在与客户的交流中，一个明显的矛盾正在浮现。企业正大举投入人工智能，同时对成本效益的审视也愈发严苛。单纯展示员工使用 AI 的活跃度或 token 消耗的增长已失去说服力。用量只是过程指标，企业真正需要验证的是最终的商业回报。
企业应当扪心自问：业务效率有没有提升？成本有没有下降？产品和客户体验是否得到改善？归根结底，AI 必须转化为可量化的业务价值。
我将此称为智能效能，也就是企业利用算力、模型、数据和业务上下文产出业务价值的实际能力，具体体现为增收、降本、提效。想要实现智能效能，模型层面必须具备灵活性，既要能自由选用适配业务的最优模型，也要能借助智能路由，结合成本、速度、性能，为每一项任务匹配最合适的模型。过去几年，行业都在打磨单个模型本身的能力。如今，企业需要优化整套系统，以拿到实在的业务成果。
开源模型的兴起，正是推动这一转变的关键，它彻底改写了 AI 的成本逻辑。对于许多业务场景，特别是逻辑简单、需求明确的任务，主流开源模型可以输出优异效果，综合使用成本却远低于顶尖前沿模型 。随着开源模型的持续迭代，日益丰富的模型生态将驱动全行业形成充分竞争，加速技术演进并进一步压低落地成本。
这正是我看到的企业的巨大机遇所在。单任务成本的下降直接拉低了 AI 落地的准入门槛。曾因经济模型不成立而无法自动化的工作流，如今具备了商业可行性，从而赋予企业在更广阔的业务场景中自由试验、持续迭代并全面部署 AI 的能力。
然而，不同模型在成本、质量与延迟构成的动态坐标中各有其位，且这些位置一直在变 。当下某项任务的最优解，六个月后可能已非最佳选择。正因如此，我认为实现智能效能的必由之路，在于构建一套具备高度弹性的模型组合策略。
这一转向已在我与客户的交流中得到充分印证。企业关注的焦点正从“如何选定并固化单一模型标准”转向“如何为每项任务持续匹配最优模型”。
在 Snowflake，我们构建了中立的企业级平台，无缝聚合了来自 Anthropic、Google、Mistral AI、OpenAI 及 SpaceXAI 的领先开源与专有模型。Snowflake 还将通过引入 GLM-5.3 与 DeepSeek-V4-Flash 0731，进一步丰富模型的多元版图。
这种自由与灵活性是我们构建智能体企业的核心理念。随着模型的持续演进，企业应当能够在其全量数据与上下文范围内，充分受益于这些技术创新。
这正是 Snowflake CoCo 与 Snowflake CoWork 分别为开发者和业务用户所承载的核心价值。CoCo 与 CoWork 可无缝贯通您的全量数据，在一个统一的对话式界面中，实现对多元模型、智能体、工作流及系统的编排调度。模型虽是系统的核心基石，却不应成为用户必须持续打理的运维负担。
这便引出了我观察到的下一关键挑战，即如何实现对 AI 的高效编排。为此，我们在 Cortex AI 网关中正式推出动态模型路由机制，助力客户为手头任务精准匹配最优模型。客户可自主界定获批模型边界及其核心权衡维度。在此基础上，Cortex AI 网关将融合既定策略与真实场景下的成本及性能数据，针对每个用例进行多维度评估，并自动择定最佳模型。
该系统具备原生的持续学习能力。当某一模型完成任务后，将由另一独立模型对其输出质量进行校验，由此形成持续迭代的反馈闭环，以优化未来的路由决策。随着模型能力的跃升与行业格局的演变，系统可同步完成自适应演进，持续优化质量、成本与延迟。
我们的初步基准测试数据显示，在同等质量基准下，该方案相较单一模型依赖模式，可实现更优的成本效益比。得益于该功能在 CoCo 与 CoWork 中的原生集成，即便新兴模型或能力不断涌现，客户也无需重构现有智能体与工作流，便可坐享持续优化的性价比优势。
我们今天的发布体现了 Snowflake 自创立之初便秉持的理念。重大技术变革必然伴随复杂性，而我们的使命是为客户化解这种复杂性。从数据基础设施到如今的 AI，我们始终赋予企业自由选型的权利，同时将模型选择、路由与优化的复杂机制交由 Snowflake 统一管理。这是我们帮助客户收获真正智能效能的必由之路。
作者介绍
Sridhar Ramaswamy 是 Neeva 联合创始人。Neeva 于 2023 年被 Snowflake 收购，他本人随即出任 Snowflake 首席执行官。他曾在谷歌任职 15 年以上，从软件工程师做起，一路晋升至广告与商务业务高级副总裁。Sridhar 拥有布朗大学计算机科学博士学位。