【Snowflake】2026年AI与数据发展预测报告

AA与数据发展预测智能体Al(AgEnticAI)的崛起,将重塑企业的形态,亦将锻造一代新型的从业者刁卜2026年Al与数据发展预测刁卜智能体与生态体系元年证明种种炒作和盲目跟风(FOMO)并没有阻碍企业创造真正的商业价值。（包括Snowlake发布的调研在内，无数调查均显示，众多在Al方面领先的企业已经在其生成式Al投资中获得了可观的实际回报。）头角：一是将Al投资回报率从单个项目层面，扩展到全面的战略性Al生态体系；大型语言模型（LLM)演变为大型推理模型(LRM这些LRM已经可以在极少人智能体与生态体系元年12本年度报告将探讨Al技术的动态发展态势、企业落地应用Al的前景与机遇，以及面临的挑战，重点讨论安全和数据治理领域的挑战。本报告内容源自与Snowlake•欧盟法规或将推动而非阻碍创新型Al项目的发展o反馈循环将优化智能体性能•主导性Al协议将促进智能体开发并防止供应商锁定•开源基础模型将打破少数巨头的垄断格局•上下文窗口和记忆功能是Al智能体演进的关键•Postgres数据库将成为智能体驱动型Al的基础技术支撑企业A落地进程重点行业发展预测AI行业格局想要理解A2025年的发展态势,堪比经历一场工业级的认知割裂。去年夏天,Anthropic公司首席执行官DarioAmodEi表示,生成式AI技术发展速度之快,已让全球劳动力市场迎来大规模。约两周后,苹果公司发布报告称,其针对大型推理模型的研究显示,这些表面上"先进"的大型语言模型,甚至个高二水平的谜题,这一结果让人对智能体驱动型Al的短期潜力产生了质疑。那么实际情况究竟如何呢?Al行业是以每小时90英里的速度在高速公路上飞驰,还是(我们也一同)陷入了走走停停的交通拥堵中?而我们耳边还充斥着电台广告噪的催促:"立即行动!切勿错过这千载难逢的机会"。snowflakE的普遍共识是:"两种情况兼而有之。"snowflake的Al研究负责人AnupamDatta表示,"这就像我通勤,有飞驰的时候,也有遇到瓶颈的时候。这就是未来几年的A的写照。总体而言,发展态势良好,但我们必须通过针对性的技术投入来打破瓶颈,以实现A智能体的规模化。"发展瓶颈与突破路径snowflakeAI研究团队的联合负责人Datta,将阻碍大型语言模型与大型推理模型系统落地应用的瓶颈归纳为三大挑战。"为了让智能体更可靠、更值得信赖,需关注三大核心因素:评估体系、基于提示和后训练的优化,以及AI安全与防护。"对模型成效的评估与验证,或许是2026年snowflakeAI基础设施总监MonaAttariyan最为关注的核心挑战。她表示:"如果我们无法系统地衡量智能体的准确性,就没有办法把它变成可靠的工具。""目前业内已有相关的思路构想,但尚未形成成熟的体系。主流的验证方式,是让模型针对已知答案的问题进行测试。但对于每个智能体或每个应用领域,涉及的知识体系都不同,因此这项工作极具复杂性。"snowflakE首席执行官sridharRamaswamy指出,"企业已经开始要求量化智能体的可靠性,因为这是AI落地成功的必经之路。""我的意思是,对于'snowflake昨天营收是多少?'这个问题,只有一个确切的答案。这绝非可主观质疑或随意评判的事情。"企业已经开始要求量化智能体的可靠性,因为这是Ai落地成功的必经之路。" SRIDHARRAMASWAMYsnowflake首席执行官A行业格局I6A行业格局I6欧盟监管规则或将推动而非阻碍创新型A项目的发展反馈循环将优化智能体性能"借助长流程工作流智能体,我们将为智能体内部的每个步骤升级自我验证功能。"他说。"未来将由一个监督智能体对执行智能体的每一步操作进行评分,类似给学生打分一样,企业需要"借助长流程工作流智能体,我们将为智能体内部的每个步骤升级自我验证功能。"他说。"未来将由一个监督智能体对执行智能体的每一步操作进行评分,类似给学生打分一样,企业需要为整个工作流程设定最低可接受GPA。"Datta补充道,严密的评估环节已经成为生产Al管道的一部分,旨在实时捕捉错误并识别盲点。他还表示,"评估到优化的循环将变得更加复杂,未来一两年内以更简化的方式成为生产管道的一部分"。Ramaswamy说,反馈循环对于快速提升智能体的应用成效至关重要。他表示,"起初,谷歌的搜索算法根据网页之间的链接关系进行排名,但直到把算法纳入了用户实际点击的网页以及对应的查询信息,才取得了真正的关键突破。同理,当A产品在自然运行模式中设置的反馈循环越多,其能力就会越强。"他补充说,编码助手(copilots)已经在接收海量用户反馈,用户可以对输出结果进行接受、修改或拒绝操作。"所有产品有了内置反馈循环,复杂的应用场景才能真正落地。"随着强化学习、基准测试和其他验证方法的持续严谨,这些方法所验证的技术本身也在不断进步。snowflakEA工程与研究副总裁DwarakRajagopal表示,未来将开发专门的智能体来评估其他智能体的表现。2025年的美国就是这种情况,有人在未来十年内禁止对A实施监管,以避免扼杀创新产业。常驻法国的首席数据策略师JenniferBelissEnt表示,欧盟的视角有所不同。"我们有GDPR和欧盟Al法案,但欧洲内部商业信心并未受挫。""虽然业内存在监管焦虑,但据我观察,这种情绪在欧洲没那么严重,在美国反而更强烈。"她说,许多欧洲客户和同事发现,现有的法规也带来了机会,提供了数据治理的实践路径,助力企业安全、有效地探索新的AI应用场景。"强制性的透明度激发了跨组织的协作,团队之间看到彼此的实践路径时,要么想自己亲自尝试,要么想借用模型。""进而产生更大的收益。和我交流过的多位业内人士都表示,'它(Al)没有扼杀创新,而是在加速创新'"2026年Al与数据发展预测A行业格局I7主导性AI协议将促进智能体开发并防止供应商锁定"企业已经得到了惨痛的教训:供应商锁定既难以打破又代价高昂,"AnupamDatta说。"云供应商锁定导致了云无关服务(包括snowflakE)的出现,数据格式锁定导致了ApachelcebErg和其他开放标准的大量使用。"企业已经得到了惨痛的教训:供应商锁定既难以打破又代价高昂,"AnupamDatta说。"云供应商锁定导致了云无关服务(包括snowflakE)的出现,数据格式锁定导致了ApachelcebErg和其他开放标准的大量使用。对于智能体,企业很早就意识到锁定在特定的智能体构建框架中存在风险,因此强烈要求互操作性。诸如MCP之类的协议的诞生,正是对客户反锁定需求的回应""目前涌现了多种定义性协议的尝试,"他指出。"最终获胜协议的被接受程度极其重要。"目前涌现了多种定义性协议的尝试。最终获胜协议的被接受程度极其重要。"BENOITDAGEVILLEsnowflake联合创始人兼产品总裁就像TCP/IP为连接数十亿互联网设备提供了框架一样,AI智能体需要一个统一的协议,来为智能体之间以及与其他系统的通信提供标准。目前,A协议竞赛中有三位重量级参与者:Anthropic的MCP(模型上下文协议);Google的A2A(智能体对智能体协议);以及IBM和Linux基金会倡导的ACP(智能体通信协目前涌现了多种定义性协议的尝试。最终获胜协议的被接受程度极其重要。"BENOITDAGEVILLEsnowflake联合创始人兼产品总裁虽然现在宣布哪个或哪些协议将成为广泛采用的标准还为时过早,但预计在未来一年左右会达成共识。使复杂的A系统以有效、非孤立的方式工作不仅是技术需求,更是企业客户对专有闭源系统的审美疲惫。2026年Al与数据发展预测A行业格局I8开源基础模型将打破少数巨头的垄断 SRIDHAR SRIDHARRAMASWAMYsnowflake首席执行官创建不断改进的基础模型依赖顶尖人才和巨额资本投入,业界普遍但在2025年初,中国研究团队推出了Deepseek,使用创新的训练认为极少数巨头将垄断该市场。成本问题似乎不太可能改变,方法实现了卓越的推理能力、极具竞争力的性能,同时大幅降低了2025年A人才的竞争也大幅升级。所以像claude或chatGPT成本并提高了透明度。一度被奉为圭的"大即是好"的方法不再的"造物主"这种级别的人才,是屈指可数的。是唯一的选择了。Ramaswamy因此,认为整个模型市场比最初预想的更大。"在早期训练阶段产生了-个相当不错的基础模型之后,随着新的、专业化的数据被输入其中,越来越多的创新发生在后训练在早期训练阶段产生了一个相当不错的阶段。"Ramaswamy说。"基础模型之后,随着新的、专业化的数据被输入其,越来越多的创新发生在把持模型后训练阶段。Datta也认同这个观点,"更多的参与者可以在这个领域发挥作用,市场机会真的很大。"2026年Al与数据发展预测A行业格局I9智能体演进相反,成百上千个专门的AI模型将针对特定任务(如编码或进行网络研究)不断优化。当用户完成一项复杂任务或要求各种各样的能力时,编排层将选择合适的子智能体来一步步执行更广泛的高级任务"垂直化、有界限的智能体更容易在高信任环境中投入生产,"DwarakRajagopal相反,成百上千个专门的AI模型将针对特定任务(如编码或进行网络研究)不断优化。当用户完成一项复杂任务或要求各种各样的能力时,编排层将选择合适的子智能体来一步步执行更广泛的高级任务"垂直化、有界限的智能体更容易在高信任环境中投入生产,"DwarakRajagopal说。"多个有界限的智能体擅长特定任务,我们可以使用编排器将查询精准路由到正确的智能体。从验证的角度来看,系统也得到简化"智能体将从小处着手,将"微智能体"整合成有效工具生成式A的公开首秀时,可以对所有事情"侃侃而谈",令人惊艳(准确性各异但稳步提高),但预计企业中的A智能体将在人类监督下,从单一、细微的任务起步。随着时间的推移,对人类干预的需求逐渐缩减,处理任务的复杂性则逐渐增加。cioMikeBlandina将智能体能力的稳步积累比作微服务,也就是用单个组件构建更灵活、适应性更强的软件系统的理念。"在未来几年里,我们将看到'微智能体(micro-agEnts)'非常出色地完成一项或几项小任务,"他说。"然后我们将像拼乐高积木一样把这些智能体来组装起来,完成更大的任务。"通过这个过程,智能体系统的能力可以比肩"能干的同事",而不仅仅是只能处理严格定义任务的实习生。但不要出现一个包揽万象的全能智能体。snowflakeA主管BarisGultEkin指出,虽然智能体驱动型A的定义多种多样且不断演变,但标杆案例已经出现。"对于许多企业来说,客户支持是一个非常复杂的过程,A可以显著降低成本并改善客户体验,"他说。"智能体驱动型Al在这方面运作得相当好。端到端解决方案已经存在,即使是拥有非常定制化流程的大企业也可以轻松调整A学习内部文档。虽然仍需工作人员参与其中,但整体效率会大幅提高"他还指出,在保险行业处理复杂索赔方面,智能体也证明了自己的实战能力。关于智能体开发,非营利研究机构METR在3月发布的一项研究,该研究发现智能体驱动型A自动化复杂工时的能力正以每7个月翻一番的速度狂飙。报告的结论是,虽然今天的智能体还不能在无人值守的情况下执行实质性项目,但"在不到十年的时间里,我们将看到A智能体独立完成目前需要人类花费数天或数周才能完成的大部分软件任务。"2026年Al与数据发展预测A行业格局I10上下文窗口和记忆功能是AI智能体演进的关键postgres上下文窗口和记忆功能是AI智能体演进的关键智能体驱动型A的基础技术snowflake工程与支持高级副总裁vivekRaghunathan表示,智能体将不断演进将继续迅速改进。在短期内,他预计未来会有几十种工具能处理稍微较复杂的指令。snowflake工程与支持高级副总裁vivekRaghunathan表示,智能体将不断演进将继续迅速改进。在短期内,他预计未来会有几十种工具能处理稍微较复杂的指令。它们的发展将依赖于两件事的改进:记忆和上下文窗口。"上下文窗口定义了模型在任何时候可以处理的token数量或数据量将呈指数级增长,从数千个增加到数百万个token,"他说。这将导致更动态、更全面的解决问题能力,并将从根本上改变A系统处理复杂任务的方式。其次,围绕记忆的改进意味着系统将能够更好地确定存储哪些信息、何时检索以及如何将其根据情况具体应用于某种情况。这是一种更像人类的能力很像人类才会做的事情,能够记住情况的大背景来整合背景信息来解决眼前的问题,"他说。这将极大地提高A智能体在复杂任务上自主工作的能力。所有这些在实验室里都会很效果都很棒,但在智能体任务或生成式Al对话中涉及的tokEn越多、上下文越多,成本就越高。让企业或最终用户来说是能够负担得起这种技术突破,是未来的一大挑战的。postgres对智能体驱动型A平台很有价值,因为它提供了快速可靠的数据库,针对A智能体的事务性和实时需求进行了优化。postgres是一个在线事务处理(OLTP)数据库,适合高频、低延迟的读写操作。智能体会产生连续的小型实时数据流,必须立即存储和访问,因此postgres能起到关键作用"postgres是结构化数据的通用语言(linguafranca),也是一个极佳的实验层,"snowflakeAl工程与研究副总裁DwarakRajagopal说开发者社区对postgres的拥戴,以及其本身丰富的扩展生态系统使其成为构建智能体应用程序的理想选择。"智能体未来需要编写更多代码、完成更复杂任务,postgres对智能体来说是一个"更好上手"的工具。n企业A落地进程数据策略将决定Al就绪度和A成效snowflake首席数据与分析官AnahitaTafvizi表示,随着生成式和智能体驱动型AI系统不断发展,拥有合规治理、高质量数据的企业将最有可能把这些技术转化成实实在在的业务成果。这些领导者将更早实现并最终获得更大的竞争差异化。"A创新的步伐非同寻常,每周都有新能力出现。但大多数企业仍在努力将这种创新转化为影响力,"Tafvizi说。"许多企业都受限于数据就绪度、治理框架和企业技能的差距。根据我从各行各业客户那里听到的情况,下一波A采用浪潮不会均匀分布,而是在准备好扩展的企业与那些仍停留在打基础阶段的企业之间,甚至在整个行业之间造成明显的分化。"这不仅仅需要"打破孤岛",让全企业数据可用于A系统。MikeBlandina指出,虽然随着A系统能力越来越强、越来越精准,其应用规模不断扩大,但治理和安全挑战必然会限制大多数企业保持审慎的步伐。"当AI给出准确答案的同时也不能暴露私人或专有数据,"他说。"用户是否有权看到这个答案?你的营销聊天机器人是否正在泄露员工的社会安全号码和客户的信用卡号码?这无关Al,而是关于数据治理和保护。"虽然CDO和cio站在制定和执行数据战略的第一线,但这并不是一个离散的、小团队的工作。"AI就绪数据的责任不能仅由个人或部门承担,"JenniferBelissent说。"多个利益相关者:从业务领导者到技术团队、数据所有者和最终用户,必须跨职能共同努力。"数据中的信息断层会削弱回削弱智能体的决策能力随着模型和后训练技术的改进,生成式AI提供的信息越来越可靠。但智能体驱动型A不仅需要找到答案,还要将经过推理,把决策转化为独立的行动。streamlit联合创始人Amandakelly表示,要达到这一点,不仅需要整理好数据,还需要理清思路。"许多企业并不真正知道他们是如何做决策的,在这样的基础上应用AI来解决根本问题并不可行,"他说。Tafvizi表示同意。"高阶业务决策逻辑十分微妙,通常是非正式的、未记录的或依赖于上下文的,"他说,"在这种情况改变之前,智能体最适合战术性的、结构化的场景,比如针对特定活动的营销预算优化,或优先排列客户外联的潜在客户名单。"KElly说,攻克决策挑战将成为未来三到五年内核心胜负手,预计在这个时间范围内将出现能力更强的A智能体。"那些拥有真正良好流程、了解其决策制定、知道自己需要做什么,并能够在这个紧密框架中应用智能体和A的企业将成为大赢家,"他说。A创新的步伐非同寻常,每周都有新能力出现。但大多数企业仍在努力将这种创新转化为影响力。" ANAHITATAFVIZIsnowflakE数据与分析官A赋能职场力量A对就业的宏观影响尚不清楚。在微观层面,肯定会有一些旧的工作岗位消失,新的工作岗位被创造出来,还有更多工作岗位需要与AI相关的新技能。A技术的迅速采用引发了职业警报:人们日益担忧失业速度快于劳动力市场的吸纳速度。但由于企业采用A的速度实际上落后于令人眼花缭乱的技术发展速度,多米诺骨牌可能不会像技术预言家担心的那样快速倒下。生成式Al已经显著影响了许多工作,提供了可以参考的案例,据此我们可以拼凑出更大的图景。从一线员工到高层领导,每个人都必须提升技能、重塑技能和转变认知,因为A在整个企业中逐渐成为更常见的工具,甚至是合作伙伴。企业想要成功采用AI,需要每位员工的新技能组合,覆盖关键技术角色(如软件开发人员和数据工程师)、非技术人员和领导者,一直到最高管理层。以下是我们对成功员工和那些有幸拥有理解A时代需求和机遇的领导层的员工的预测。从线员工到高层领导,每个人都必须提升技能、重塑技能和转变认知。从业者(必须)掌握人机协作和沟通当chatGPT首秀震惊所有人时,大家都说新的职位诞生了:提示工程师(promptengineEr).几年后的今天,每个人都需要知道如何与生成式和智能体驱动型A互动。这不是一份工作,这是一项基本技能。软件工程师的工作最极致得体现了这一转变。AI编码助手将编写用自然语言描述的代码。这意味着工程师需要增强表达能力。"工程师必须擅长清晰描述他们想要构建的内容,而不是擅长编写代码,"snowflakeA主管BarisGultEkin说。"这是一个新的范式,即使刚刚兴起,但是注定带来巨大的变革。""那些最终擅长向AI描述代码的人,可能并不是今天那些擅长用Java等复杂语言写代码的人,"MikeBlandina补充道。"这真的是不同的技能。"snowflakE联合创始人BenoitDagEvillE仍然亲手编写大量代码,他发现自己的风格和适合与AI协作。"当我编程时,我会写很多注释,也就是解释出来我要写什么,"他说。"因为加入了注释,我的A助手在建议代码方面非常有效。我看到其他开发人员不太成功,因为他们注释写得不多。我们都必须学习如何使用AI,如何描述你想要解决的问题以及你想要如何解决它。"同样的技能对于让生成式AI应用程序写邮件的营销人员或销售代表,或者让智能体完成任务都是必不可少的。对于向数据"寻求"见解,并需要提出正确问题以获得正确答案的人力资源专家或财务领导者来说,这样的能力也一样重要。那些最终擅长向A描述代码的人,可能并不是今天那些擅长用Java等复杂语言写代码的人。" MIKEBLANDINAsnowflake首席信息官到2027年到2027年,AI编码助手将推动开发人员的综合效能提升33%cioMikeBlandina表示,在短期内,不断改进的编码助手将在IT领域产生巨大影响。"在未来一年左右,你会看到生产力的巨大提升,我的推测大就是33%,"他说。他很快补充说,对更大收益的预测可能被夸大了。"我会告诉你为什么不会更高。A可以快速编写通用代码,但它不知道企业和行业的所有标准及合规要求。A编写通用代码可能只能为你带来25%的效率,因为已经有很多通用的开源代码供开发人员搜索。"虽然智能体驱动型编码器的制造者承诺工具演进可以帮助智能体理解更多的上下文和复杂性,但Blandina认为,要实现这种能力并在各个行业和个别企业中进行定制,还需要一段时间。所有人都将(必须)成为战略思考者如果我们已经可以熟练告诉Al做什么的时候,我们怎样确定实际上想让AI做什么呢?员工必须着眼大局,将琐碎任务移交给Al工具,而不是只专注于技术专长或执行紧密分配的任务。数据工程师就是一个很好的例子。随着A在企业中渗透率不断增加,将有更多的管道需要构建和维护,复杂性也随之提高。snowflakE数据工程产品副总裁chrischild说,使用A是扩展的唯一方法。数据工程师花更少的时间创建管道,更多的时间编排以推动业务成功。"他们将需要在更高的抽象层面上思考,更多专注于正在推动的业务成果,"child说。"传统上,数据工程师运行管道。我们移动数据,至于最终如何使用不是我们的问题。这已经在改变了。"对于软件开发人员也是如此,Amandakelly说。"工程师将更多地思考成果,并使用AI反向工作。""软件工程有两部分,"A基础设施总监MonaAttariyan说。"—个是逐行编写代码,另一个是对正在构建的内容和原因形成更全面的理解。A真的可以帮助第一部分,但还不能帮助第二部分。至少现在还不能。"cioMikeBlandina说技术领导者也将面临这种情况。他指出,cio的指标以及通常他们的思维,是由衡量已完成工作的工单主导的。他说,这些指标仍然重要,但具有前瞻性思维的IT领导者将采用"解决方案思维"。"如果法务部门带着问题来找CIO,过去cio可能会说,"嗯,有三个供应商提供了saas解决方案,'"Blandina说。"有了Al,我可能会想是否能找到一个能真正了解的Al。也许我汇集三个不同的大型语言模型并创建一个解决方案,不仅解决今天的问题,还能解决未来的一堆问题。所以这就是更广泛的解决方案思维发挥作用的地方。"初级工程师如何应变?初级工程师如何应变?人们常说智能体驱动型A将接管初级工程师过去做的低级任务,让高级工程师做更高级的工作。但如果没有初级工程师,未来的高级工程师从何而来?"这是一个大问题,"snowflake联合创始人BenoitDageville说。"你过去会培训实习生或入门级员工。而现在你要使用Al助手。A到来得太快了,我们还不知道世界将如何进行重塑。"MonaAttariyan说教育将会改变。明天的毕业生需要更多的商业教育,吸纳战略思考的能力。"初级工程师入职时可能编码技能较少,而更多地关注围绕设计和架构的更高层面的内容,"Attariyan说。"高级工程师将拥有全局视角,以及对企业特定架构和代码库的深度洞察。"2026年2026年Al与数据发展预测企业A落地进程I16从业者(需要)培养和发展跨职能协作与任务统筹能力各级员工都需要更好地掌握整体业务战略,这是因为人们将不再安于任务受限的孤岛中。"工作和角色逐渐模糊,"BarisGultEkin说。"现在分析师可以做一些数据科学家做的事情,营销人员可以做一些分析师能做的事情。产品经理现在可以写代码。现在工程师需要做更多的PM工作来理解要构建什么。"AI模糊了传统的角色界限,这要求员工发展更广泛的技能组合,了解其他部门的目标的同时,具备跨团队协作软技能。首席数据分析官AnahitaTafvizi说,结果是一个更扁平的组织。"AI将压缩组织层级,赋能能够跨领域思考的通才,"她说。"专业技能不会消失,但价值将转移到那些能够跨工具、数据和AI进行编排的人身上。"这种编排延伸到管理A智能体本身。JenniferBelissent建议,每个员工都化身为某种形式的管理者,监督多个为该员工和特定任务优化的A助手和智能体。"员工必须接受培训来管理这些数字下属,"她说。"我们将看到CDO的团队与人力资源部门密切合作,以确保我们适当地治理我们的智能体,并培训人们与它们进行有效协作。"若想让员工和企业长足发展,只有持续的适应才能追赶Al的进步速度,一次性的培训远远不够。"企业负担不起外包这种学习,"Tafvizi说。"培训必须是嵌入式的、情境化的和持续的。赢家将把AI技能提升视为战略基础设施,而不是一个附带项目。"这种学习必须靠动手实践。Tafvizi说,高层领导必须"自己使用A工具,赞助实际用例并将A与业务重点联系起来,而不仅仅是批准预算。"AA创建的应用程序将成为新的通用型电子表格类工具就像电子表格应用程序从其作为财务工具的主要角色转变为每个销售代表、营销专家和人力资源专家都用来跟踪事物的工具一样,在未来一年左右,越来越多的人将把制作即时应用程序添加到我们的基本工具包中。"我看到智能体正成为每个人工作方式的核心部分,"BarisGultEkin说。"每个人都为自己的特定需求构建自定义应用程序将是一件非常普遍的事情。"BenoitDagEvillE说,如果你能清楚地口述你需要的应用程序,你就能让AI助手启动它。"我们每个人都知道如何使用应用程序与某物互动,"他说。"所以你应该能够向A描述你希望系统做什么,以及你想如何与它互动。"2026年Al与数据发展预测企业A落地进程I17人类仍将作为解释者和质量管控者参与其中即使AI普及了数据访问和分析,人类的专业知识仍然至关重要,并不是每个与聊天应用聊天的人都是专家。Amandakelly指出,如果你让销售团队访问一个按需创建仪表板的A智能体,这并不代表你不需要分析师团队了。"任何人都可以要求仪表板或见解,但是否每个人都知道该问什么以及如何解释吗?"她问道。"他们真的知道相关性与因果关系的区别吗?"她还建议,普及访问权限时,可能并没有同时普及理解力。结果反而需要更多的分析师。正如我们提到的,今天的许多企业决策是由不完美的人类凭借直觉做出的,chrischild观察到,AI同样是个"黑匣子",永远不会完全没有错误。因此,从CEO到下层员工,与其用数据驱动的A见解取代"直觉",不如在审查A输出时引入他们的直觉。"AI模型对你的数据有深刻的理解,不仅仅是近似数据的指标,而是实际数据,"child说。"但我们必须知道何时该怀疑,何时在采取行动之前提出深入的后续问题。""不要低估数据库中不存在的数据量,因此这些数据在AI中是缺位的,"KElly补充道。"数据可能是错误的、不完整的或过时的。 位制造业高管告诉我,'A不会知道我们刚刚因为地板上有溢出物而停止生产,直到有人记录那个事件',而这可能永远不会被记录下来。"因此,她说,总会有一些知识和观点只存储在我们模拟的大脑中。2026年Al与数据发展预测企业A落地进程I18A:网络安全领域的双刃剑AnupamDatta在之前内容中已经概述了围绕智能体驱动型Al采用的三个挑战,这些挑战同样适用于生成式Al的持续整合。我们已经涵盖了评估和优化的挑战,第三个挑战是AI安全与保障。某些类型的智能体或生成式Al工具只在内部构建和使用的花,这类风险会大大减少,但许多系统将与公众(如企业的客户)或外部网站、数据库或工具是存在互动的。Datta指出,这是一个更有风险的主张。"当你连接智能体及其数据时,提高了性能的同时也显著扩大了攻击面,"他说。"当你进入分布式设置,调用其他人构建的Al工具时,你处理的是你边界之外创建和存储的数据。所有这些都对产品研发提出了更高要求,以开发防范对抗性攻击的能力。"snowflakecISOBradJonES说,随着企业引入智能体驱动型Al,安全团队必须努力在围绕智能体能力和行为的护栏与足够的实验和创新空间之间取得平衡。他们必须更加关注数据治理。"企业里可能有很多文档或数据集没有正确锁定权限,"他说。"如果你将其输入到生成式或智能体驱动型A中,该工具可能会暴露它不应该暴露的数据。"一年内,AI智能体将赋能网络攻击者,显著扩大其攻击精度和规模网络安全经典的攻防工具和技术军备竞赛在AI时代仍在继续,而且风险更高。加上能够研究、设计和执行攻击的智能体,本身就是一个不断快速升级的对手。Jones说他预计智能体驱动型网络犯罪将在2026年成为难题。"智能体很快就会扩大人类攻击者的能力,"Jones说。"未来智能体能够查看代码、发现漏洞并定制构建利用工具包来攻击和窃取数据、发动勒索软件攻击等。"A智能体的主要威胁包括提示注入,欺骗智能体做它不应该做的事情,尽管有护栏,以及产生幻觉。让Al系统生成一份销售文件,承诺你的产品实际上并不具备的功能或安全分类,可能会导致重大的法律问题,例如。Jones说,安全团队必须与数据科学团队合作进行大量的红队演练,以防止这种可能性。智能体加速常规攻击还只是个开始,情况肯定会变得更糟。"目前,A可以更快、更好并以越来越高的自主性执行人类攻击,但它们暂时无法自创新型攻击策略,"Jones指出。"当它们达到能够执行完全新颖的攻击策略的程度时,那就是更高水平的挑战了。"智能体很快就会扩大人类攻击者的能力。" BRADJONESsnowflakE首席信息安全官.....20262026年Al与数据发展预测刁卜驱动大多数生成式Al的基础模型设计有护栏以防止滥用。这种可以将其视为开源运动的黑暗面。许多恶意Al工具是使用开源在提供攻击者所需的数据和工具上，并提供订阅模式和客户支持。工具有了之后，越来越多昂贵和尖端的Al也会被用千恶意”他们越来越多地利用不受道德护栏或法规等约束的专用大型”，当你和安全人员交谈时，也不全是坏消息。生成式和智能体驱动型Al，连同传统ML，可以提高安全运营中心(SOC)为了填补CISO从未能够填补的空缺。的Al智能体和工具的助力，最终帮助SOC达到满员配置和资源”2026年A与数据发展预测人类创造力将持续彰显价值I20人类创造力将持续彰显价值人们通常是从艺术的角度来探讨AI和创造力的话题。如果每个会打字输入"穿着武士盔甲背着大剑的喷气背包雪貂"的傻帽儿都能触发AI生成的图像,还会有人画画吗?还会有人为此获得报酬吗?人们还会写作吗?甚至我们的播客也会是A生成的吗?这些问题超出了本报告的范围。但在企业领域内,也有关于人类特质在数据处理A系统主导的商业世界中是否还有一席之地的问题。我们专家小组的结论是:是的。2026年Al与数据发展预测人类创造力将持续彰显价值I21生成式A将成为人类创造力的加速器,关键在于通过专业的引导,以避免对技术的过度依赖除了需要人类直觉来检查AI输出外,在充斥着社交信息的"A垃圾内容(Alslop)"以外,Al工具还提供了一些创造性机会。当然,有人说(也有研究强调)使用生成式A像是直着拐杖,让我们变得更懒惰或更愚笨。sridharRamaswamy说,创造力取决于用户,而不是工具。"确实,人们很容易走捷径,使用AI生成一堆低质量的内容,但你也可以使用AI作为陪衬来推动你自己的创造力,"他说。"我相信人性。我认为,当被赋予强大的工具时,我们中间会有足够多的人会好好利用它并推动它,同时激励我们自己。人们还会保持创造力。AI模型极大地增加了创意人员可用的选择数量。"BarisGultEkin说,关键的区别在于适应新技术时候的学习曲线。"学术界对chatGPT的最初反应是禁止它,现在我们看到了相反的情况,人们拥抱它,弄清楚如何使其成为学习体验的核心部分,所以这里存在一种平衡,"他说。"我们很容易将批判性思维外包,从而损害自己,但如果你能将其作为一个有效的工具使用,它就是一个非常有效的工具。"Ramaswamy表示同意。"我最近和一个同事聊天,我们说,'我们将受限于我们的想法,而不是受限于我们完成事情的能力。'零售:生成式AI正在重塑360度客户全景的传统模式经过多年的观察,零售商正全速落地生成式Al。最初的谨慎已让位于对错过生成式和智能体驱动型AI强大承诺的广泛恐惧。"在chatGPT上寻找利基产品或最佳航班已是司空见惯,"snowflakE全球零售与消费品主管RosemaryDeAragon说。"为了确保可以及时发现存货积压产品,零售商和消费品牌必须让其产品数据为生成式AI做好准备。"随着chatGPT的即时结账等新功能的推出,零售商现在认识到生成式A已经是购物者旅程的一部分。她说,在2026年,客户将向大型语言模型提供深度的个人行为信息。因此,收集"360度客户全景"数据的行业惯例将发生根本性变化。为了确保可以及时发现存货积压产品,零售商和消费品牌必须让其产品数据为生成式AI做好准备。" ROSEMARYDEARAGONsnowflakE全球零售与消费品主管>。<2。2年A与数据发展预测数据丰富的大型语言模型将推动新水平的"360度客户全景"由于客户愿意与大型语言模型分享个人详细信息,零售商和品牌将竞相将生成式A功能嵌入到他们的客户体验中。零售商已经在使用传统ML进行欺诈检测、个性化、动态定价和供应链管理。生成式Al带来了双向客户互动,客户自愿提供个人信息以换取发现他们不知道的产品的机会。展望未来,生成式和智能体驱动型Al将增强传统AI,提供比以往任何时候都更深层次的个性化推荐。"在AI时代,应用程序是在几秒钟内构建的,零售商和品牌的战略护城河在于他们拥有多少丰富或独特的第一方消费者数据,以及这些数据如何为客户创造价值,"DeAragon说。客户将能够通过诸如chatGPT之类的生成式AI应用程序购买商品,该应用程序通过与零售和支付处理合作伙伴互联实现商品的采购。零售商也将拥有自己的智能体,在零售商平台内帮助客户。个性化互动决定了成败。"应用程序甚至大型语言模型将变得越来越商品化,"她说。"战略差异化在于用户输入端,即人类生成的数据。零售商与品牌若能成功塑造'可信数字实体'的形象,将能驱动客户分享更深层的洞察,从而加速'极致个性化'增长飞轮的运转。"对AI垃圾内容的不信任将助力网红营销DeAragon说,消费者越来越信任网红和品牌,而不是大众广告或文字评论。这部分是因为A生成内容包括大量的"A垃圾内容"。"数字原住民开始不信任他们在互联网上看到的东西,因为现在有太多内容是A生成的,"她说。"他们更有可能信任人类网红。"A生成的评论摘要已变得司空见惯,但对的信心已经减弱,DeAragon说。"对产品评论的信任度正在下降,因为消费者不知道它是由人类还是AI写的。"随着市场上出现大量仿制品,消费者转向社交媒体,依靠网红告诉他们应该购买哪些品牌,避免哪些品牌。"数字原住民对他们看到的东西特别怀疑,导致消费者不断寻求值得信赖的人类来源。"Z世代则更加依赖社会影响力。"41%的Z世代依靠网红挑选产品,"DEAragon说。Z世代的习惯意义重大,因为消费能力正从婴儿潮一代转移到千禧一代和Z世代。"我们从大品牌广告转变为将资金投入网红营销似乎很新奇,"她补充道。"但在可预见的未来,这将是大额营销预算的新常态,即使是最大的企业也需要适应这样接触客户的方式。">。<2。2年A与数据发展预测隐私策略将推动AI购物智能体的成功人们已经转向生成式A获取购物创意,下-个前沿领域是购物智能体。随着AI技术的发展,消费者必须信任提供给他们的工具和智能体。DeAragon说,品牌如何处理隐私问题将在建立这种信任方面发挥主要作用。她指出,在A竞赛中的苹果公司,在过去几年里因在支持消费者隐私方面采取更强硬立场而建立了声誉。再加上其设备和操作系统掌握在这么多人手中,使其成为零售消费者Al工具核心提供商的有力竞争者。"苹果知道我在和谁说话,我的日历上有什么,我去哪里等等,所以它可以创建真正了解我的智能智能体,"DeAragon说。她预计另一大手机平台GooglE的Android系统也有一样的思路。帮助你购物的AI将无处不在。"在未来两三年内,未来在B2C层面将看到真正自动化的智能体驱动型A工作流程。"随着个人聊天和智能体工具变得越来越普遍,零售商将面临挑战,既要以优化的方式处理个人数据以进行AI购物,又要符合消费者和监管机构对隐私的期望。采取"道德优先"方式处理私人数据并向客户明确这一方法的品牌将获得信任和忠诚度。"这只是入场券,但还是知易行难,"她补充道。当然,随着生成式AI首次爆发进入公众意识,这些挑战已经显现出来。DeAragon说,现在的区别在于,零售商正在直面挑战,并带头将Al嵌入消费者体验。经过几年的犹豫,该行业终于上车了,列车绝对已经离站。苹果知道我在和谁说话,我的日历上有什么所以它可以创建真正了解我的智能智能体。" ROSEMARYDEARAGONsnowflakE全球零售与消费品主管2026年Al与数据发展预测金融服务:战略焦点全面转向"数据优先"的思维模式I26金融服务:战略焦点全面转向"数据优先"的思维模式金融服务领域对A实验的狂热正在消退,因为公司企业专注于RO1并记住价值始于数据并深信价值始于数据。"+二个月前,公司企业四处奔波试图构建聊天机器人和副驾驶智能助手,但他们没有考虑架构和底层数据,"snowflakE全球金融服务主管Rineshpatel说。"现在公司企业正在关注结构化和非结构化数据、多模态数据的访问。"数据一直是金融服务公司企业价值的主要来源。了解市场趋势、降低风险、并将正确的报价针对正确的客户提出正确的报价等,都依赖从于从数据中提取获取洞察见解。patEl说,与其将AI视为一种令人兴奋的具有潜力的新当务之急新任务,不如说公司企业明白AI提供了获取这些见解的新方法,但前提是数据要有序。"这就是体现了过去一年金融服务领域数据和AI战略的演变,"patEl说。企业仍然希望跟上创新的步伐,包括AgEnticAI智能体驱动型A的发展,但它们的当务之急,永远是应对面临着规避风险的董事会和的同时,实现利润最大化的永恒当务之急。2026年Al与数据发展预测金融服务:战略焦点全面转向"数据优先"的思维模式I27展示Al计划的ROI将是企业的首要任务patEl说,对A的实验将不再是探索可能性,而是追求可能的利润。"人们对'为了AI而AI'的兴趣已经减少或消失,"他说。"企业正试图解决一直存在的问题并追求直存在的指标。"他说,与许多行业一样,随着金融服务企业将数据注入整个业务,也预示着整个行业的转型。但这个过程会逐步进行,每一步都有明确的回报。"金融服务企业希望将AI增强到整个数据生命周期中,注入他们从摄取到分发数据的使用方式,"patel说。"这些企业通过关注用例特异性、优先级和衡量价值来实现这一目标。"监管担忧不断扩大虽然美国表现出强烈的放松管制的倾向,但patel说欧洲将持续扩大对数据和AI使用的限制。欧盟的A法案条款自2024年以来一直在稳步实施,目前设想的完整监管制度将于2027年生效。Al法案是一种基于风险的A方法,随着Al和数据日益互联,法案也将继续更新。全球企业在弄清楚如何使用A时必须应对不断演变的国际法规。"欧盟如何继续监管数据将对A的使用产生影响,"patel说,并补充说欧洲的要求很可能成为全球默认标准。智能体将是金融企业难以攻克的难题随着智能体驱动型A的发展,企业将与A安全和监管合规持续斗争。AI的采用正从自动化和增强转向具有A智能体的自主性。因此,在短期内,企业必须努力解决如何以及何时整合智能体的问题,并管理由此产生的风险。patel说,技术领先的金融企业因为担心更多的自主权意味着更多的错误空间,会对智能体驱动型A尤其保持警惕。"考虑到AI智能体需要做什么时,需要更加关注风险,"他说,"不仅仅局限于幻觉和道德,还涉及数据驻留、运营弹性等方面的问题。"即使风险增加,企业也知道它们需要优化并在不久的将来开发整合智能体的方法。patel补充说,企业会对智能体进行整合。无论是传统ML、生成式还是智能体驱动型AI,都提供了通往效率和见解的途径,这些利润太丰厚了,不容错过。"金融服务企业的业务就是赚钱,"他说。"这是他们在决定数据技术和AI相关事宜时的'北极星'指标。"考虑到AI智能体需要做什么时,需要更加关注风险。" RINESHPATELsnowflake全球金融服务主管2026年Al与数据发展预测制造业:Al的落地应用将成为行业进化的核心驱动力I28制造业:AI的落地应用将成为行业进化的核心驱动力制造业已准备好进入AI的下阶段。多年来,制造企业一直在自动化并投资于Al/ML,从预测性维护到计算机视觉以及使他们能够整合传统ML的基础数据策略。因此,制造业已准备好采用更先进的AI解决方案,包括生成式和智能体驱动型Al.做好A准备,能够减少那些把更多制造业带会本国的美国企业的压力。"我们要支持当今的制造业需求,但却面临着美国劳动力的短缺,"sn。wnake全球制造业主管TimLong说目前的市场短缺50万名 。对于其他各类技工,我们在美国所需的人才也短缺,他说。为了弥补合格劳动力的不足,制造企业必须通过进行重大流程改进来增加效率。"他们需要使用A来尽可能简化生产和供应链,"Long说。2026年,制造企业将使用A来简化绩效、监控质量控制并提高生产产出。[制造企业]将需要使用Al来尽可能简化生产和供应链。" TIMLONGsnowflakE全球制造业主管2026年Al与数据发展预测制造业:Al的落地应用将成为行业进化的核心驱动力I29聊天机器人将成为生成式Al进步的下件大事"制造企业意识到他们可以使用生成式A达到下一个绩效水平,"Long说。虽然仍处于实验阶段,但聊天机器人可以驱动制造企业实现业务目标。"制造业中最重要的指标是整体设备效率(OEE),因为它捕捉了生产过程的效率和所生产产品的质量,"Long说。很快,聊天机器人将使用自然语言总结这种有效性,以诊断设备问题、更好地解析客户情绪并理解服务日志。"我已经看到许多制造企业采用聊天机器人界面的实例,我预计明年这样的用例会更加常见。"AI将加速质量控制和生产随着生成式和智能体驱动型A吸引主流目光,制造企业将继续使用计算机视觉来观察工人,定制生产工作以进一步提升效率。观察组装过程的顺序可以改善修改组装技术人员步骤的方法,以提高生产力。未来一年内,计算机视觉应用程序会不断改进。以更高的精度预测维护需求和产品缺陷。"制造企业能够更好地看到设备何时未满负荷运行,并确定是由于操作员、培训还是产品步骤造成的,"Long说。"他们还可以确定哪里是首次被检测到的缺陷。"创意人员不会被生成式A取代(旧前而言)Long说,Al可能会导致创意人员的减少,但它无法完全取代人类的创造力。"我们需要一支有能力的员工队伍,不仅能使用AI智能体,还具备创新和创造性的经验来自己发明流程改进和产品。"用于构思、数字原型设计和产品设计的生成式A尚未证明自己,因此它仍将是一种未来的能力,他补充道。"我尚未见到能够创造和模拟,然后评估概念的Al。"智能体开始产生真正的商业影响A智能体在改善产品生产和物流方面具有很高的潜力。"我们可能会从智能体决定如何对产品进行分类、将产品从流程中拉出来进行检查,或者在生产过程中加快决策开始,"Long说。此外,"当我们谈论大型语言模型时,未来会有专门针对特定行业的智能体,"他说。对于制造业,智能体将有能力决定优先加急哪种产品,以适应运输时间表和交货数据。让智能体行动当然会让法律和IT团队头疼。但Long并未被吓倒,进行特定行业预测的A智能体一定会出现并将逐渐普及。AI对于重新平衡全球制造业、抵消劳动力成本和提高效率至关重要。新技术总是带来挑战。但该行业的优势在于它已经完成的战略数据工作。"制造业已准备好克服新挑战,"Long说。2026年Al与数据发展预测