25.02.2026
25.2.2026
25.2.2026
Wir zeigen auf, wie Du mit Snowflake Intelligence schneller an verwertbare Insights und Entscheidungen kommst. Und: Wie Du Use Cases realisierst und den ROI der Datenplattform steigerst: mit wenig Aufwand und ohne technisches Know-how.
Snowflake Intelligence bringt KI direkt dorthin, wo Daten liegen – in die Snowflake Data Cloud. In diesem Artikel erklären wir Dir das Zusammenspiel aus Agents, Cortex AI und RAG-Workflows, um natürliche Sprache in ausführbaren Code, tiefe Insights und hybride Analysen aus strukturierten und unstrukturierten Daten zu verwandeln. Neben den technischen Hintergründen findest Du im Beitrag auch reale Einsatzszenarien aus den Health-, Finance-, Retail- und Manufacturing-Branchen.
Es gibt ein neues Feature im Snowflake Ökosystem: Snowflake Intelligence. Dabei handelt es sich um ein KI/ML Framework, das über eine native Integration von LLMs und generativen KI-Funktionen verfügt und mit einem übersichtlichen Nutzerinterface ausgestattet ist.
Um Snowflake Intelligence als Feature besser einschätzen und verstehen zu können ist es essenziell, das dahinter liegende und teilweise darauf aufbauende Agentkonzept zu verstehen. Ein autonom handelndes KI-System nennen wir umgangssprachlich „Agent“. Statt linear zu arbeiten, nutzt es einen sogenannten „Thinking Loop“. Es denkt iterativ und kann dadurch Aufgaben selbstständig verstehen, planen, ausführen und bewerten. Das entspricht der Art und Weise, wie wir selbst an Aufgaben herangehen:
Aufgabe verstehen ➡️ Plan machen ➡️ Plan umsetzen ➡️ Ergebnis prüfen ➡️ ggf. korrigieren/nächste Schritte planen
So können Agents Ziele und Aufgaben in natürlicher Sprache verstehen:
Dabei werden die Ergebnisse nicht nur ausgegeben, sondern auch bewertet und eingeordnet.
Agenten sind also immer dann hilfreich, wenn es nötig ist
Sie führen dabei strukturierte Daten (z. B. Tabellen, Views) mit unstrukturierten Daten (z. B. JSON) zusammen und kombinieren und interpretieren diese Daten gleichzeitig. So sind sie oft flexibler als die klassische Automatisierung, da sie hinterfragen, verifizieren und dynamisch reagieren. Durch den Ansatz, natürliche Sprache im Hintergrund in verwertbaren Code zu übersetzen, sind sie bestens geeignet, Fachbereiche und IT-fremde Personen mit Insights zu versorgen. Dadurch wird die Demokratisierung von Daten & KI deutlich erleichtert.
Eine Ergänzung zum Prinzip der Agenten ist wichtig, da Snowflake Intelligence auf Cortex Agents aufbaut. Cortex AI unterscheidet dabei zwei Typen:
Als dritte, optionale Unterstützung ist es ebenfalls möglich externe und eigene Tools und Anwendungen einzubinden, beispielsweise: User-defined Functions, stored procedures oder andere relevante Metriken, um mehr Kontext einfließen zu lassen. Ebenso können externe APIs eingebunden werden, wie beispielsweise Tavily. Damit verbindet Snowflake Intelligence alle klassischen Snowflake Funktionalitäten und erweitert diese nutzerfreundlich mit KI.
Snowflake Intelligence präsentiert sich maßgeblich als nutzerfreundliche UI, die im klassischen „Chatbot-Design“ gehalten ist und auch genauso reagiert. Sofern im Hintergrund alles aufgebaut und eingebunden ist, geht es direkt mit der Fragestellung los, die bequem ins Chatfenster eingegeben werden kann.
Dabei basiert Snowflake Intelligence auf dem Agentkonzept. Entsprechend müssen die Agents angelegt und mit Daten versorgt werden, bevor die erste Frage gestellt werden kann.
Wir nutzen exemplarisch nun einen Klassiker und möchten die Frage nach dem Umsatz unserer Produkte beantworten. Zuerst möchten wir wissen, wie viele Produkte wir haben und was diese an Umsatz gebracht haben.
Dafür stellen wir unsere Frage in natürlicher Sprache. Und da unser Agent clever ist, wird nun die „Aufgabe“, als die unsere Frage gilt, verarbeitet. Zunächst plant der Agent, wie die Aufgabe durchgeführt werden kann und welche Schritte orchestriert werden müssen. Ist die Planung abgeschlossen, erweitert sich das Textfeld um die geplanten Schritte.
Sind alle Teilaufgaben erledigt, erhalten wir das Ergebnis in natürlicher Sprache: die Anzahl aller Produkte. Zugleich gibt es den Vorschlag was zusätzlich ableitbar wäre. Hier in unserem Fall die mögliche Frage: „Was ist der Gesamtumsatz aller Produkte?“ oder „Wie sah der Umsatz auf Produktgruppenebene aus?“.
Durch diese Vorschläge verfeinert sich die Anfrage. Wählt man diese aus, entsteht im Hintergrund nun eine klassische Aggregation bezüglich der Produkte mit Summe.
Wir kennen also Produkte und Umsätze. Jetzt möchten wir die Ausgaben von Snowflake Intelligence visualisieren.
Das können wir direkt erledigen, denn schnelle Visualisierungen sind ohne zusätzliches externes BI Tool direkt in Snowflake Intelligence möglich. Allerdings nur auf dem Basis-Level mit Graphs, Bar- und Piecharts und ohne großartige Individualisier- oder Anpassbarkeit. So können Grafiken direkt versendet und weiter genutzt werden.
Aus dem Beispiel ging nun hervor, wie der Arbeitsprozess aussieht. In der oben gezeigten Abbildung sieht man nochmal das Zusammenspiel zwischen den einzelnen Agents und der Datenhaltung. All das ist eingebettet in das Snowflake Ökosystem, was bedeutet, dass auch auf alle bekannten Snowflake Features zurückgegriffen werden kann.
Snowflake Intelligence hängt ebenso wie Cortex AI im Snowflake Ökosystem. Also gelten hier die gleichen Regeln für Governance und Sicherheit wie im gesamten System. Alle Abfragen und Agenten nutzen dieselben Benutzerrechte, Rollen und Warehouse-Einstellungen wie bei regulären Snowflake Queries. Die Nutzenden können also auch weiterhin nur auf die Informationen zugreifen, für die sie eine Berechtigung besitzen.
Standards wie RBAC und Masking gelten auch für die Agent-Operationen und damit auch für Snowflake Intelligence. Lediglich beim Einbinden von Drittanbietern mittels API muss – wie generell an/in die Snowflake Datenplattform – gesondert auf Governance und Sicherheit geachtet werden. Zudem gilt auch bei der Datenhaltung, dass Snowflake Intelligence ausschließlich im Rahmen der Nutzerrechte und -Rollen auf die Daten innerhalb der Snowflake Data Cloud zugreifen kann. Damit sind und bleiben die Daten im eigenen Ökosystem.
Wer jetzt das Gefühl hat, Snowflake Intelligence ist „nur“ ein zusätzlicher Chatbot für die in Snowflake gehaltenen Daten, hat nicht ganz Unrecht. Aber das wäre zu kurz gegriffen. Denn Snowflake Intelligence bietet weitaus mehr als das „Frage-Antwort-Spiel“ des klassischen Chatbots. So bietet dieser intelligente Snowflake Agent noch folgende spannende Eigenschaften für die User:
CortexAISQL ist die Erweiterung des klassischen SQLs mittels KI. So wird generative KI direkt in normale SQL-Abfragen eingebettet. Konkret bedeutet das, dass es als Schnittstelle für semantische und multimodale Operationen (z. B. Texte, Bilder etc.) fungieren kann. Also trifft die klassische, relationale Abfrage auf ein semantisches Reasoning. Das wiederum erleichtert die Suche nach und Abfrage von Daten, die nicht bereits klassisch aufgearbeitet wurden oder vor der Verwendung modifiziert werden müssen.
Retrieval & Retrieval Augmented Generation (RAG) ist der Ansatz, in dem KI-Modelle (beispielsweise LLMs) zusätzliche, externe Informationen aus einer Wissensquelle abrufen und darauf basierend eine Antwort generieren. Das zugrunde liegende Wissen wird dabei stetig erweitert. Dass eine Antwort gut auf eine Anfrage passt, hat der dahinterliegende Vektorraum zu verantworten. Jede eingegebene Anfrage wird mittels Embedding in den Vektorraum eingebracht (ein Vektor wird berechnet und gespeichert), jede mögliche Antwort wird mittels Vektorenabgleich geprüft und die bestmögliche ausgegeben.
Damit sind Antworten präzise und das Modell hat weniger häufig Halluzinationen. Retrieval- und RAG Workflows brauchen allerdings eine Embedding-Infrastruktur und müssen häufig getuned werden. Bei Snowflake Intelligence fällt dies weg – so können darauf aufbauend grundsätzlich auch RAG Use Cases umgesetzt werden, wenn auch in deutlich kleinerem Umfang.
Aus dem Zusammenspiel von strukturierten und unstrukturierten Daten, sowie der möglichen Erweiterung um Customized-Logik ergibt sich ein mächtiger Workflow, der in einem einzigen Schritt abgehandelt werden kann. Snowflake Intelligence erleichtert damit das Zusammenführen der Daten deutlich.
Diese Übersicht zeigt, dass Snowflake Intelligence weit mehr als eine Chatbot UI ist. Vielmehr sind nun KI & ML direkt in der Snowflake Data Platform verfügbar, also sehr nah an den eigentlichen Daten. Durch diese enge Verbindung und die Nutzung der vorhandenen Infrastruktur entsteht eine effiziente Performance, ganz ohne zusätzliche Aufwände für Governance und Sicherheit. Durch die Möglichkeit, sowohl klassische Analytik als auch semantische Use Cases auf derselben Plattform auszuführen, ergeben sich eine große Flexibilität und Vielseitigkeit, so dass Daten wirklich Sprechen lernen.
Nach dem wir uns angesehen haben, wie Snowflake Intelligence funktioniert, wollen wir nun zeigen, welche realen Einsatzmöglichkeiten es gibt. Wo kann Snowflake Intelligence – abseits von Fragen beantworten oder dem schlichten Zusammenfassen von Daten – helfen? Wann macht es Sinn, Snowflake Intelligence einzusetzen und wann macht eine individuellere Lösung, wie beispielsweise eine RAG-Architektur, mehr Sinn?
Unterschiedliche Branchen – unterschiedliche Einsatzmöglichkeiten
Jede Branche hat eigene Anforderungen. Wir stellen euch beispielhaft ein paar mögliche Szenarien vor – immer mit der Annahme, dass Snowflake als Datenplattform bereits vollständig integriert ist:
Der Health- und Lifescience Bereich ist geradezu prädestiniert für einen Einsatz von Snowflake Intelligence. Denn hier kommen Patientendaten, klinische Studien, Dokumente, Bilder und Audiodaten zusammen und sollten im besten Fall auch gemeinsam auswertbar sein. Fragestellungen wie „Fasse alle Patienten mit ähnlichen Symptomen, Krankheitsverläufen, Laborwerten und Diagnosen zusammen und werte mögliche Therapieerfolge aus“ können über einen klinischen Chatbot nutzbar gemacht werden und helfen sowohl im Gesundheitswesen als auch bei der Arzneimittelentwicklung. Die Auswertung klinischer Studien oder Bilder und das Einbinden relevanter Regularien ist so schnell und in natürlicher Sprache möglich.
Gerade wenn es um Risikobewertung geht, sind Zusammenführung und Beurteilung unzähliger einzelner Dokumente, oftmals in verschiedenen Strukturen, eine Herausforderung. Hier kann man mit automatisierten Auswertungen von Risikofaktoren, Gutachten, Referenzurteilen und historischen Schadensfällen ein gutes Modell aufbauen, um eine sicherere Risikobewertung durchzuführen. Für die Fraud Detection kann eine Unmenge an Dokumenten mit der realen Bewertung eines „denkenden“ Agenten zusammengebracht und ausgewertet werden. Auch Auditierbarkeit und Assessments können so gut umgesetzt werden – sei es zu Trainingszwecken oder um erforderliche Maßnahmen zu erfassen und umzusetzen.
Der Retail- und eCommerce-Sektor nutzt und beschäftigt sich schon lange mit dem Einsatz generativer KI. Themen wie Demand Forecasting, Category Management und Consumer Experience sind keine Neuheiten. Der Handel ist schnell und zeitsensitiv. Mit Snowflake Intelligence werden diese Themen nun auch abseits der „klassischen“ Data Science Teams verwendbar und können so schneller genutzt und umgesetzt werden.
Sensoren, IoT und hochspezialisierte Maschinen sind im Manufacturing allgegenwärtig. Dies führte bis dato zu manueller Steuerung, Maintenance und spezialisierten Fragestellungen. Der Einsatz von Predictive Maintenance, also die Einschätzung, wann welche Maschine/Sensor welche Anforderungen hat, sowie Abweichungsanalysen können manuelle Aufwände und vor allem zeitlich langwierige Prozesse beschleunigen.
Ein Einsatz von Snowflake Intelligence ist dann sinnvoll, wenn Snowflake bereits als Basis genutzt wird, viele Informationen und Daten in unterschiedlichen Strukturen vorliegen und Anwender:innen in natürlicher Sprache kommunizieren können oder müssen. Dafür müssen die Agents zuvor zielgerichtet konfiguriert und trainiert werden. Nur so können die vorliegenden Daten aus dem Snowflake Ökosystem sinnvoll ausgewertet werden.
Neugierig geworden, was Deine Daten zu sagen haben? Wenn Du über den Einsatz von Snowflake Intelligence in Deiner Datenplattform nachdenkst oder erste Use Cases definieren möchtest – sprich uns an! Wir unterstützen gerne von der ersten Idee bis zur finalen Umsetzung. Damit Deine Daten perfekt für Dich arbeiten.
Domain Lead Data Platform & Data Management
Domain Lead Data Platform & Data Management
Openflow von Snowflake macht die Datenintegration schneller, einfacher und effizienter. In diesem Artikel zeigen wir, wie sich diese Vorteile in der Praxis auswirken. Anhand eines echten Beispiels werden Strategien für die einfache und leistungsstarke Verarbeitung großer Mengen kleiner, eingehender Dateien vorgestellt.
Mit Openflow vereinfacht Snowflake die Datenintegration grundlegend: Extraktion und Laden erfolgen als Bestandteil der Snowflake Plattform – ganz ohne externe ETL-Tools. Damit sinkt der Integrationsaufwand deutlich, und das komplette Pipeline-Management wird erheblich schlanker und effizienter.
Exasol ist ein führender Hersteller von analytischen Datenbanksystemen. Das Kernprodukt ist eine auf In-Memory-Technologie basierende Software für die professionelle, parallele und schnelle Datenanalyse. Normalerweise werden SQL-Statements in einem SQL-Skript sequenziell abgearbeitet. Wie können aber mehrere Statements gleichzeitig ausgeführt werden? Dies zeigen wir anhand eines einfachen Skripts in diesem Blogbeitrag.
Kein vorheriger Beitrag
Kein nächster Beitrag
