У корпоративных AI-агентов обнаружилась новая поломка: они уверенно отвечают неверно не потому, что слабая модель, а потому, что по-разному понимают одни и те же данные. На этом фоне Snowflake на конференции Snowflake Summit 26 в Сан-Франциско показала контекстный слой, который должен синхронизировать бизнес-смысл между агентами, BI-инструментами и поиском по данным. Для русскоязычной IT-аудитории сигнал простой: следующий узкий участок в enterprise AI теперь не инференс и не векторный поиск, а управление значением данных.
Об этом сообщает VentureBeat. Поводом стали сразу несколько анонсов Snowflake, включая управляемый стриминговый сервис Data Stream с совместимостью с Kafka, улучшения adaptive compute, расширение совместимости с Apache Iceberg и обновления агентных продуктов Cowork и CoCo. Но центральная идея оказалась не в новых сервисах как таковых, а в том, что под ними появился контекстный слой из двух частей: Horizon Context и Cortex Sense. Snowflake пытается решить неприятную для больших компаний задачу: чтобы «выручка», «клиент» или «активный пользователь» не меняли смысл в зависимости от того, кто именно задал вопрос данным.
Проблема выглядит прозаично, но бьет по продакшену больно. За последние два года компании научились строить RAG-системы, потом начали переходить к гибридным retrieval-архитектурам, где сочетаются несколько способов извлечения контекста. Инфраструктура стала быстрее и дешевле, но общего словаря не появилось. В результате BI-дашборд может считать revenue по одной логике, SQL-таблица хранить близкую, но не идентичную метрику, а агент в промпте опираться на третье определение. На выходе бизнес получает не один ответ, а несколько уверенных версий правды. По данным VB Pulse Q1 2026, на которые ссылается VentureBeat, доля компаний с намерением использовать hybrid retrieval выросла с 10,3% в январе до 33,3% в марте. Это самый быстрый рост стратегического направления в выборке организаций со штатом от 100 человек.
Что именно предлагает Snowflake
Архитектура у Snowflake разделена на два слоя, и это, пожалуй, самое важное в анонсе. Horizon Context отвечает за явные, задекларированные бизнесом определения. Этот слой построен на базе приобретения Select Star и подтягивает метаданные из Postgres, SQL Server, Tableau и Power BI в Horizon Catalog. Идея в том, чтобы агент, BI-система и любой внешний инструмент брали не «сырой» физический schema view, а одну и ту же управляемую бизнес-интерпретацию. Туда же относится Semantic View Autopilot, который автоматически создает и со временем уточняет семантические представления, чтобы вручную не поддерживать каждую бизнес-метрику бесконечно.
Cortex Sense закрывает другую часть задачи: не то, что компания описала явно, а то, что платформа может вывести сама из пользовательских данных и паттернов работы. По словам EVP of Product в Snowflake Кристиана Кляйнермана, Horizon Context нужно воспринимать как слой всего, что клиент объявил сам, а Cortex Sense как слой всего, что Snowflake выводит неявно. Это важное разделение по степени доверия. Явная логика проходит через команды, владельцев данных и governance-процессы. Неявная удобна как дефолт и ускоритель старта, но ее нельзя принимать на веру на том же уровне, что вручную утвержденные определения.
Оба слоя подключаются к существующей retrieval-инфраструктуре Snowflake. Ее Cortex Search, то есть реализация RAG внутри платформы, может использоваться как инструмент для CoCo и Cowork, а значит, обогащенный контекст попадает прямо в цепочки ответа агентов. Дополнительно Snowflake пытается заранее снять вопрос о vendor lock-in: компания привязывает Horizon Context к Open Semantic Interchange, чтобы определения, объявленные клиентом, можно было переносить между внешними каталогами и инструментами. Для enterprise-заказчиков это не мелочь. Если семантика и политики навсегда заперты в одном вендоре, любой разговор о «едином источнике правды» быстро превращается в новый закрытый остров.
Почему рынок вообще смотрит в эту сторону
Snowflake заходит не на пустое поле. По сути, почти весь рынок данных и enterprise AI сейчас ищет способ поставить между агентом и хранилищем не просто retrieval, а слой интерпретации. Microsoft уже открыла свою бизнес-онтологию Fabric IQ через MCP, чтобы агенты разных вендоров могли обращаться к общей семантике. Redis запустила Iris как платформу контекста и памяти между агентами и данными. Pinecone переупаковывает себя из векторной базы в knowledge engine с Nexus, где корпоративные данные компилируются в артефакты под конкретные задачи еще до запроса агента. Иными словами, рынок постепенно признает неприятный факт: проблема уже не в том, как быстро найти текстовый фрагмент, а в том, как сделать так, чтобы найденный фрагмент значил одно и то же для всех участников цепочки.
Эксперты, которых цитирует VentureBeat, скорее поддерживают направление Snowflake, чем саму реализацию авансом. Research director в IDC Девин Пратт называет контекстный слой главным полем борьбы в agentic AI и прямо говорит, что за качеством агентов сейчас важнее следить не на уровне моделей, а на уровне данных и семантики. Ему нравится, что Snowflake встроила Horizon Context в каталог и governance-слой, а не приделала поверх готовой системы. VP and principal analyst в Moor Insights & Strategy Майк Леоне делает акцент на другом: нельзя одинаково доверять тому, что клиент определил сам, и тому, что платформа вывела автоматически. Если Snowflake сумеет чисто сводить эти два слоя и показывать происхождение ответа, получится не очередная красивая обертка для RAG, а что-то действительно пригодное для продакшена.
Для разработчиков и data-команд отсюда следует не самый приятный, но полезный вывод. Покупка «волшебной прослойки» не исправит бардак в определениях метрик, ownership данных и lineage. Наоборот, такой продукт быстро вскроет, что в компании пять версий customer lifetime value, три трактовки выручки и ни одной согласованной схемы, кто вообще имеет право менять смысл ключевых показателей. Для продактов и IT-директоров критерии оценки тоже уже видны: нужен не просто красивый AI-ассистент поверх хранилища, а система, где можно проверить происхождение ответа, отследить lineage, отделить явно утвержденную семантику от автоматически выведенной и перенести контекст в другие инструменты без полной пересборки стека.
Главный вопрос теперь не в том, появятся ли контекстные слои у всех крупных игроков, а в том, кто первым докажет, что они работают не только в демо. Чем больше компаний переводят поиск и аналитику в агентный режим, тем дороже становится ошибка, сделанная с уверенным видом. Если рынок enterprise AI еще недавно спорил о том, какая модель умнее, то в 2026 году спор смещается на куда более скучную, но куда более денежную территорию: кто контролирует смысл данных и может это доказать аудитом. Проверить исходные формулировки и цитаты можно в материале .