Snowflake Intelligence a co umí

Co je Snowflake Intelligence

Snowflake Intelligence je agentická aplikace přímo v Snowflake, která je od listopadu produkčně dostupná. Stručně: business uživatel se ptá v přirozeném jazyce, agent rozumí firemní doméně a vrátí odpověď — nejen číslo, ale i graf a citaci ze zdrojového dokumentu, pokud je potřeba.

Klíčový rozdíl proti všemu, co jste z chatbotů zvyklí: agent současně pracuje se strukturovanými i nestrukturovanými daty. Tabulky stojí vedle e-mailů, smluv, zápisů z porad nebo přepisů hovorů z call centra. Otázka „roste churn u premium klientů a co o tom říkají v exit interviews?“ už není dva tickety pro dva týmy — je to jeden dotaz.

Čím se liší od dashboardu

Snowflake Intelligence dashboardy nenahrazuje. Řeší tu část práce, na kterou dashboardy nikdy nestačily.

• Statický → konverzační. Dashboard ukazuje, co někdo předpřipravil. Agent odpovídá i na otázky, na které dashboard nebyl předem připravený.
• Jen čísla → čísla i kontext. Dashboard ukáže, že NPS (Net Promoter Score, standardní metrika spokojenosti zákazníků) klesl. Agent řekne proč — protože sahá i do stížností a exit interviews a vrátí konkrétní citace.

Pro analytika → pro každého. Žádná SQL znalost. Žádné čekání na ticket v Jiře. Otázka v běžném jazyce, odpověď za sekundy. Datový tým má místo věčného odpovídání na tickety prostor řešit to, na čem nejvíc záleží — kvalitu dat a jejich definice.

Z čeho se skládá agent

Aby tohle všechno fungovalo spolehlivě, dává Snowflake dohromady pět komponent. Každá z nich má jednu jasnou roli.

Cortex Agent je orchestrátor. Dostane otázku, rozdělí ji na podúkoly a rozhodne, který nástroj použít na kterou část. Plánuje, volá nástroje a vrací finální odpověď i s vysvětlením, jak k ní došel.

Cortex Analyst umí překládat přirozený jazyk do SQL. Otázka „kolik klientů jsme získali v Q1 2026?“ se promění v dotaz nad analytickými tabulkami a odpověď přijde i s automaticky vygenerovaným grafem.

Cortex Search je sémantické vyhledávání nad nestrukturovaným textem — e-maily, stížnostmi, smlouvami, zápisy z porad. Najde i to, co není shoda na klíčové slovo, ale na význam.

Custom tools jsou vlastní funkce, které agent může volat. Typicky to bývá odeslání výsledku e-mailem, notifikace do Teams, založení ticketu v ticketovacím systému nebo spuštění dbt jobu, který přepočítá podkladová data. Z analytického pomocníka se tím stává nástroj, který nejen odpoví, ale i jedná.

Sémantická vrstva je „mapa firmy v jazyce businessu” — logické tabulky, dimenze, metriky a synonyma. Bez ní by agent musel hádat, co znamená „aktivní klient” nebo „churn rate”. Se sémantickou vrstvou existuje jedna definice, kterou používá celá firma a kterou agent dokáže důvěryhodně používat.

Jak to vypadá v praxi

Představte si, že jste manažer pobočkové sítě. Otevřete chat a zeptáte se: „Jak si vede pobočka v Brně?“ Agent odpoví čísly, grafem a citacemi ze stížností — vše v jedné odpovědi. Přesně takový scénář umožňuje agent, kterého jsme v Revolt BI postavili nad fiktivní retailovou bankou CentralBank Digital (CZ, SK, AT). Agent kombinuje strukturovaná data o pobočkách, klientech, transakcích, úvěrech, NPS a churnu s nestrukturovanými zdroji — přepisy hovorů z call centra, stížnostmi, exit interviews a interními procesy.

Co umí ukázat:

1. Klasická metrika. „Které pobočky mají nejnižší NPS?“ — Cortex Analyst vygeneruje SQL, vrátí čísla a sám k nim přidá graf:

2. Kombinovaný dotaz. Teď ten zajímavý: „Pobočka Brno-Královo Pole má nejnižší NPS. Co říkají stížnosti a přepisy hovorů klientů z této pobočky?“ Agent si rozdělí úkol na dvě části. Cortex Analyst vytáhne čísla — ukáže, jak nízké NPS v Brně-Králově Poli je a jak se liší od zbytku sítě. Cortex Search ke stejné otázce prohledá stížnosti a přepisy hovorů, najde opakující se témata — od dlouhých čekacích dob přes neprofesionální chování personálu až po nekompetentní poradenství — a vrátí konkrétní citáty s odkazy na zdrojové dokumenty (čísla v kroužcích).

Výsledkem je ucelená odpověď, kterou by analytik psal hodinu — a ve které jsou čísla a kontext na jednom místě. Agent ji navíc vrátí za pár sekund. Žádný ticket. Žádné čekání.

A přesně tohle je ten posun. Není to lepší dashboard. Je to první nástroj, který „proč to tak je a co s tím” odbaví v jednom kroku.

Sdílení výsledků s týmem — Artifacts

Bez Artifactů zůstával každý výsledek jednorázový. Teď ho můžete znovu otevřít, refreshnout, nebo poslat dál.

Od března 2026 přidal Snowflake do Snowflake Intelligence funkci Artifacts (zatím v preview). Každý výsledek si můžete uložit jako Artifact — perzistentní objekt, který si pamatuje graf nebo tabulku, podkladová data i kontext otázky. Místo přeposílání screenshotů pak sdílíte živý odkaz a data se v něm dají kdykoliv obnovit.

Důležité je, že sdílení respektuje stávající oprávnění: kolega v Artifactu uvidí jen ta data, ke kterým má v Snowflake přístup. A když chce navázat další otázkou, agent si pamatuje původní kontext — takže nemusí celý dotaz formulovat znovu.

Co je potřeba, aby vznikl agent ve vaší firmě

Snowflake Intelligence není služba, kterou si zaplatíte a zítra to běží. Je to nadstavba nad dobře připravenou datovou základnou. Klíčové kroky:

1. Mít data v Snowflake. Strukturovaná v tabulkách, nestrukturovaná (e-maily, dokumenty, přepisy) klidně jako texty.
2. Postavit sémantickou vrstvu nad doménou, kterou má agent pokrýt — definice tabulek, vztahů, metrik a synonym. Tohle je nejdůležitější krok ze všech — kvalita odpovědí stojí právě na něm.
3. Vytvořit Cortex Search index nad nestrukturovanými zdroji. Snowflake nabízí i vícejazyčné embedding modely — pro česká data je to praktická volba.
4. Postavit agenta ve Snowsight UI nebo přes SQL — propojit sémantickou vrstvu, search service, doplnit instrukce a ukázkové otázky.
5. Nastavit přístupy. Agent dědí stávající RBAC. Každý uživatel vidí jen to, co smí vidět v podkladových datech — žádný paralelní svět oprávnění.
6. Iterovat na kvalitě. První verze agenta nikdy nesedí na sto procent. Postupně se doplňují synonyma, sample values, nastavení metrik a ověřené formulace dotazů, kterým má agent rozumět.

Kdy se Snowflake Intelligence vyplatí

Snowflake Intelligence sedí firmám, kde:

• data jsou (nebo brzy budou) v Snowflake a primární zdroje pravdy jsou jednoznačně určené,
• existuje opakovaná frustrace s tím, že business čeká na BI tým u otázek, které by si rád zodpověděl sám,
• reálné otázky vyžadují kombinaci čísel a kontextu — stížnosti, e-maily, smlouvy,
• governance je tvrdý požadavek a řešení musí dědit existující access policies.

Podmínkou je ale pořádek v datech. Bez semantické vrstvy, bez jasného ownera business definic a s nekonzistentní datovou kvalitou agent odpovídá nespolehlivě — a každá špatná odpověď ubírá z důvěry, kterou potřebuje, aby ho lidé používali.

Co si z toho odnést

Snowflake Intelligence neobchází datový tým. Naopak ho přesouvá z reaktivního „udělej mi report” do role, ve které definuje sémantickou vrstvu, kvalitu dat a hranice agentů. Dashboardy zůstanou tam, kde jsou užitečné — pro opakované přehledy a operativní řízení. Ale otázky „proč” a „co s tím” začnou končit u agenta, ne v inboxu analytika.

Daša Evelin Kiss

BI & Data Engineer s praktickými zkušenostmi v analytice, datovém inženýrství a obchodním reportingu, získanými ve velkých organizacích.

---

Prakticky ovládá Snowflake, dbt, SQL a Power BI – staví a spravuje datové pipeline, dashboardy. Věnuje se také Snowflake Intelligence a tvorbě AI agentů pro analytiku nad daty. Klade důraz na kvalitu dat a rozhodování založené na datech.

Zvažujete agenta nad svými daty v Snowflake?

Stačí nám napsat nebo si domluvit krátkou konzultaci — projdeme s vámi vaše data a ukážeme, jak by agent ve vaší doméně vypadal.