过去两周，我写了两篇关于 AI 营销的文章——蓝色链接之死、AI 广告新大陆、自建 vs 外包的账单。读者反馈很热烈，但有个问题反复出现：”这些 AI 代理听起来很棒，但我们公司的数据根本撑不起来。”
这个问题问到了点子上。上周 Snowflake Summit ‘26 的所有发布，本质上都在回答同一个问题。
兴奋之前，先面对一个尴尬的事实
先讲一个真实的场景。
一家年营收 5 亿的电商公司，营销团队 12 人，管理着 8 个广告平台、3 个 CRM 系统、2 个数据分析工具。CMO 在行业大会上听到 Agentic Marketing 的故事——AI 自动优化出价、自动生成创意、自动分配预算——热血沸腾地回来部署。
然后发现：Google Ads 的数据在 A 系统，Facebook Ads 的数据在 B 系统，CRM 数据在 C 系统，而这三个系统彼此不说同一种语言。营销分析师每周花 15 个小时手动导出 CSV、做 VLOOKUP、填 Dashboard。
AI 代理来了，但它饿着肚子。因为它能看到的东西太少，而且全是错位的。
这不是一个反例。这是绝大多数公司的常态。
Snowflake Summit ‘26：把 AI 带到数据面前
上周的 Snowflake Summit ‘26，Snowflake 宣布了一个战略定位：做企业的 「智能系统」（System of Intelligence）——让 AI 代理、治理、客户数据和业务操作在同一平台上运转，而不是在系统之间搬来搬去。
核心发布有三条，条条指向同一个问题：
1. Cortex Sense：让 AI 理解你的业务语言
AI 模型很聪明，但它不认识你的「ROAS」「CVR」「MQL」是什么意思——不，它认识这些缩写的字面意思，但它不知道在你公司里，「合格的 MQL」的标准是「下载白皮书 + 公司规模 > 200 人 + 职位为经理以上」。
Cortex Sense 是一个上下文层，专门用来教 AI 理解企业的专有语言、流程和规则。简单说，就是给 AI 装了一本你们公司的操作手册。
营销团队的实际影响：AI 工具不再需要你反复解释「我们的 CAC 是怎么算的」「什么叫清洗过的线索」。它从一开始就知道。
2. Claude 直接跑在 Snowflake 上
Snowflake 和 Anthropic 的合作升级了——Claude 模型可以直接在 Snowflake 内部运行。这意味着你可以分析客户数据、生成内容、探索趋势，而不需要把敏感数据导出到另一个平台。
这件事为什么重要？因为当数据离开你的控制范围，合规风险就开始指数级上升。尤其是欧洲的 GDPR、中国的《个人信息保护法》、加州的 CCPA——每一条规定都在说：数据去哪了？
3. Cortex Agent Sharing：只分享能力，不分享数据
这是一个很巧妙的架构：Snowflake 允许你创建 AI 代理后，安全地分享给合作伙伴，而不暴露底层客户数据。
想象一下这个场景：你是一家品牌方，想让你的广告代理商用 AI 分析你的受众。传统做法是把数据 CSV 发过去——然后祈祷对方不会泄露。Cortex Agent Sharing 的方式是：代理商得到一个 AI 代理，它能回答问题、生成报告，但看不到原始的客户数据行。
这是营销行业最痛的需求之一，终于有了一个架构级的方案。
MCP 的兴起：AI 和数据的「通用语言」
除了 Snowflake 的发布，过去几周还有一个趋势在快速成型：MCP（Model Context Protocol）。
如果你不熟悉这个词，可以把它理解为 AI 世界的 USB-C 接口。任何 AI 模型只要支持 MCP，就能接上任何数据源——CRM、广告平台、数据库、分析工具——只要那个数据源也支持 MCP。
MarTech 上周有一篇文章标题说得很直白：《AI agents can’t help if they can’t see your marketing data》。文章里举了一个典型案例：
一个关键词在 Google Ads 里看起来表现不错——健康的搜索量、可接受的 CPA、在范围内的转化率。但在 HubSpot 里，这些转化被标记为不合格线索：地区不对、没有预算、公司规模完全不匹配。AI 代理不知道这件事。它继续出价，预算继续花。问题要等到月底人工复盘时才暴露。
这个案例完美诠释了为什么数据基础设施比 AI 模型本身更紧迫。不是 AI 不够聪明，是它根本看不到完整画面。
营销团队的数据成熟度四阶段
基于过去一周的调研，我把营销团队的数据成熟度画了四个阶段。你可以对照看一下自己在哪里：
| 阶段 | 状态 | 典型表现 | AI 就绪度 |
|---|---|---|---|
| L1 | 原始阶段 | 数据在 Excel 里、各平台各自为政 | ❌ 无可部署 |
| L2 | 报表阶段 | 有 BI Dashboard，但数据 T+1 更新 | ⚠️ 仅能跑分析类 AI |
| L3 | 实时阶段 | 数据管道已建立，API 实时同步 | ✅ 可部署执行类 AI 代理 |
| L4 | 智能阶段 | 数据层 + 治理层 + AI 层打通，MCP 标准接入 | 🚀 Agentic Marketing 可落地 |
绝大多数企业目前处于 L2。 也就是说，连执行型 AI 代理都跑不了。
这解释了为什么 Salesforce 推 Agentic Marketing 平台、Google 推 AI Agent、Snowflake 推 Cortex——三家巨头同时在解决同一个问题：先修数据管道，再谈 AI 代理。
可操作的四个步骤
如果你是一位 CMO 或营销技术负责人，以下是你现在应该做的事，按顺序：
1. 数据审计（2 周）
盘点你手上有多少数据源，哪些是实时可用的，哪些是 CSV 手动导入的。把「不可被 AI 直接访问的数据」列为最高优先级问题。
2. 统一数据层（1-2 个月）
选一个数据平台（Snowflake、Databricks、甚至 Google BigQuery），把所有营销数据汇聚到一起。目标是：所有 AI 工具只从一个地方读数据。
3. 建立治理规则（持续）
不是所有数据都应该让 AI 看到。建立「什么数据可以被 AI 访问、在什么条件下、谁批准」的框架。Snowflake 的 Cortex Agent Sharing 和 Horizon Catalog 就是为此设计的。
4. 从「分析类 AI」开始，再走向「执行类 AI」
不要一上来就让 AI 代理直接操作广告账户。先从 AI 辅助分析开始——让 AI 读数据、出报告、提建议。等你信任了数据管道和 AI 输出的质量，再逐步放开执行权限。
小结：Snowflake 的赌注是对的
Snowflake Summit ‘26 最重要的发布不是某一个具体功能，而是它背后的战略判断：
把 AI 带到数据面前，而不是把数据搬到 AI 面前。
这个判断之所以重要，是因为大多数人搞反了优先级。大家都在追最新的 AI 模型、最酷的 Agent 框架、最火的营销自动化工具。但最 boring 的基础设施问题——数据在哪、干不干净、安不安全、能不能被 AI 访问——才是真正决定成败的因素。
蓝色链接死了，AI 广告来了，Agentic Marketing 的成本账单算清楚了。
现在只剩下一个问题：你的数据准备好了吗？
参考资料：
- MarTech: Snowflake’s new AI tools target a marketing pain point (Jun 4, 2026)
- MarTech: AI agents can’t help if they can’t see your marketing data (Jun 5, 2026)
- Snowflake Summit ‘26 官方发布
- Futurum Group: Salesforce Bets on Agentic Marketing (Jun 4, 2026)
