Snowflake 的客戶對話已經從"資料平台/遷移"升維到"業務價值交付"——能源製造商的發票自動化（年支付 100 億美元、效率提升 1 個點即天文數字）、供應鏈最佳化、定製 CDP。
一、總綱：從"資料遷移廠商"到"業務結果平台"
本場最重要的敘事位移：Snowflake 的客戶對話已經從"資料平台/遷移"升維到"業務價值交付"——能源製造商的發票自動化（年支付 100 億美元、效率提升 1 個點即天文數字）、供應鏈最佳化、定製 CDP。Ramaswamy 直言："以前大多數 CEO 根本不會屈尊跟我談——'哦，一個資料廠商，誰在乎？'" 這種從 CTO 到 CEO/CFO 的受眾上移，是 AI 賦予資料平台的歷史性機會。支撐這一升維的底座是三個具體變化：
- AI 讓遷移工業化：大型製造業客戶 Teradata 遷移計畫不到 3 個季度完成（2024 年不可想像）；"遷移"一詞從 CIO 的心魔變成可承諾交付期的標準工程；
- 可變成本 → 固定成本：coding agent 壓縮遷移工期的同時，還能快速修復遷移中的長尾怪問題，使"結果保證制（outcome-based）"定價成為可能——SI 行業將從 time-and-material 轉向結果導向，服務市場會"小得多但繫結結果"；
- GTM 全鏈路提速：會前調研、demo 製作等環節被 agent 壓縮，公司為此設立新崗位 activation engineer，專職壓縮新客戶上線時間。
二、CoCo：既是產品，也是銷售武器，也是組織作業系統
- 內部全員普及：公司每個人都配程式設計 agent（非專用工具），由此理解使用深度、做 skill 推薦（"你常做這件事，該建 skill 了"）；
- 採用深度抓手：2–3 小時的 hands-on labs 是已被驗證的深度採用路徑；harness 的關鍵屬性是"工作可見、可觀測 → 可最佳化、可自動化"；
- CFO 成為新買家：CFO Brian Robins 稱自己每周見 3–5 位 CFO，直接展示內部用法——"向高管賣可能性的最好方式是展示你自己怎麼用"；
- 預測紀律：新產品建模刻意保守，不靠單月資料外推；已有兩個季度資料後信心增強；消費制業務天然平滑，即便 CoCo 爆發也有一到兩個季度的溝通窗口管理預期；
- 留存與 ramp：CoCo 放量下 gross retention 保持穩定；客戶達到消費運行速率的曲線"越來越陡"。
三、應用層的新定義："應用 = 資料基底上幾個自我進化的 skills"
這是對 SaaS 形態的正面挑戰，也是本場最具前瞻性的論述：
- 以內部調查應用為例：Workday 層級已鏡像進 Snowflake，幾張表+通知+權限+隨需生成的 React UI = 一次傳統 SaaS 採購變成"安裝在已有資料上的幾個 skills"，且天然帶治理、權限、AI 分析能力；Salesforce 資料同步進 Snowflake 後，同樣的邏輯可做寫回式批註應用；
- skills 是用英語寫的，天然可移植——"偉大的均衡器"：任何模型都能接手為別的 harness/模型寫的 skill 並適配；
- 應用不再是靜態軟體，而是"運行中自我進化"的系統（SRE 系統案例：人看 → agent 先自動看 → 一半工作自動化）；
- 平台策略：鋪設"小金塊"供客戶中最聰明的人發現新用法 → 學習 → 產品化推廣，形成反饋飛輪。
四、模型生態觀：與 Broadcom 立場鮮明對立
Ramaswamy 明確表態"供應商競爭越激烈越好"，直接擁抱多模型+開源：
- Snowflake 同時對 OpenAI、Anthropic 採購容量，並自跑開放權重模型；跨雲（AWS/Azure 同構部署+跨雲災備）與跨模型互操作是同一哲學的延伸；
- 關鍵判斷：除 ChatGPT 外沒有任何模型廠商建立了真鎖定——他的團隊從 Cursor 切換到 CoCo 無需他推動；"能在模型間互操作的東西是酷資產"；
- 推論：繫結單一模型供應商的資料/應用平台反而是風險敞口，Snowflake 的中立性成為賣點。
五、推理轉售：價值層級的"馬斯洛金字塔"
- 鄙視盲目轉售："轉售無差別算力=沒有創造價值，是假裝有生意"；
- 排序清晰：①CoCo/CoWork 直接訂閱（首選）→ ②模型容量+自有 harness（可做）→ ③純資料平台做別人的後端（"可以，但不情願"）；
- 毛利率不是紅線而是最佳化對象：開源模型自跑（毛利更好）、60 億美元 AWS 式大宗採購、規模最佳化；"如果 CoCo 放量壓毛利，我很樂意解釋一整天——因為它驅動整體業務加速"。
六、誠實的短板清單：低延遲與轉換成本
- 低延遲：坦承 500 毫秒 freshness 目前做不好——流處理已到 2–3 秒、interactive tables 在做低延遲服務、正攻關降到 500 毫秒左右；"這是機會也是威脅，我們正在解決"；（對比：兩年前承認 ML/notebook 不行，現已成強項——"認帳-攻堅-翻身"模式有先例）；
- 轉換成本："遷進提速=遷出提速"，坦然接受開放格式（managed Iceberg tables：資料存 Snowflake、任何引擎可查詢）；價值創造必須上移到治理、災備、agent 運行環境、可觀測；防禦邏輯是"這平台沒那麼好造——不然 hyperscaler 十年前就把我們吃了"，外加客戶至上（十大 skills 之一是成本最佳化，甚至主動提醒帳單異常）。
七、定價哲學
- Gen 2 實例：價格性能必須逐代更好，通縮用"量+新作業"抵消，避免收入階梯式下滑；
- 管理層的信條收尾："收入解決所有已知問題"——增長優先於單點毛利潔癖，與 Broadcom"價值歸最好者"、Datadog"毛利額+經營槓桿"一脈相承。
八、需要跟蹤的變數
- CoCo/CoWork 的單獨披露節奏：何時給出產品級收入、採用率與毛利影響的資料點（管理層已承諾提前一到兩個季度溝通）；
- 遷移業務的結果導向定價佔比：fixed-cost 遷移承諾能否規模化且不爆雷（質量與長尾問題處理是風控核心）；
- 500 毫秒延遲目標：流處理/互動表的技術兌現，決定 Snowflake 能否進入即時 agent 資料路徑，對抗"為 agent 而生"的新架構挑戰者；
- Iceberg/開放格式的戰略邊界：開放到什麼程度會侵蝕平台租金，價值上移（治理/DR/agent 執行階段）能否補位；
- 定製應用/skills 生態的第三方動能：當前主要靠 Snowflake 鋪"小金塊"和客戶自助，何時出現可量化的 marketplace 或夥伴經濟；
- 推理業務的實際毛利軌跡：多供應商採購+自跑開源模型的經濟學能否兌現"不
Snowflake Inc.（SNOW）Goldman Sachs Communacopia + Technology 大會
公司出席人
- Sridhar Ramaswamy —— CEO 兼董事
- Brian Robins —— 首席財務官
會議出席人
Gabriela Borges —— 高盛集團研究部
陳述
Gabriela Borges（高盛）好，我們開始 Goldman Sachs Communacopia 大會的 Snowflake 環節。我是 Gabriela Borges，主管我們的軟體研究。很高興台上請到 Snowflake 的 CEO Sridhar Ramaswamy 和 CFO Brian Robins。感謝二位到場。
Sridhar Ramaswamy： 謝謝。
Brian Robins： 謝謝，很高興來到這裡。
問答環節
Gabriela Borges： Sridhar，我想從你的實地客戶交流講起。相比 2024、2025 年，如今現代資料技術堆疊的創新節奏已經改變。請談談你在交流中看到了什麼、聽到了什麼——客戶從"舊"到真正"新"（AI 賦能）的旅程是怎樣的？
Sridhar Ramaswamy： 資料現代化的需求一直存在，但"遷移（migration）"這個詞幾乎讓每個 CIO、CDO、每個工程師心生恐懼：耗時永久、結果高度不確定。我認為 AI 正深刻改變遷移完成的速度以及——不只是我對團隊的期望，我以前談過希望遷移大部分自動化——客戶也在這樣期待。我們有個很大的製造業客戶在做 Teradata 遷移，正激進地計畫在不到 3 個季度內完成——這在 2024 年是聞所未聞的。這就是"更多事情成為可能"的部分原因。
同樣有趣的是，我們現在能以資料平台、以 Snowflake 的層級進行對話——我們一向不參與這類對話——聊的是如何交付業務價值：如何為一家大型能源製造商自動化發票處理（這類流程過去極度手工、極度抽檢，他們每年對外支付 100 億美元，那怕效率只提升一個百分點，也是天文數字的金額）；聊供應鏈最佳化；聊如何快得多地實施一個定製 CDP。2026 年能進行這樣的對話，與以往截然不同——說實話，以前大多數 CEO 根本不會屈尊跟我談："哦，一個資料廠商，誰在乎？"我認為這種變化才是此刻的非凡之處。
Gabriela Borges： 我想回到定製 CDP，但在遷移話題上再停留片刻。6 月你們的大會上，我們交談的許多系統整合商說，因為有了程式設計工具，遷移可以從可變成本變成固定成本。請談談從可變成本遷移到固定成本遷移的轉變，以及程式設計工具——進而自然過渡到 CoCo——能對遷移節奏產生什麼影響。
Sridhar Ramaswamy： 我認為這是個更大的趨勢：AI 正在從根本上讓軟體工業化。我不會低估它對每家科技公司、每家軟體公司構成的威脅——這是極其深刻的轉變。它還消弭了 Snowflake 這樣的資料平台與運行在資料之上的應用之間的距離。人們在 Snowflake 上建構的東西將不再是標準打包 SaaS 應用的樣子（外觀和手感會不同，我們可以展開談）。另一件事是它也壓扁了資料平台與過去所謂"服務"之間的距離，因為很多事物可以開始自動化。
軟體代表著人類稱之為"智能"的東西——它們承載工作流、建立資料結構、組織我們的思維。AI 極大地加速了這一切。這就是為什麼許多人——因為現在能借助程式設計 agent 的力量——說：等等，我可以把遷移這樣的工作的時間大幅壓縮，同時對遷移中必然出現的各種怪問題、零零碎碎的問題也能同樣快速地修復。他們嗅到了機會，因為行業大多數玩家仍在按"時間與材料"（time and material）運作——大量的時間、大量的材料、大量的金錢。而進取的系統整合商說：我能保證結果（guarantee outcomes）。
我們自己在做的也是這件事：我們告訴客戶我們能交付結果，因為把事辦快的能力比以前強得多，同時處理未知問題的能力也強得多。這兩者的結合將推動服務行業發生巨變。我不是說服務會消失——它會變得截然不同，比以前小得多，但會更加緊密地繫結客戶想要的結果。
Gabriela Borges： 我具體問問 CoCo。Brian，之後請你從指引角度加入。Sridhar，我們之前談過：不只是用 CoCo 的客戶數量，還有使用深度和你們在解決的新用例。第一部分：作為高管團隊，你們如何推動深化單個客戶對 CoCo 的使用？
Sridhar Ramaswamy： 很多來自我們自己的經驗。我之前談過：Snowflake 公司自身的一個巨大 unlock，是讓公司裡每一個人都擁有程式設計 agent——它不是專用工具。於是我們看到每個部門都爆發出創造力和創新。這幫助我們理解 AI 的可能性。harness（智能體框架）的美妙之處在於——也是它將對所有人、包括你們產生深刻影響的原因——你現在的工作在一個系統內可見、可觀測，這意味著它可最佳化、可自動化。
所以我們能深入洞察：客戶在做什麼？我們用 CoCo 在做什麼？是否有重複性工作？例如，我們現在會給出建議："你應該建構這個 skill，因為你似乎經常做這件事。"從那裡再往前一步是："這是你同事在用的一組 skills，你可以用它讓工作更高效。"因此我們能理解使用深度，並把它與行動掛鉤。人生歸根結底就是：採取什麼行動才能產生你想要的結果。我們有 hands-on labs（動手實驗） 這類被證明極其有效的做法——本質上是我們的技術人員與客戶一起進行的 2 到 3 小時輔導。客戶因此更高效、資料團隊更開心、完成更多工作、更容易偵錯那些煩人的日常問題；同時它也給了我們清晰的路線圖：要讓我們重視的每個客戶實現真正深度採用，需要做什麼。
Brian Robins： 我補充一點。CoCo 做到的一件事是拓寬了我們賣給誰（persona 視角）。一年前我剛加入 Snowflake 時幾乎沒有客戶交流；今天，我每周都要見 3 到 5 位 CFO，和他們聊我們內部怎麼用 CoCo、"可能性的藝術"是什麼。我想不出比這更好的方式來推廣 CoCo 或 CoWork 的採用——就是展示你自己內部怎麼用。Sridhar 說過，我們做的這些 skills 可以應用到客戶的海量資料上幫他們起步。一旦你向客戶展示內部用法、可能性的藝術、能把事情提多快，他們極其感興趣。
Gabriela Borges： Brian，Sridhar 用了"爆發（burst）"這個詞。這是新產品周期，會有客戶處於實驗期，也會有關乎總留存（gross retention）可持續性的疑問。你說過即便 CoCo 放量，gross retention 保持穩定。我的問題是：作為分析師，我們試圖給 CoCo 建模，也想給遷移加速對業務的影響建模。對於未來 18 個月的藍天（blue sky）情景，你會給我們什麼建議？你如何為"客戶對 CoCo 很興奮，但市場競爭激烈、存在實驗性、使用模式可能隨時間消退"這類風險給預測去風險？
Brian Robins： 這確實是我們內部也在糾結的問題——推出新產品時，你問任何人怎麼建模，答案都是我們沒那麼多資料。幸運的是，我們有一支非常優秀的團隊，做了很多年這件事，建立了非常精細的模型來預測新產品採用曲線，並把它與歷史上新產品的實際表現對照。然後我們會討論該把什麼放進指引。核心平台（如遷移）的指引基於可觀測的行為，我們有多年歷史資料、可以估得很準；對新產品我們儘量保守——不會拿一個月的資料外推全年和明年。現在有了兩個季度的資料，我們從可觀測行為中提取的信心更強了。
Gabriela Borges： 我們初次見面時談過客戶群組（cohort）：有時第 1 年是初步 ramp，第 2 年才進入 Snowflake 全面採用的正軌。客戶 ramp 的速度有變化嗎？
Brian Robins： 從 cohort 視角看，各行業垂直的滲透率結構沒變——金融服務、製造、政府等。但隨 CoCo 和 AI 的使用，客戶 ramp 的速度比歷史上快得多。無論是夥伴網路還是我們內部，Sridhar 談到的結果導向定價（outcome-based pricing）真正建立了客戶信任。如果有人跟我說"我能以固定價格保證你拿到 X"，而我知道這事歷史上要耗費大量時間和材料——那我全押。客戶側我們正是看到這個。我們內部持續跟蹤客戶達到消費運行速率所需的時間，這些曲線正變得越來越陡。客戶部署更快、消費更快——用夥伴、用我們自己、用我們的 agent 來達成。非常令人興奮。
Sridhar Ramaswamy： 這正是 GTM 團隊要去的方向。我們的 CRO 常講"向結果右移（shift right towards outcomes）"——意味著 Snowflake 公司、尤其 GTM 團隊必須聚焦：如何幫客戶把用例跑起來？如何在客戶內部擴展到規模？要做的事裡，很多過去極耗時間——會前準備、調研客戶的資料資產狀況、如何維護——現在都更快更容易了。同樣，解決方案工程師過去花很長時間做小 demo，現在可以隨需即時生成。所以我們出現了新的崗位——activation engineer（啟動工程師）——專職負責 Brian 說的那件事：如何讓新客戶標（logo）比以往快得多地在 Snowflake 上跑起來。這個趨勢我們會持續投入、持續推進。
Brian Robins： 還有一點：向各種 persona 描述我們做什麼。你給 CFO 展示可能性，他們會立刻說"我怎樣才能昨天就讓它跑起來"。Sridhar 去見各位 CEO，他們也想昨天就要。這種對結果的緊迫感非常帶勁。
Gabriela Borges： 聊聊定製應用。Sridhar 你提到定製 CDP。應用層的未來一直是爭論焦點：打包應用 vs 無頭架構（headless）vs 客戶在 Snowake 之上建構的有趣東西。你們在 Summit 上發佈了工作流編排、agent、應用層的東西。請談談你對應用層演進的看法。
Sridhar Ramaswamy： 首先，這是個可能性大量創新的時期——以前建構任何有意義的應用都是難事，現在我們幾乎任何人都能拿起程式設計 agent 說："我不只要 web 應用，還要 Android 或 iOS 應用"——現在最耗時的部分是跟應用程式商店打交道，應用本身已經容易了。我們正在嘗試多種形態，包括"應用這個概念是否應該被重新思考為運行在一個資料基底（data substrate）之上的、幾個自我進化的 skills 的集合"。舉個例子。
假設你想要一個內部調查應用，很容易想像：你需要知道員工是誰、如何定向某個群體、管理結果可見性——沒那麼複雜。如果你有 Snowflake 部署（我們當然有），Workday 層級結構已經鏡像到 Snowflake 裡，資料從那裡來；建幾張表存調查與結果、搞定通知，管理員做些配置，營運人員說"這些人允許發調查"，大家就能發調查了。UI 我根本沒細說——你可以隨需生成："有人點這個連結，就彈出一個 React 應用讓他填寫。"於是，一次 SaaS 採購就變成了：安裝在已存在於 Snowflake 的資料之上的幾個 skills。資料是被治理的，不必擔心"大家是否有權限"，你可以管理可見性，還可以做後續分析——如果是自由文字、想跑 AI 分析，也沒問題。
這不是說這就是一切的終極答案。但我們的願景多年來一直一致：成為匯聚你所有資料、提供 360 度分析檢視的地方——這讓我們處於非常有利的位置來重新思考"未來的應用"。順帶一提，我們的 Salesforce 資料也同步進 Snowflake。所以如果想做一個 Salesforce 之外、但部分作用於 Salesforce 資料並能寫回的批註應用，也可能。第一次跟人講"一個應用可以歸結為幾個 skills"時，對方會一臉茫然：真的假的？而且這些 skills 不必是靜態的——觀察人們怎麼用它們，它們可以隨時間獲得新功能、自我進化。我們的很多支援系統——比如我團隊的 SRE 系統——就是這麼演化的：他們建了第一版、放了些 skills 和資料，觀察分析方式，造出新的 skills，然後發現一半的工作可以讓 agent 先自動看一遍、而不是人看。這是關於"應用是什麼"的全新概念：應用在運行過程中自我進化。
世界充滿可能性，到處都會有大量創新。作為平台，我們聚焦於鋪設那些"小金塊"，能讓我們某個客戶裡某個對的人說出"這是我能用它建構的另一樣東西"。我們從他們身上學習，再想辦法提供給其他客戶。你能看到這個反饋回路及其走向。
Gabriela Borges： 問一個 skills 相關的問題——有點偏題，但最近 3 個月太熱了：你怎麼看開源、開放權重與前沿模型之間的生態演進？這會如何影響你的業務戰略和 skills 這樣的動態？
Sridhar Ramaswamy： 對 Snowflake 這樣的公司，供應商之間的競爭越激烈越好。如果 Anthropic 是唯一造出好模型的，你們有麻煩，我有麻煩，大家都有麻煩。OpenAI 造出驚人的模型對世界是好事、對他們好事、對我們也是好事。開源我同樣看待：開放原始碼的創新會倒逼基礎實驗室更快創新，這對我們是好事。它也完美契合 Snowflake 的敘事——我們是真正的跨平台解決方案：我們是少數能告訴你"你能在 AWS 上運行，也能幾乎不費力氣地在 Azure 上運行完全相同部署"的公司；如果監管要求你不能因 AWS 當機而當機、要做跨雲災備，Snowflake 也能做到。我們對模型持同樣態度：提供充分的選擇和最佳化空間。
此刻獨特的一點——無所謂好壞，就是個奇特的巧合——是到目前為止，除了 ChatGPT 這種真正擁有消費者鎖定效應的產品，沒有任何模型廠商在投資周期如此龐大的情況下建立起真正的鎖定。每個聰明工程師都知道可以從 Claude Code 瞬間切到 Codex，沒問題，反之亦然。我的團隊從重度 Cursor 使用者轉到 CoCo 使用者，我都不用念叨——這種情況通常都得我苦口婆心。我認為這很獨特，意味著能在模型之間互操作的東西是相當酷的資產。
skills 本身就是"偉大的均衡器"——因為 skills 是用英語寫的。每個模型都極具能力，能拿一個也許是為別的 harness、別的模型寫的 skill，琢磨怎麼調整後用於新環境。這一切為我們所有人提供了穩健的選擇空間。
Gabriela Borges： 這個問題想問二位：向現有客戶群轉售推理（inference pass-through）的戰略價值 vs 潛在更低的毛利率，你們如何權衡？
Sridhar Ramaswamy： 首先——抱歉以這種開頭——這取決於推理是什麼。如果僅僅是轉售大供應商的無差別算力，你沒有創造任何價值。某些這樣做的人是在假裝自己有門生意，那是假新聞。另一方面，如果你有一個閘道器，能真正幫客戶最佳化支出——也就是說你在供應商之上創造價值，並且有一定粘性和可取價值——那這才是一個有意義的新品類。
所以我們看推理的視角是：能否給客戶選擇權——我們同時從 OpenAI 和 Anthropic 採購容量，也有能力自己運行開放權重模型。在這個語境下，推理變得更有趣。我們還會用這樣一個透鏡：認清自己的優勢是什麼。我們的優勢是資料平台；推理作為現代資料平台的一個元件，對我們完全說得通。我們還喜歡在價值創造最高的點賣貨：我的偏好順序始終是——如果能說服客戶直接用 CoCo 或 CoWork，那就是我要的；如果客戶說"我只要你的模型容量，我自己跑 harness"，可以，我們做；如果客戶說"我兩個都不要，只要資料平台，你可以做 Claude 的後端"，也行，只是稍微不情願。你必須有自己的價值創造的馬斯洛層級並據此行動。Brian 和我在要驅動什麼業務結果上高度一致。假設 CoCo 採用大幅上升、影響了毛利率，我很樂意跟你們解釋一整天——沒問題，因為它會驅動整體業務有意義的加速。而且隨規模增長、我們持續最佳化：運行開源模型的能力更強（毛利會好得多）；像 AWS 那樣簽 60 億美元大合同、更大批次採購供應商，經濟學也更好。毛利率有好的解法，但必須在戰略上說得通。我唯一沒興趣的是：當別人智能的盲目轉售商。
Brian Robins： 百分之百同意。類比我們對超大規模雲廠商的做法：把軟體放在他們之上，交付有良好 ROI 的增值服務——這是關鍵。毛利率層面我們有很多掌控手段。我們剛宣佈了與 AWS 的大合同（上季度）。我們持續與超算廠商合作，把事情做得更好、更快、更便宜，推理也一樣。推新產品時第一優先順序是做讓人採用、獲得價值、驅動收入的偉大產品；隨後一旦形成規模經濟和大量客戶，我們已證明能體現槓桿。毛利率框架基於我們在 AI 產品上看到的高 uplift（非常可觀），這也是我們對全年的指引依據；我們有信心持續在整體模型上獲得槓桿，並在毛利率上做文章。
Gabriela Borges： 這個線索再拉 2 分鐘。快進想像一下：一年後 CoCo 被證明是大獲成功，Brian 上財報電話會，毛利率因為 CoCo 太好而不在華爾街模型內。請談談 CoCo 毛利率的護欄——Sridhar 你已經暗示了：可以把它作為更大價值主張的一部分整體解釋。
Brian Robins： 首先我們是消費制業務，ramp 需要時間，我們正在縮短這個過程，並建立模型預測消費形態。Sridhar 和我不希望給大家意外——如果真出現超出當前水平的 CoCo 爆發式採用，我們有一到兩個季度的時間窗口來溝通和管理預期。
Gabriela Borges： 問一個關於 agent 的技術問題。Sridhar，有一種觀點認為：今天的系統架構無法支撐即時 agent 的擴展，因為 agent 的體量（volume）大得多。如果投資者說"Snowflake 成立於多年前、是為人類查詢設計的、不是為 agent 查詢設計的"，你如何回應？
Sridhar Ramaswamy： 說這話的人多少有點想造概念（category creation）的意味，但百分之百——agent 確實帶來更豐富的資料，比如軌跡分析（trajectory analysis）有各種用途：好的方面是讓團隊更高效；壞的方面是——作為 CEO，你肯定想盡快阻止公司有人在研究生化武器。所以無論如何要善用這些資料。至於"我們沒有很好地處理超低延遲資料"這個批評，非常合理。我向來喜歡對團隊直言不諱、該認帳就認帳。
兩年前我在這兒說過，我們的機器學習和 notebook 產品不行。現在你再聽不到任何客戶這麼說：產品不僅很好，而且多虧了 CoCo 這樣的技術，把 notebook 遷移到 Snowflake 的過程被極大加速，一次實驗還能建立幾十個而不是一個機器學習模型。對於 freshness 要求 500 毫秒以內的資料處理，我們目前確實做得不好——有個團隊正在攻關。本質上是成本、效率與查詢速度之間的取捨。我們已部署了 interactive tables 之類做更低延遲的服務；流處理方案已把 freshness 降到 2–3 秒區間；正努力把延遲進一步降到 500 毫秒左右，到那時這就不再是問題。這是機會也是威脅，我們完全清楚，正在解決。
Gabriela Borges： 我想雙向地問"轉換成本"問題。我們談過遷入 Snowflake 在加速；過去一年也談過資料表、資料圖的標準化讓（資料基礎設施的）轉換成本在降低。長期來看轉換成本下降，你怎麼看？
Sridhar Ramaswamy： 坦率說——我也這麼告訴團隊——如果遷入 Snowflake 能大幅提速，遷出 Snowflake 也能大幅提速。這就是我們生活的世界，適用於資料平台、潛在也適用於消費軟體、適用於一切。我們都必須理解這一點。還有更大的行業趨勢：很多 CDO 和 CIO 直說"我不想資料被任何人扣為人質"，你不能因此責怪他們。所以我們支援開放格式，並希望讓客戶越來越無痛地使用開放格式。我們推出了 Snowflake managed Iceberg tables——fancy 的說法是"蛋糕你也能吃"：資料存在 Snowflake，但可以 Iceberg 格式被任何其他引擎查詢。
因此我們創造價值必須更靠上游：治理是否更好？災備是否更好？在 Snowflake 上建立和運行 agent 是否更容易？可觀測方案是否更好？在開放的資料平台之上，這整個棧的東西我們必須提供。在很大程度上，我的態度是放馬過來（bring it on）——Snowflake 這樣的平台沒那麼容易造，要是容易，超大規模雲廠商 10 年前就把我們吃掉了，這事很難。AI 實際上加速了 Snowflake 的可能性。但老一代 Snowflake 那種認為某些東西永不可侵犯的執念，那家公司已經變了——如今的 Snowflake 更關注：資料世界走向那裡？我們在那裡創造價值？什麼是我們仍能創造的、對客戶忠誠的戰略價值？我們對自己的位置感覺良好。能遷進來就能遷出去，你必須對此保持偏執，同時抓住機會。
Brian Robins： 我們內部真正貫徹"客戶至上"的執念。人們可以容易地進來、容易地離開。但如果你有客戶至上執念、真正聚焦業務案例、結果和 ROI——成本最佳化是我們的十大 skills 之一——我們希望客戶充分最佳化、希望客戶用起來、希望客戶獲得價值。我們甚至會回頭找客戶：發現某個客戶帳單異常，我們會主動提醒"你的帳單比以前高了，這些作業是你有意啟動的嗎"。客戶至上真的是關鍵優先順序。
Gabriela Borges： 停留在定價含義上。想想 Snowflake 的架構增強，比如 Gen 2 實例。像任何好技術公司一樣，你的業務天然有價格通縮，而你的角色是在核心元件之上一層抽象價值、定價更高一層來保住毛利。Brian，請談談 2026 年這種哲學如何體現在 Gen 2 上。
Brian Robins： 業務的一部分就是：你在價格性能上必須比上一代更好，必須始終讓客戶能從產品中獲得更多。我們把這點計入定價，但看到它被量和新作業流入所抵消。我們謹慎定價，不讓收入出現大的階梯式下滑，同時希望客戶從平台性能增強中獲益。
Sridhar Ramaswamy： 我加一句我前老闆兼導師的名言："收入解決所有已知問題。"
Gabriela Borges： 太好了。就到此為止。請與我一起感謝 Sridhar 和 Brian。謝謝。 (invest wallstreet)