Schaffen Sie die Grundlage für vertrauenswürdige KI

Die Kluft zwischen experimenteller und produktionsbasierter KI wird selten durch Modelle verursacht. Es ist ein Infrastrukturproblem – genauer gesagt ein Mangel an vernetzter, kontrollierter Infrastruktur, die mit dem neuen Geschäftstempo des agentischen Unternehmens Schritt halten kann.

KI-Agenten definieren die Art und Weise, wie Unternehmen ihre Unternehmensdaten schützen, transformieren und bereitstellen, neu. Datensysteme, die auf die Frequenz menschlicher Entscheidungsfindung ausgelegt sind, müssen sich weiterentwickeln, um den Anforderungen von Akteuren gerecht zu werden, die sensible Daten mit hoher Geschwindigkeit rationalisieren und kontinuierlich bearbeiten. Das heißt, drei grundlegende Elemente zu berücksichtigen:

• Einheitlich kontrollierte Daten, egal wo sie sich befinden 

• Sicherheit für autonome KI

• Hohe Performance für alle Workloads

Auf dem Summit 2026 hat Snowflake eine Reihe von Funktionen vorgestellt, die jede dieser Herausforderungen meistern, indem es Mitarbeitenden den richtigen Zugriff auf gut geschützte und leicht verständliche Daten in einem Tempo bietet, das es ihnen ermöglicht, schnell zu handeln – und mit dem Sie KI getrost in der Produktion einsetzen können.

Eine bewährte Kontextebene für KI

Ihre KI-Agenten sind nur so gut wie die Daten, die sie für Analysen und Schlussfolgerungen verwenden. Und während Mitarbeitende ihre Abfragen beschleunigen und autonomere Maßnahmen ergreifen, werden einheitliche Geschäftslogiken und Definitionen in Ihrem gesamten Datenbestand zu einem entscheidenden Erfolgsfaktor. Die Kennzahl „aktive Kund:innen“ sollte dieselbe Zahl zurückgeben, unabhängig davon, ob sie aus einem BI-Dashboard, einem Snowflake Cortex AI-Agenten oder einer SQL-Abfrage eines Analysten stammt. Wenn die Geschäftslogik über Tools und Daten außerhalb von Snowflake verstreut ist, kann dies zu inkonsistenten Definitionen führen – ein Problem der semantischen Fragmentierung, das das Vertrauen untergräbt und mit jedem neuen agentischen Workflow wächst. 

Snowflake Horizon Context, eine neue Funktion in Snowflake Horizon Catalog, bettet Geschäftslogik in die Plattform ein. So erbt jeder KI-Agent, jedes BI-Tool und jede Anwendung dieselben, einheitlichen Definitionen. Geschäftsmetriken, Dimensionen und Beziehungen werden einmal definiert und überall durchgesetzt, wobei die Governance-Kontrollen automatisch auf der Ebene der Abfrage-Engine vererbt werden. 

Im Gegensatz zu semantischer Middleware, die auf Bolzen aufgesetzt wird, müssen nicht alle Tools und Abfrageschnittstellen manuell verbunden werden. Die sofort einsatzbereiten Konnektoren von Horizon Context analysieren den Kontext automatisch aus Abfragehistorien, dbt-Modellen und BI-Protokollen, wodurch institutionelles Wissen erschlossen und die Erstellung semantischer Modelle beschleunigt wird.

Anschließend können Sie die Anreicherung von Metadaten mit Semantic Studio (Private Preview) und Snowflake Semantic View Autopilot (allgemein verfügbar) automatisieren, um den manuellen Aufwand für die Erstellung und Pflege einer Kontextebene zu reduzieren. Unabhängig davon, ob Sie Snowflake CoCo eine Aufgabe zur SQL-Erstellung oder eine übergeordnete Datenanalyse übertragen, wird der relevante Kontext automatisch mithilfe von Universal Search abgerufen, einem hybriden Schlüsselwort und einer semantischen Suche, die Signale wie Beliebtheit verwendet, um das Ranking zu verbessern, und Zugriffskontrollrichtlinien, um Ergebnisse zu filtern.

Um die kontrollierte semantische Grundlage über Snowflake hinaus portierbar zu machen, nutzt Horizon Context verschiedene Snowflake-Funktionen:

• Konfektionierte Konnektoren: Verbinden Sie sich mit Tools wie PostgreSQL, Microsoft SQL Server, Tableau, Microsoft Power BI und dbt, mit denen Sie umfassenden Kontext (Abfrageprotokolle, Beliebtheit, Schemas usw.) aus vielen Quellen in einem durchsuchbaren Katalog zusammenführen können.

• End-to-End-Lineage auf Spaltenebene: Die Datenherkunft ist entscheidend, um zu verstehen, wie Daten-Assets miteinander in Beziehung stehen. Horizon Context analysiert Datenherkunftsdaten aus Snowflake und externen Datenbankabfrageprotokollen, BI-Systemen und OpenLineage-Feeds und fügt sie zu einem vollständigen End-to-End-Datenherkunftsgraph zusammen.

• Native Open Semantic Interchange (OSI) Integration (Private Preview): Bietet eine anbieterneutrale Spezifikation für Kennzahlen, Dimensionen und Beziehungen, sodass die in Horizon Context definierte Geschäftslogik in Ihrem gesamten Ökosystem ohne Übersetzung gelesen und verstanden werden kann.

• Semantic Studio (Private Preview): Bietet eine visuelle Modellierungsschnittstelle für die Erstellung semantischer Ansichten, ohne SQL zu schreiben. So ist Governance für Datenteams und Geschäftsanalysten gleichermaßen zugänglich.

• XMLA-Endpunkt für Semantic Views, angetrieben von AtScale (demnächst in Private Preview): Verbindet Power BI und Excel direkt mit der semantischen Ebene, sodass BI-Nutzende in Unternehmen mit denselben kontrollierten Definitionen arbeiten können wie KI-Agenten.

• Erweiterte Semantik (Private Preview): Unterstützt Detailgradberechnungen, zusammensetzbare Definitionen und benutzerdefinierte Materialisierungen mit automatischer Abfrageumschreibung.

Weitere Informationen zu Horizon Context finden Sie in unserem Blog „Horizon Context: Die kontrollierte Kontextschicht für KI, BI und Apps.“

Gleichzeitig mit der Veröffentlichung von Horizon Context nahm Snowflake Erweiterungen an Horizon Catalog vor, die seine Rolle als zentrale Kontrollebene für die Governance Ihres Datenbestands innerhalb und außerhalb von Snowflake unterstreichen.

Ebenso wie Snowflake CoWork Richtlinien, Klassifizierungen und Zugriffskontrollen für alle Benutzer zugänglich macht, nicht nur für diejenigen, die fließend SQL sprechen, wandeln neue Intent-Driven Governance-Funktionen (Private Preview) einfachsprachige Vorlagen in aktive Horizon Catalog-Richtlinien um. Führungskräfte und Datenexpert:innen können ihre Governance-Absichten genehmigen, ohne die Primitiven von Snowflake Governance erlernen zu müssen. Snowflake sorgt automatisch für eine tag-basierte Durchsetzung – einschließlich Maskierung, Zugriffskontrollen und Datenqualität – für bestehende und künftige Objekte. Das System überwacht kontinuierlich die Drift und generiert detaillierte Auditpakete, die Live-Konfigurationen direkt auf die genehmigte menschliche Absicht zurückverfolgen. Darüber hinaus ermöglicht agentische Governance über neue Snowflake CoCo-Skills (allgemein verfügbar) Benutzer:innen das Senden von Prompts in natürlicher Sprache, um Richtlinien anzuwenden, Fehler zu beheben und sensible Daten über verschiedene Ressourcen hinweg zu überwachen.

Horizon Catalog bietet nun vollen sicheren bidirektionalen Lese-/Schreibzugriff von externen Engines (allgemein verfügbar), wodurch die Richtlinien, die Sie in Snowflake definieren, universell auf Apache IcebergTM REST-kompatible Engines erweitert werden. Die Unterstützung der Apache Iceberg REST Scan Planning API (Public Preview) weitet die umgebungsübergreifende Durchsetzung auf präzise Datenschutzmaßnahmen aus. Zusammen ermöglichen diese Funktionen Kunden, mit einer einzigen kontrollierten Datenkopie zu arbeiten, auf die jede Engine vom ersten Tag an sicher zugreifen kann. Dies beschleunigt die Ausführung für Teams und Agenten, indem eine Architektur bereitgestellt wird, die bereit ist, im Geschäftstempo des agentischen Unternehmens zu arbeiten. Hier erfahren Sie mehr darüber, wie Sie mit dem Interoperable Lakehouse von Snowflake sicher auf eine einzige kontrollierte Datenkopie standardisieren können.

Integrierte Sicherheit von KI-Agenten

Traditionelle Zugriffskontrolle wurde für Menschen entwickelt, die mit bekannten Rollen, vorhersehbaren Zugriffsmustern und auditierbaren Sitzungen arbeiten. Agenten drehen das Skript um: Sie arbeiten kontinuierlich mit Maschinengeschwindigkeit und Skalierbarkeit und können durch Aufforderungen manipuliert werden, auf unbeabsichtigte (oder böswillige) Weise zu handeln. Bei vielen Plattformen von heute fehlen Agenten nachweisliche Identität, umfassende Berechtigungen und klare Auditpfade. Das ist ein großes Hindernis für die Bereitstellung in der Produktion – in der Tat gibt über die Hälfte der Befragten in unserem Bericht „ROI of GenAI and Agents 2026“ (56 %) an, mindestens eine Herausforderung im Zusammenhang mit Governance und Compliance zu bewältigen.

Snowflake meistert diese Herausforderung direkt mit einem speziell entwickelten Agentensicherheitsmodell, das das Zero-Trust-Prinzip auf autonome Akteure ausdehnt. Agent Identity (Public Preview) gibt jedem Agenten eine kryptographisch verifizierte Identität, bevor er in der Produktion auf Daten zugreift. Dieser neue Kontext unterstützt die Auditfähigkeit und schafft eine vollständige Kette von Sorgerechten, die die Rückverfolgbarkeitsanforderungen von Compliance-Frameworks in stark regulierten Branchen wie Finanzdienstleistungen, Gesundheitswesen und öffentlichem Sektor erfüllen kann.

Mithilfe dieser speziell entwickelten Kontrollen zur Steuerung von Agentenidentität und -interaktionen können Sie KI-Agenten und -Apps zuverlässiger skalieren, da Sie wissen, dass sie von den nativen Sicherheitsfunktionen von Snowflake profitieren. Diese Grundlage wird durch einen Defense-in-Deep-Stack noch verstärkt, der einige der größten Hindernisse angeht, die KI-Projekte ins Stocken bringen:

Sicherer Zugriff für Mitarbeitende

• AI Security Posture Management (Public Preview) unterstützt die kontinuierliche Überwachung der agentischen Sicherheitslage, bereitgestellt über das Snowflake Trust Center, mit proaktiver Anomalieerkennung im gesamten Agentenverhalten.

Unternehmensgerechte Verteidigung für Ihren Datenbestand

• Prompt Injection Protection Phase 2 (allgemein verfügbar) bietet eine LLM-gestützte, nahezu in Echtzeit erfolgende Erkennung von Zero-Day-Injection- und Jailbreak-Versuchen – eine Funktion, die häufig bei der Bewertung von Unternehmens-KI-Sicherheitsfunktionen gefordert wird.

• Data Movement Policies (Private Preview) umfassen Kontrollen auf Plattformebene, die dazu beitragen, unbefugte Datenexfiltration durch agentische Workflows und API-Verbindungen zu verhindern, unabhängig davon, welches Tool die Übertragung initiiert.

• Die Multi-Party Approval (Public Preview) bietet eine „Vier-Augen“-Autorisierung, die die Operationen mit dem höchsten Risiko hinter einem expliziten Genehmigungsschritt vor der Ausführung abwickelt.

• Data Exfiltration Trust Center Package (Private Preview) und Ransomware Protection-Monitor für gängige Vektoren für umfangreiche Datenkompromittierungen, einschließlich exzessiver Datendownloads über die Benutzeroberfläche und Anomalieerkennung, die auf ungewöhnliche Datenübertragungen zu internen und externen Stages abzielen.

Vereinfachen Sie den Zugriff von Nutzenden auf Agenten

• Just-in-Time User Provisioning und Request Access Workflow (beide in Private Preview) ermöglichen eine genaue Kontrolle darüber, wie Identitäten überhaupt Zugriff erhalten. So werden ständige Berechtigungen auf der gesamten Plattform reduziert.

Für weitere Details zu den KI-Sicherheitserweiterungen von Snowflake finden Sie in unserem Blogbeitrag „Schutz Ihres Unternehmens in KI-Geschwindigkeit“.

Governance und hohe Performance ohne Kompromisse

Agenten dulden keine Verzögerungen. Jede Verlangsamung des Datenzugriffs schränkt ein, was autonome Agenten tun können, was Teams dazu bringen kann, latenzsensible Workloads von kontrollierten Plattformen zugunsten einer hohen Performance zu verdrängen. Dieser Workaround reduziert zwar Verzögerungen, bringt aber auch eine separate Belastung für die Infrastrukturverwaltung mit sich – und erhöht das Governance-Risiko.

Mit den neuen Erweiterungen des Snowflake-Rechenressourcenportfolios gehören diese Nachteile der Vergangenheit an, indem Sie eine hohe Performance für all Ihre KI- und Daten-Workloads bieten und gleichzeitig eine einheitliche Governance gewährleisten und den betrieblichen Overhead erheblich reduzieren. Das Ergebnis: Ihre Teams können sich auf strategische Aufgaben statt auf manuelle Wartungsaufgaben konzentrieren.

Snowflake Adaptive Compute (demnächst allgemein verfügbar) befasst sich mit einer zentralen betrieblichen Herausforderung der sich schnell verändernden KI-Landschaft: Wie lassen sich Performance, Benutzerfreundlichkeit und Skalierbarkeit in Einklang bringen, wenn Workloads immer vielfältiger und weniger vorhersehbar werden? 

Warehouses, die mit Adaptiven Rechenressourcen erstellt wurden und als Adaptive Warehouses bezeichnet werden, bieten Workload-basierte Rechenressourcen, die sich dynamisch an den Bedarf anpassen, ohne dass manuelle Dimensionierung, Clustermanagement oder Kapazitätsplanung erforderlich sind. Snowflake übernimmt die Ressourcenzuweisung und -skalierung sowie das Abfragerouting in einem gemeinsamen Rechenressourcenpool in Ihrem Konto. Konfigurationsentscheidungen, die zuvor dedizierte Anpassungszyklen erforderten, können jetzt kontinuierlich und ohne menschliches Zutun erfolgen. Insbesondere für Teams, die Rechenressourcen über mehrere Geschäftsbereiche hinweg verwalten, kann so der betriebliche Aufwand erheblich reduziert werden. 

Hohe Performance bleibt ein Markenzeichen. Adaptive Compute integriert die neuesten Hardware- und Performance-Verbesserungen und belegt so signifikante Performance-Steigerungen (basierend auf TPC-DS und internen Benchmarks) gegenüber Standard-Snowflake-Rechenressourcen (sowohl Gen1 als auch Gen2) für alle Workloads:¹

• Bis zu 1,6-mal schneller für analytische Workloads wie explorative Analytik, Data Science und Ad-hoc-Analytik
• Bis zu 2,2-fach höherer Durchsatz (Abfragen/Stunde) für hochgradig gleichzeitige Workloads im Bereich der Betriebsanalytik
• Bis zu 3,5x schnellere Ausführung für DML-lastige Workloads wie Datentransformationen, Datenerfassung und Daten-Pipelines

Erfahren Sie in unserem Blog „Adaptive Rechenressourcen mit hoher Performance, die sich mit Ihren Workloads weiterentwickelt“ mehr darüber, was Adaptive Rechenressourcen so unterscheidet.

Interactive Analytics bietet Streaming-Funktionen für Workloads, die eine Aktualisierung der Daten nahezu in Echtzeit und eine hohe analytische Abfrage-Performance erfordern. Streaming Ingestion (in Private Preview) bringt kontinuierlich erfasste Daten in Interactive Tables mit Aktualitäten in Sekundenschnelle und Abfrageperformance mit mehr als 1.000 QPS Parallelität – alles innerhalb des Governance-Umfelds von Snowflake.²

Zwei zusätzliche Releases bringen dieselbe Performance und Einfachheit in transaktionale Workloads. Postgres Data Mirroring (demnächst in Public Preview) repliziert Daten automatisch von Snowflake Postgres zu Snowflake Analytics, sodass Teams auf komplexe ETL und den Klebecode verzichten können, die zuvor für die Verbindung dieser beiden Systeme erforderlich waren. Sie können innerhalb weniger Minuten damit beginnen, Konfigurationen über CoCo, Snowsight UI oder SQL vorzunehmen: Richten Sie es einfach ein und lassen Sie Ihre Daten nahtlos fließen. Und auch Hybridtabellen erzielen erhebliche Performance-Steigerungen (basierend auf internen Benchmarks): bis zu 8-fache Durchsatzverbesserung ³ und 10-fach schnellere Batch-Schreibvorgänge⁴ sowie eine Kosteneffizienzverbesserung von durchschnittlich 15 %.⁵ Dieser Durchbruch ermöglicht es Kunden, anspruchsvollere Workloads auszuführen, ohne eine zusätzliche Datenbank hinzufügen zu müssen.

Das Snowflake Well-Architected Framework (WAF) standardisiert Best Practices und Richtlinien für Unternehmen, die diese Funktionen in großem Umfang nutzen, um ein einheitliches Betriebsmodell für Daten- und KI-Workloads zu unterstützen. Teammitglieder können nun über CoCo als natürliche Sprachkenntnisse auf WAF zugreifen. Teammitglieder können ihre Architektur anhand der Grundpfeiler des Frameworks bewerten, Lücken erkennen und Best Practices implementieren, ohne sich auf jede Konfigurationsoberfläche der Plattform zu spezialisieren.

Vertrauensvolle Bereitstellung von Unternehmens-KI

Die neuen und verbesserten Funktionen von Snowflake unterstreichen den Wert eines vernetzten Ansatzes für Kontext, Governance und Sicherheit, der durch skalierbare Hochleistungsfähigkeit untermauert wird, die intelligent auf die Dynamik von KI-Workloads reagieren kann. Es ist eine bewährte Architektur, die Unternehmens-KI von kontrollierten Pilotprojekten zu Produktionssystemen bringt, auf die sich Unternehmen verlassen können.

Weitere Informationen finden Sie unter diesen Ressourcen:

• Entdecken Sie Horizon Context und weitere Horizon Catalog-Erweiterungen

• Finden Sie heraus, warum Kontext der Schlüssel zu zuverlässigen Datenagenten ist

• Erfahren Sie mehr über KI-Sicherheit im Snowflake Security Hub und Trust Center

• Besuchen Sie die Seite Adaptive Rechenressourcen und nehmen Sie an der Adaptive Warehouse Session auf dem Snowflake Summit 2026 am Mittwoch, 3. Juni, um 12:30 p.m. Uhr PDT teil

• Erfahren Sie in unserem „Essential Guide to Transactional, Analytical and Hybrid Data“, wie Workloads vereinheitlicht werden können.

• Details zum Well-Architected Framework erhalten

¹ Gemessen an einer Kombination aus Industriestandard (TPC-DS) und eigenen Benchmarks und verglichen Standard Gen1-Instanzen mit Adaptiven Warehouses. Ergebnisse, die in der Produktionsbereitstellung gemessen wurden, wobei im Mai 2026 nur öffentlich verfügbare kundenseitige Funktionen verwendet wurden. 

² Performance-Ergebnisse basierend auf interaktiven Analyse-Workloads, die im Januar 2026 mithilfe einer kleinen interaktiven Warehouse-Konfiguration gemessen wurden.

³ Daten, die auf Benchmarks basieren und mit dem Yahoo Cloud Serving Benchmark (YCSB) mit einem 100% gelesenen Workload im Gen2 XS Warehouse ausgeführt werden.

⁴ Daten basierend auf internen Benchmarks zum Laden von 50 GB in Hybrid Tables mit einem 2X-Large Warehouse.

⁵ Daten, die auf Snowflake-Schätzungen der durchschnittlichen Kosteneinsparungen bei den Kunden beruhen, gemessen am realen Verbrauch von Produktionskrediten im Februar 2026.

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.