Snowflake Intelligence: Überblick, Preise & Kostenmonitoring

Snowflake Intelligence ist eine neue Oberfläche, erreichbar über ai.snowflake.com. Sie können Fragen zu Ihren Daten in natürlicher Sprache stellen und erhalten umgehend Antworten – inklusive Diagrammen, Tabellen oder Erläuterungen in Prosaform. Es handelt sich um eine eigenständige App für Fachanwender, die nicht mit der gesamten Komplexität der Snowsight-Oberfläche konfrontiert werden wollen. Sie müssen sich nicht durch Datenbanken, Schemata, Rollen oder den Query-Verlauf klicken. Sie wollen einfach eine schlanke Chat-Oberfläche – ohne SQL und ohne darauf zu warten, dass Analytics Engineers ihnen Antworten liefern. Im Hintergrund arbeiten KI-Agenten, die zwischen strukturierten Daten (über Cortex Analyst), unstrukturierten Daten (über Cortex Search) und individuellen Tools orchestrieren, um Ihnen ein vollständiges Bild Ihres Geschäfts zu liefern.

Stellen Sie es sich wie ChatGPT für Ihre Snowflake-Daten vor – nur dass es Ihre Geschäftsdefinitionen tatsächlich kennt, Ihre Zugriffsrechte respektiert und dank Agenten und semantischer Modelle aus Ihrem eigenen Team deutlich seltener halluziniert.

Fachanwender können jetzt Fragen in eigenen Worten stellen, etwa "Zeig mir den Q4-Umsatz nach Produktkategorie", ohne wissen zu müssen, in welchen Tabellen die Umsatzdaten liegen oder wie Produkte kategorisiert sind. Ein Supply-Chain-Analyst kann fragen "Welche Probleme melden Kunden zu unseren Winterjacken?" und bekommt Erkenntnisse aus strukturierten Verkaufsdaten und unstrukturierten Support-Tickets gleichermaßen. Der Agent entscheidet selbst, welche Tools er einsetzt und wie er die Ergebnisse zusammenführt.

Ganz ohne Vorarbeit geht das allerdings nicht – und die Kosten können schnell aus dem Ruder laufen, wenn Sie nicht aufpassen. Sehen wir uns an, wie es funktioniert, was es kostet und wie Sie Ihre Rechnung im Griff behalten.

Snowflake Intelligence arbeitet mit Agenten – KI-Modellen, die mit einer oder mehreren Semantic Views, Semantic Models, Cortex-Search-Diensten und Tools verbunden sind. Der eigentliche Mehrwert entsteht durch einen zweistufigen Workflow: Konfiguration und Nutzung.

Phase 1: Infrastruktur und Agenten einrichten

Legen Sie zunächst die Datenbank- und Schema-Struktur für Intelligence an:

-- Create the Intelligence database
CREATE DATABASE IF NOT EXISTS snowflake_intelligence;
GRANT USAGE ON DATABASE snowflake_intelligence TO ROLE PUBLIC;

-- Create schema for agents
CREATE SCHEMA IF NOT EXISTS snowflake_intelligence.agents;
GRANT USAGE ON SCHEMA snowflake_intelligence.agents TO ROLE PUBLIC;

-- Grant agent creation privileges
GRANT CREATE AGENT ON SCHEMA snowflake_intelligence.agents TO ROLE your_admin_role;

Standardmäßig verwendet Snowflake Intelligence die Default-Rolle und das Default-Warehouse des Nutzers – stellen Sie also sicher, dass beides bei Ihren Anwendern konfiguriert ist.

Phase 2: Semantic Views für strukturierte Daten aufbauen

Eine Semantic View bildet Business-Terminologie auf Ihr tatsächliches Datenbankschema ab. Statt dass Nutzer wissen müssen, dass der Umsatz in fact_sales.amt_total_excl_tax steckt, definieren Sie "Umsatz" als Geschäftsbegriff.

Semantic Views lassen sich in Snowsight per Assistent erstellen oder als YAML-Datei hochladen. Der Weg über den Assistenten:

1. Navigieren Sie zu AI & ML → Cortex Analyst
2. Klicken Sie auf "Create new" → "Create new Semantic View"
3. Wählen Sie Ihre Tabellen und Spalten aus
4. Definieren Sie Business-Kennzahlen und Beziehungen
5. Fügen Sie Beispielfragen hinzu

Im Hintergrund entsteht daraus eine YAML-Datei. Semantic Views überbrücken die Kluft zwischen der Art, wie Fachanwender Daten beschreiben, und der Art, wie sie in den Datenbankschemata abgelegt sind. Hier ein minimales Beispiel:

name: revenue_analysis
description: "Sales and revenue metrics by product and region"
tables:
  - name: sales
    description: "Daily sales transactions"
    base_table:
      database: analytics_db
      schema: sales
      table: fact_daily_sales
    dimensions:
      - name: product_category
        expr: product_category
        data_type: STRING
        description: "Product category"
    facts:

Expand Code

Entscheidend ist, dass Sie bei Beschreibungen und Synonymen gründlich arbeiten. Fragt jemand nach "total sales", Sie haben aber nur "gross revenue" definiert, versteht der Agent die Frage womöglich nicht.

Die YAML-Datei lässt sich direkt in Snowsight bearbeiten – oder eben über den Assistenten.

Phase 3: Cortex-Search-Dienste für unstrukturierte Daten anlegen

Details zur Umsetzung finden Sie in unserem Blogpost zu Cortex Search. Hier ein kurzes Beispiel.

Für Dokumente, Support-Tickets oder andere Textdaten:

-- Create search service on your document table
CREATE CORTEX SEARCH SERVICE support_tickets_search
  ON ticket_text
  ATTRIBUTES customer_id, ticket_date, severity
  WAREHOUSE = search_warehouse
  TARGET_LAG = '1 hour'
  AS (
    SELECT
      ticket_id,
      ticket_text,
      customer_id,
      ticket_date,
      severity
    FROM support.tickets
  );

Cortex Search eignet sich für das Indexieren und Durchsuchen textlastiger Inhalte – etwa Dokumente, Konversationen und Transkripte.

Phase 4: Agenten erstellen und konfigurieren

Jetzt führen Sie alles zusammen. In Snowsight:

1. Navigieren Sie zu AI & ML → Agents → Create agent
2. Wählen Sie "Create this agent for Snowflake Intelligence"
3. Geben Sie ihm einen Namen, der für die Nutzer sichtbar ist
4. Fügen Sie Ihre Semantic Views als Cortex-Analyst-Tools hinzu
5. Fügen Sie Ihre Cortex-Search-Dienste hinzu
6. Konfigurieren Sie die Orchestrierungsanweisungen
7. Richten Sie den rollenbasierten Zugriff ein

Der Agent hat nun Zugriff auf strukturierte und unstrukturierte Datenquellen und kann zwischen ihnen orchestrieren. Stellt ein Nutzer eine Frage, geht der Agent so vor:

• Er parst die Frage
• Er bestimmt, welche Tools er einsetzen muss
• Er führt Abfragen gegen Semantic Views aus (SQL-Generierung über Cortex Analyst)
• Er durchsucht unstrukturierte Daten (über Cortex Search)
• Er kombiniert die Ergebnisse und erstellt Visualisierungen

Phase 5: Intelligence nutzen

Nutzer greifen unter ai.snowflake.com auf Intelligence zu. Dort finden Sie eine sehr schlichte Seitenleiste mit drei Optionen:

New Chat:

Agents:

Recent (Chats)

Die meisten Nutzer starten mit "New chat". Wählen Sie einfach einen Agenten und eine Datenquelle (auto wird vorgeschlagen) und stellen Sie Ihre Frage.

Sobald Sie eine Frage stellen, sehen Sie, wie der Agent in den Deep-Thinking-Modus wechselt und seine Denkschritte unterwegs offenlegt:

Hat der Agent die Antwort finalisiert, blendet er die Argumentationsdetails standardmäßig aus. Über "show details" können Sie den Gedankengang aber jederzeit wieder einsehen.

Einer der größten Nachteile aus meiner Sicht: Analysen lassen sich nicht abspeichern, um sie regelmäßig wieder aufzurufen. Eine Funktion nach dem Motto "einmal chatten, oft den Report ansehen" gibt es nicht. Andere KI-Agenten erlauben es, Analysen an ein Dashboard oder einen Ordner zu pinnen und einzelne Analysen zu aktualisieren. Bei Snowflake Intelligence müssen Sie, wenn Sie täglich dieselbe Frage haben, jedes Mal in den Chat zurückkehren und um eine Aktualisierung mit den neuesten Daten bitten. Für wiederkehrende Reports ist das eine wenig überzeugende Nutzererfahrung.

Bei Cortex Agents – und damit auch bei Snowflake Intelligence – fallen keine zusätzlichen Kosten an, die über die zugrunde liegende Cortex-Search- und Cortex-Analyst-Funktionalität hinausgehen. Zu diesen Themen haben wir ausführliche Artikel verfasst (siehe Links weiter unten). Hier eine kurze Zusammenfassung der einzelnen Kostenkomponenten.

Kosten für Cortex Analyst:

Cortex Analyst verarbeitet Fragen, die Abfragen auf strukturierte und semistrukturierte Daten erfordern; das deckt die KI-Kosten für Text-to-SQL ab. Zusätzliche Warehouse-Kosten fallen an, wenn das von Cortex Analyst generierte SQL ausgeführt wird. Die AI-Services-Komponente rechnet pro Request ab, nicht pro Token. Laut der Snowflake Service Consumption Table verbraucht Cortex Analyst für die meisten Modelle 6,7 Credits pro 100 Requests.

Kosten für Cortex Search (unstrukturierte Daten):

Cortex Search verarbeitet Nutzer-Chats, die unstrukturierte Daten abfragen. Search-Dienste verbrauchen sowohl beim Indexieren als auch beim Suchen Credits. Aktuell sind das 8 Credits pro Stunde.

Unsere Artikel zu Cortex Search und Cortex Analyst gehen detaillierter auf das Monitoring dieser Dienste ein. Die Kosten für Intelligence verteilen sich auf mehrere Service-Typen – Sie brauchen also umfassende Abfragen, um alles im Blick zu behalten. Werfen Sie unbedingt einen Blick auf die letzte Monitoring-Abfrage, die alle Dienste abdeckt, die Snowflake Intelligence potenziell nutzt!

Cortex-Analyst-Nutzung verfolgen

Diese Abfrage zeigt, wer Cortex Analyst am intensivsten nutzt und welche Warehouses die generierten Queries ausführen.

-- Daily Cortex Analyst requests and costs
SELECT
  DATE_TRUNC('day', start_time) AS usage_date,
  SUM(request_count) AS total_requests,
  SUM(credits) AS analyst_credits,
  username
FROM snowflake.account_usage.cortex_analyst_usage_history
WHERE start_time >= DATEADD(day, -30, CURRENT_DATE())
GROUP BY DATE_TRUNC('day', start_time), username
ORDER BY usage_date DESC, analyst_credits DESC;

Alle AI-Services-Kosten verfolgen

Diese Abfrage erfasst alle KI-bezogenen Kosten – inklusive Cortex Search, Document AI und AISQL-Funktionen – an einer Stelle.

-- AI Services consumption by service type
SELECT
  DATE_TRUNC('day', usage_date) as day,
  service_type,
  SUM(credits_used) as credits
FROM snowflake.account_usage.metering_daily_history
WHERE service_type = 'AI_SERVICES'
  AND usage_date >= DATEADD(day, -30, CURRENT_DATE())
GROUP BY DATE_TRUNC('day', usage_date), service_type
ORDER BY day DESC, credits DESC;

Warehouse-Kosten für Intelligence-Queries überwachen

Leider gibt es keinen eleganten Weg, von einem Agenten erzeugte Queries zu identifizieren. Sie können nach Warehouse oder Rolle filtern, aber es gibt kein spezifisches Logging, das diese Query-IDs gesondert kennzeichnet. Hier ein Beispiel für die Filterung nach Warehouse. Überlegen Sie sich, wie Sie diese Queries identifizieren wollen, und richten Sie Ihre Umgebung entsprechend ein.

-- Warehouse consumption from Intelligence agent queries
-- Requires naming or tagging your Intelligence warehouses
SELECT
  DATE_TRUNC('day', start_time) as usage_date,
  warehouse_name,
  SUM(credits_used_compute) as compute_credits,
  SUM(credits_used_cloud_services) as cloud_credits,
  SUM(credits_used) as total_credits,
FROM snowflake.account_usage.warehouse_metering_history
WHERE warehouse_name IN (
  'INTELLIGENCE_WAREHOUSE',
  'ANALYST_WAREHOUSE',
  'SEARCH_WAREHOUSE'
)
  AND start_time >= DATEADD(day, -30, CURRENT_DATE())

Expand Code

Cortex-Search-Operationen verfolgen

-- Cortex Search service usage
SELECT
  DATE_TRUNC('day', start_time) AS usage_date,
  service_name,
  database_name,
  schema_name,
  SUM(credits) AS search_credits,
  SUM(credits) * 2 AS cost_usd
FROM snowflake.account_usage.cortex_search_serving_usage_history
WHERE start_time >= DATEADD(day, -30, CURRENT_DATE())
GROUP BY DATE_TRUNC('day', start_time), service_name, database_name, schema_name
ORDER BY usage_date DESC, search_credits DESC;

Kombinierte Sicht auf die Intelligence-Kosten

Diese Abfrage liefert Ihnen ein vollständiges Bild der Intelligence-Kosten, aufgeschlüsselt nach Komponenten. So erkennen Sie, ob die Kosten durch Query-Volumen, Suchvorgänge oder Warehouse-Compute getrieben werden.

-- Complete Intelligence cost rollup
WITH analyst_costs AS (
  SELECT
    DATE_TRUNC('day', start_time) AS day,
    'Cortex Analyst (AI requests)' AS component,
    SUM(credits) AS credits
  FROM SNOWFLAKE.ACCOUNT_USAGE.CORTEX_ANALYST_USAGE_HISTORY
  WHERE start_time >= DATEADD(day, -30, CURRENT_DATE())
  GROUP BY 1
),
search_costs AS (
  SELECT
    usage_date AS day,
    'Cortex Search (Serving + Indexing)' AS component,
    SUM(credits) AS credits

Expand Code

Einzelne Semantic Views in Snowsight überwachen

Navigieren Sie in der Snowsight-Oberfläche zu AI ML -> Cortex Analyst -> Semantic Views -> Monitoring. Dort sehen Sie die Nutzung einzelner Semantic Views.

Alerts einrichten, nicht nur Dashboards

Die oben gezeigten Monitoring-Abfragen sind wertlos, wenn sie niemand ausführt. Für alles, was Sie in Snowflake überwachen möchten, können Sie das SQL in einen geplanten Task mit einer Notification Integration verpacken und so einen eigenen Monitor bauen, der Alerts an Slack oder Teams sendet. Wenn Sie es besonders unkompliziert haben möchten, werfen Sie einen Blick auf die Monitore in SELECT.

Warehouses passend zu Intelligence-Workloads dimensionieren

Die oben genannten Gebühren decken die KI-Kosten für Text-to-SQL ab. Für die Ausführung des von Cortex Analyst generierten SQL fallen zusätzliche Warehouse-Kosten an. Starten Sie für Analyst-Queries mit einem X-Small- oder Small-Warehouse. Die SQL-Generierung selbst ist günstig; die Query-Ausführung kann teuer werden, wenn Sie überdimensionierte Warehouses einsetzen.

Semantic Views strategisch entwerfen

Schlecht entworfene Semantic Views machen Agenten langsam und teuer. Folgen Sie diesen Prinzipien:

Klein anfangen, schrittweise erweitern. Beginnen Sie mit 3 bis 5 zentralen Tabellen und den häufigsten Fragen. Eine eng umrissene Semantic-Datei sorgt für höhere Präzision und Genauigkeit der Ergebnisse. Weitere Tabellen können Sie jederzeit ergänzen.

Repositories mit verifizierten Queries aufbauen. Das sind Beispielfragen mit validiertem SQL, die die Genauigkeit erheblich verbessern. Bei ähnlichen Nutzerfragen kann Cortex Analyst auf diese Beispiele zurückgreifen:

verified_queries:
  - name: "total revenue last quarter"
    question: "What was total revenue in Q4?"
    sql: |
      SELECT SUM(revenue_amount)
      FROM fact_sales
      WHERE sale_date >= '2024-10-01'
        AND sale_date < '2025-01-01'
    verified_result: 1250000.00

Sprechende Namen verwenden und Synonyme ergänzen. Heißt Ihre Tabelle dim_product_category_master, geben Sie ihr business-taugliche Bezeichnungen:

dimensions:
  - name: product_category
    synonyms: ["category", "product type", "product class"]
    description: "High-level product grouping (Electronics, Clothing, etc.)"

Nutzungskontingente pro Nutzer oder Rolle umsetzen

Snowflake Intelligence bringt keine eingebauten Kontingente pro Nutzer mit – Sie können sie aber über Resource Monitors auf den von Agenten genutzten Warehouses umsetzen:

-- Create a resource monitor for Intelligence usage
CREATE RESOURCE MONITOR intelligence_monthly_quota
  WITH CREDIT_QUOTA = 500
  FREQUENCY = MONTHLY
  START_TIMESTAMP = IMMEDIATELY
  TRIGGERS
    ON 75 PERCENT DO NOTIFY
    ON 90 PERCENT DO NOTIFY
    ON 100 PERCENT DO SUSPEND;

-- Assign to Intelligence warehouses
ALTER WAREHOUSE intelligence_warehouse
  SET RESOURCE_MONITOR = intelligence_monthly_quota;

Cortex-Search-Dienste optimieren

Die Suchkosten hängen stark davon ab, wie Sie den Dienst konfigurieren. Beachten Sie folgende Richtlinien:

Passende Target Lags setzen. Ändern sich Ihre Dokumente selten, nutzen Sie längere Refresh-Intervalle:

-- For static documentation
CREATE CORTEX SEARCH SERVICE product_docs_search
  ON document_text
  TARGET_LAG = '24 hours'  -- Instead of default 1 hour
  ...

Suchumfang nach Möglichkeit eingrenzen. Wenn Agenten nur aktuelle Dokumente benötigen, ergänzen Sie Filter:

CREATE CORTEX SEARCH SERVICE support_tickets_search
  ON ticket_text
  ATTRIBUTES customer_id, ticket_date, severity
  WHERE ticket_date >= DATEADD(year, -1, CURRENT_DATE())
  ...

Snowflake Intelligence macht Unternehmensdaten über natürliche Sprache auch für Anwender ohne technischen Hintergrund zugänglich und verzahnt strukturierte und unstrukturierte Datenquellen nahtlos. Der Schlüssel zur Kostenkontrolle liegt darin, die einzelnen Komponenten zu verstehen: Cortex Analyst für die SQL-Generierung, virtuelle Warehouses für die Query-Ausführung, Cortex Search für unstrukturierte Daten und LLM-Orchestrierung als verbindendes Element.

Starten Sie schlank mit einer fokussierten Semantic View, die Ihre wichtigsten Kennzahlen abdeckt, beobachten Sie die Nutzung engmaschig und erweitern Sie schrittweise, sobald Sie Ihre Kostentreiber kennen. Vor allem: Hinterlegen Sie Alerts auf diesen Monitoring-Abfragen, damit Sie Kostenausreißer erkennen, bevor sie auf Ihrer Rechnung landen.

Erzählen Sie uns, wie Sie Snowflake Intelligence einsetzen! Wir freuen uns auf Praxisberichte: Welche Use Cases rechtfertigen die Kosten – und wo haben Sie den größten ROI erlebt?

Jeff ist Data- und Analytics-Consultant mit über 15 Jahren Erfahrung darin, Insights zu automatisieren und Geschäftsprozesse datenbasiert zu steuern. Technologisch liegt sein Schwerpunkt auf Snowflake + dbt + Tableau. Inhaltlich bringt er Erfahrung aus den Bereichen öffentliche Versorgung, klinische Studien, Verlagswesen, Konsumgüter und Fertigung mit. Schreiben Sie ihm jederzeit: [email protected].