienstleistungen und rät Technologie-Anwender:innen nicht, nur die Anbieter mit den höchsten Bewertungen oder anderen Bezeichnungen auszuwählen. Die Publikationen von Gartner spiegeln die Meinungen des Unternehmens für Geschäfts- und Technologie-Erkenntnisse von Gartner wider und sollten nicht als Tatsachenbehauptungen ausgelegt werden. Gartner lehnt alle ausdrücklichen oder stillschweigenden Garantien in Bezug auf diese Publikation ab, einschließlich aller Garantien der Marktgängigkeit oder Eignung für einen bestimmten Zweck.
- Basierend auf internen Benchmarks verbessert CoWork mit Cortex Sense die Genauigkeit von 24,1 % auf 86,3 % und senkt die Kosten von 1,76 USD auf 0,59 USD pro Abfrage (eine Reduzierung um 66 %) im Vergleich zu einem nicht fundierten Frontier-Agenten. Erfahren Sie mehr, indem Sie Folgendes lesen: Intelligence-Effizienz in Aktion: Geringere Kosten pro vertrauenswürdigem Ergebnis mit Snowflake CoCo und CoWork ↩





