Snowflake Horizon Context: Die verwaltete Kontextschicht für KI, BI und Apps

Ihre Vertriebsleitung sieht 14,2 Millionen USD Umsatz im 3. Quartal. Ihr CFO sieht 12,8 Millionen USD. Beide haben heute Morgen einen KI-Agenten gebeten, Zahlen vorzulegen. Dieselben Daten. Warum die Diskrepanz?

Das kann passieren, wenn die Geschäftslogik über verschiedene Tools verstreut ist: eine Metrik, die in einem BI-Modell definiert ist, das nur einem Team gehört, eine Berechnung, die in einem Dashboard vergraben ist, eine Reihe von Anweisungen, die manuell in einen LLM-Prompt hartcodiert wurden. Das Ergebnis ist nicht nur ein Metrik-Drift, bei dem Vertrieb und Finanzen als Antwort auf dieselbe Frage unterschiedliche Zahlen anzeigen. Es ist eine Vertrauenslücke, die es schwer macht, KI-Projekte schnell und mit Zuversicht voranzutreiben.

Heute ändert sich das. Snowflake führt Horizon Context ein, eine neue Funktion in Horizon Catalog, die eine vernetzte, verwaltete semantische Grundlage mit aktivem Kontext für KI und BI bietet.

Snowflake Horizon Context baut auf der Metadaten-Grundlage von Horizon Catalog auf, indem es diese Metadaten in eine verwaltete geschäftliche Bedeutung umwandelt. Es sammelt Kontext aus Ihrer gesamten Datenlandschaft, reichert ihn mit Geschäftsdefinitionen und Beziehungen an und aktiviert ihn, sodass KI-Agenten, BI-Tools und Anwendungen vertrauenswürdige Logik automatisch entdecken und anwenden können.

Von einem System of Record zu einem System of Intelligence

KI-Agenten können SQL schreiben, Code debuggen und Daten analysieren. Aber wenn Agenten raten müssen, wenn Sie fragen, was „Umsatz“ in Ihrem Unternehmen bedeutet, ist das ein Kontextproblem.

Die Diskrepanz zwischen Unternehmens-KI und dem Kontext, den sie benötigt, lässt sich auf drei Probleme zurückführen: 

• Kontext ist verstreut: Wenn wichtiger Kontext über verschiedene Datenbanken, BI- und Daten-Pipeline-Systeme verstreut ist, hat kein einzelnes System das vollständige Bild, das es benötigt, um vertrauenswürdige Antworten zu liefern.

• Kontext ist roh: Um rohe Ressourcen für KI nutzbar zu machen, müssen sie mit höheren Bedeutungsebenen angereichert werden: Wie hängen diese Daten-Assets zusammen? Welche sind maßgeblich? Was bedeutet diese Spalte? Wie wird diese Metrik richtig berechnet?

• Kontext ist inaktiv: Kontext funktioniert nur, wenn er genutzt wird. Wenn dies davon abhängt, dass Benutzende wissen, wo sie einen bestimmten Agenten finden oder wie sie ihn auf eine bestimmte Weise prompten, profitiert der weitaus größere Rest der KI-Sitzungen nicht davon.

Um jedes dieser Probleme anzugehen, sammelt Snowflake Horizon Context Metadaten aus verschiedenen Systemen, reichert sie an und aktiviert sie, sodass sie für Ihr Unternehmen nützlich sind. Es macht Snowflake von einem System of Record zu einem System of Understanding.

Sammeln: Das vollständige Bild erstellen 

Ihre KI benötigt Kontext aus Ihrer gesamten Datenlandschaft, innerhalb und außerhalb von Snowflake. Horizon Context extrahiert Kontext aus externen Systemen und sammelt ihn in Horizon Catalog.

• Metadaten-Konnektoren (Private Preview): Wir erweitern Horizon Catalog von einem Datenkatalog für Snowflake zu einem Datenkatalog für all Ihre Daten. Stellen Sie eine Verbindung zu externen Datenbank-, BI- und Daten-Pipeline-Systemen wie PostgreSQL, Microsoft SQL Server, Tableau, Power BI und dbt her und sammeln Sie Datenbankschemata, Abfrageprotokolle, Dashboard-Definitionen und mehr.

• OpenLineage-API (Public Preview): Konfigurieren Sie OpenLineage-Producer wie Apache Airflow, um Lineage-Informationen direkt an Horizon Catalog zu senden.

• Open Semantic Interchange (OSI): Snowflake ist führend bei einem offenen Standard dafür, wie verschiedene Systeme semantische Metadaten austauschen. Die Arbeitsgruppe umfasst mittlerweile 54 teilnehmende Anbieter und hat eine Spezifikation veröffentlicht.

Anreichern: Rohe Metadaten in geschäftliche Bedeutung umwandeln 

Roher Kontext ist ein Anfang, aber er muss angereichert werden, um höhere Bedeutungsebenen zu schaffen. Snowflake Horizon Context automatisiert einen Großteil davon und reduziert den manuellen Aufwand für den Aufbau und die Pflege einer Kontextschicht drastisch, während die menschliche Zusammenarbeit weiterhin unterstützt wird.

• End-to-End-Lineage auf Spaltenebene: Horizon Context extrahiert Lineage aus Snowflake und externen Abfrageprotokollen, BI-Systemen und OpenLineage-Feeds und fügt sie dann zu einem vollständigen Lineage-Graphen zusammen.

• Beliebtheit: Wenn Dutzende ähnlich aussehender Daten-Assets existieren, ist es entscheidend, zu bestimmen, welchen man vertrauen kann. Horizon Context nutzt Abfrage- und Zugriffsprotokolle, um die Beliebtheit als Signal für die Maßgeblichkeit zu berechnen.

• KI-generierte Datendokumentation: Horizon Context nutzt KI, um Tabellen- und Spaltenbeschreibungen unter Verwendung von Metadaten und optional von Beispieldaten zu generieren.

• Semantic Views: Snowflake stellt auf dem Summit 2026 mehrere Erweiterungen vor. Advanced Semantics (Private Preview) bieten Level-of-Detail-Berechnungen (LOD), zusammensetzbare Definitionen und benutzerdefinierte Materialisierungen mit automatischem Query Rewrite. Semantic Studio (Private Preview) ist eine vollwertige, KI-gestützte IDE in Workspaces mit CoCo-Integration und Git-Integration. Semantic View Autopilot nimmt Ihre vorhandenen SQL-, Tableau- und Power BI-Dateien und erstellt Semantic Views für Sie.

Aktivieren: Kontext automatisch nutzbar machen 

Die letzte Meile des Kontexts besteht darin, sicherzustellen, dass er auch genutzt wird. Mit Horizon Context ist Ihr Kontext auffindbar, zugänglich und wird automatisch aktiviert, wenn Sie mit Agenten interagieren.

• Kontextsuche: CoCo ruft automatisch relevanten Kontext über Universal Search ab, eine hybride Stichwort- und semantische Suche, die Signale wie Beliebtheit für das Ranking und Zugriffssteuerungsrichtlinien für die Filterung verwendet. Zu den neuen Erweiterungen gehören die Suche in Ihrem gesamten Datenbestand (Private Preview), aktualisierte KI-Modelle für relevantere Ergebnisse sowie die Suche nach Workspace-Dateien, Semantic Views und Agenten.

• Automatische Erkennung von Semantic Views: Wenn eine Datenfrage gestellt wird, sucht und fragt CoCo nun automatisch relevante Semantic Views ab und greift auf Tabellen zurück, falls keine vorhanden sind.

• Semantic View-Interoperabilität: Stellen Sie Semantic Views über MCP bereit, kontrolliert durch Horizon Catalog, und stellen Sie eine Verbindung von Claude, Cursor, Antigravity CLI oder dem Agenten Ihrer Wahl her. Wir erweitern unser Ökosystem an unterstützten BI-Plattformen über Omni, Sigma, Hex und Tableau hinaus um Power BI (bald in Private Preview), Excel (bald in Private Preview), ThoughtSpot (Early Access) und Looker von Google Cloud (Preview).

Vertrauenswürdiger Kontext beginnt mit kontrollierten Daten

Hier hebt sich Horizon Context von anderen semantischen Schichten von Drittanbietern ab. Da es nativ in der Snowflake-Engine integriert ist, wird das Governance-Framework auf der Bedeutungsebene und nicht nur auf der Tabellenebene durchgesetzt. Ihre rollenbasierten Zugriffssteuerungsrichtlinien und die Maskierung auf Zeilenebene folgen dem Kontext: bei jedem Tool, jeder Abfrage und jeder KI-Antwort. Eine für das Finanzteam eingeschränkte Definition bleibt in Power BI, in Salesforce und in jedem Agenten, der sie abfragt, eingeschränkt.

Ihre Kontextschicht sollte überall dort funktionieren, wo Ihre Teams arbeiten 

Horizon Context ist für ein offenes Ökosystem konzipiert, sodass kontrollierte Geschäftsdefinitionen nahtlos in die BI-Tools, KI-Agenten und Anwendungen übertragen werden, auf die sich Ihr Unternehmen bereits verlässt. Unsere Geschäftspartner sind ein wesentlicher Bestandteil dieser Gleichung und bieten Snowflake-Kunden direkte Verbindungen zu den Systemen und Anwendungen, die sie täglich nutzen. Hier ist ein Blick darauf, wie sie Horizon Context integrieren – und nutzen –, in ihren eigenen Worten. 

Alation

„Die integration von Alation in Snowflake Horizon Context verbindet kontrollierte semantische Definitionen mit Unternehmensdatenkatalogen und gibt Teams den Kontext, den sie benötigen, um Geschäftsmetriken über jedes Tool und jeden KI-Agenten in ihrem Unternehmen hinweg zu entdecken, ihnen zu vertrauen und sie zu nutzen.“

– Satya Mishra, Head of Alliances and Corporate Development, Alation

AtScale

„AtScale und Snowflake teilen eine einfache Überzeugung: Geschäftsdefinitionen sollten einmal kontrolliert und überall dort verwendet werden, wo Analysten und KI-Anwendungen arbeiten. Mit Horizon Context wird vertrauenswürdiger semantischer Kontext Teil des umfassenderen Governance-Frameworks von Snowflake, was es einfacher macht, ihn im gesamten Unternehmen zu entdecken, zu sichern und zu aktivieren. Unabhängig davon, ob Teams Semantik in AtScale oder Snowflake definieren, können sie mit Zuversicht investieren, da sie wissen, dass diese Definitionen zusammen mit dem Rest ihres Datenbestands kontrolliert werden und für die KI- und Analytics-Erlebnisse verfügbar sind, die von ihnen abhängen.“

– David Mariani, Co-Founder & CTO, AtScale

Collibra

„Kontrollierte, konsistente Semantik und Geschäftsontologie im gesamten Unternehmen sind erforderlich, damit KI-Agenten und Datennutzer Daten in KI-Geschwindigkeit verstehen, ihnen vertrauen und auf ihrer Grundlage handeln können. Unsere Integration mit Snowflake Horizon Context stellt sicher, dass vertrauenswürdige Metadaten bidirektional fließen, was gemeinsamen Kunden eine einzige, vertrauenswürdige Sicht auf den gesamten Unternehmenskontext bietet – um KI im Produktionsmaßstab zu beschleunigen.“

– Chandra Papudesu, VP, Product Management, Integrations & Lineage, Collibra

Domo

„Die Integration der kontrollierten semantischen Definitionen von Snowflake in Domo hilft gemeinsamen Kunden, Duplikate zu reduzieren, die Governance zu stärken und die Zeit bis zur Erkenntnis für vertrauenswürdige KPIs im gesamten Unternehmen zu beschleunigen.“

– Matthew Payne, VP of Engineering, Domo

Hex

„Mit Snowflake Semantic Views in Hex arbeiten Teams mit vertrauenswürdigen, verwalteten Metriken in Notebooks, SQL und Daten-Apps, wodurch Inkonsistenzen reduziert werden und sie dank zuverlässiger Erkenntnisse schneller agieren können.“

– Carlos Aguilar, Head of Product, Hex

Looker Studio

„Wir freuen uns, die universelle semantische Schicht von Looker zu erweitern, um datenbankinterne Analysemodelle mit Snowflake Semantic Views zu unterstützen. Kunden haben nun die Möglichkeit, semantische Definitionen abzufragen und zurückzuschreiben, um Conversational Analytics im gesamten Unternehmen mit der Snowflake AI Data Cloud zu skalieren.“ 

– Sean Zinsmeister, Director, Outbound Product Management, Google Cloud

Omni

„Unsere Integration mit Snowflake Horizon Context bringt verwaltete Definitionen in jede Benutzeroberfläche, von KI-gesteuerten Chats bis hin zu Tabellenkalkulationen und Dashboards. Diese Konsistenz hilft Kunden, Self-Service-Analytics zu skalieren und vertrauenswürdige Datenprodukte bereitzustellen.“

– Jamie Davidson, Co-Founder, Omni

Sigma Computing

„Sigma lässt sich direkt in Snowflake Horizon Context integrieren und fragt Semantic Views in Echtzeit ab, sodass verwaltete Geschäftsdefinitionen sofort in jeder Tabellenkalkulation, jedem Dashboard und jeder Datenexploration widergespiegelt werden. Dies bietet unseren gemeinsamen Kunden eine Single Source of Truth, ohne die Flexibilität einzubüßen, die sie benötigen, um schnell zu agieren.“

– Hassen Karaa, SVP of Product, Sigma Computing

Tableau

„Tableau fügt seinem Datenmodell Unterstützung für die semantischen Definitionen von Snowflake Horizon Context hinzu. So wird sichergestellt, dass Analyst:innen darauf vertrauen können, dass Metriken durch die zugrunde liegende semantische Schicht konsistent definiert und präzise aggregiert werden. Dies bietet gemeinsamen Kunden eine einheitliche Definition der Wahrheit über Tableau und Snowflake hinweg.“

– Nick Brisoux, Senior Director of Product Management, Tableau

ThoughtSpot

„Mit der nativen Unterstützung von ThoughtSpot für Snowflake Semantic Views können unsere Nutzer:innen Abfragen aus einer semantischen Schicht durchführen, die mit KI-nativem Kontext angereichert ist, sodass jeder Agent, jedes Dashboard und jede eingebettete Erfahrung, auf die sich Ihr Unternehmen stützt, Schlüsse aus einer einzigen verwalteten, sich kontinuierlich verbessernden Kontextschicht zieht.“

– Francois Lopitaux, SVP Product Management, ThoughtSpot

Der Weg zu Agentic AI

Autonome Agenten können keine Schlüsse über Ihr Unternehmen ziehen, wenn Ihre Daten keine eingebettete Bedeutung haben. Ohne Kontext rät ein Agent nur. Mit einem nativ in die Plattform integrierten Kontext handelt ein Agent. Mit einem Kontext, der zudem nativ verwaltet wird, kann man einem Agenten vertrauen.

Aber Kontext stammt nicht nur von einem Ort. Er lebt in Ihren BI-Tools, Ihrem Abfrageverlauf, Ihren Metadaten-Katalogen und dem institutionellen Wissen, das Ihre Teams über Jahre hinweg aufgebaut haben. Horizon Context verbindet sich mit diesen Quellen, reichert Ihre semantische Schicht automatisch an und verwaltet das Ergebnis in einem einzigen System, wodurch Synchronisierungs- und Driftprobleme vermieden werden.

Genau das können die meisten Plattformen nicht bieten. Eine Kontextschicht, die auf eine Governance-Engine aufgesetzt ist, muss bei jeder Abfrage zwei Systeme miteinander abgleichen. Wenn Definitionen abweichen, folgt der Agent der falschen. Horizon Context ist anders, da die Semantik innerhalb der Governance-Engine angesiedelt ist und zur Abfragezeit erzwungen wird, anstatt kopiert oder zwischengespeichert zu werden. 

Erfahren Sie mehr über Horizon Context unter snowflake.com/en/product/features/horizon-context

Dieser Inhalt enthält zukunftsgerichtete Aussagen, unter anderem über unsere künftigen Produktangebote, und stellt keine Verpflichtung dar, irgendwelche Produktangebote bereitzustellen. Die tatsächlichen Ergebnisse und Angebote können abweichen und unterliegen bekannten und unbekannten Risiken und Unsicherheiten. Weitere Informationen finden Sie in unserem jüngsten 10-Q-Formular.