Snowflake CoCo: KI-Inferenz bleibt innerhalb des Sicherheitsperimeters

Jeder Platform-Lead, der im Budget 2026 eine Position für „KI-gestützte Coding-Unterstützung für das Datenteam" führt, muss in den nächsten 90 Tagen eine konkrete Anbieterfrage beantworten: Läuft der Agent innerhalb der eigenen Governance-Grenzen, oder sendet er Schemata und Abfragehistorie an einen fremden Inferenz-Endpunkt? Snowflake hat diese Frage nun schwerer umgehbar gemacht. Der Launch von CoCo, dem Coding-Agenten für Data Engineers, ist weniger eine Produktgeschichte als eine Beschaffungsgeschichte.

Was passiert ist

Am 4. September veröffentlichte Snowflake Sales Engineer Jeremiah Hansen einen Beitrag, in dem er CoCo vorstellte – einen KI-Coding-Agenten, der gezielt auf Data Engineers ausgerichtet ist, die reproduzierbare Pipelines bauen. Wie StartupHub.ai berichtete, stellt Hansen Reproduzierbarkeit statt roher Code-Generierung in den Mittelpunkt – ein bemerkenswerter rhetorischer Schachzug in einem Markt, in dem noch alle Anbieter über Tokens-per-Second und Benchmark-Scores konkurrieren.

CoCo wird in drei Oberflächen ausgeliefert, die dieselbe zugrunde liegende Intelligenz teilen: ein CLI für die Terminalarbeit, ein VS Code-basierter Desktop-Client und eine installationsfreie Version, die direkt in Snowsight für lang laufende Cloud-Aufgaben eingebettet ist. Die architektonische Kernaussage ist, dass Inferenz innerhalb der Snowflake-Infrastruktur verbleibt. Schemata, Warehouse-Konfigurationen und Abfragehistorie werden unter denselben Governance- und Klassifizierungsrichtlinien verarbeitet, die der Kunde bereits nutzt – nicht über einen Drittanbieter weitergeleitet.

Der Agent wird mit integrierten Skills für Dynamic Tables, Snowpipe Streaming, Openflow, Spark-Migration, dbt, Snowpark und DCM ausgeliefert. Diese Skills aktivieren sich, wenn ein Prompt zum jeweiligen Fachgebiet passt, sodass nicht bei jedem Aufruf alle Fähigkeiten in den Kontext geladen werden. Hansen ist offen über das Fehlerszenario: Agenten sind per Design nichtdeterministisch, und wenn man einen direkt in die Produktion schreiben lässt – ohne dbt, schemachange, Flyway oder Terraform im Prozess –, entstehen fragile Deployments. Snowflakes Antwort lautet: Paketierung. Team-Konventionen leben in SKILL.md-Dateien. Plugins bündeln Skills zusammen mit Subagenten, Slash-Kommandos, Hooks und MCP-Servern und werden als versionierte Einheiten über eine Registry mit den Befehlen cortex plugin validate, install und update ausgerollt.

Technische Anatomie

Zieht man die Marketing-Schicht ab, besteht CoCo im Kern aus zwei Designentscheidungen. Die erste betrifft den physischen Ort der Inferenz. Die zweite betrifft die Art, wie Team-Wissen kodiert und versioniert wird.

Zur Inferenzgrenze: Die meisten generischen Coding-Agenten senden Kontext an eine externe LLM-API. Bei einem Data-Engineering-Workload umfasst dieser Kontext Tabellenschemata, Spaltennamen, Beispielzeilen, Abfragehistorie und oft den Abfrageplan selbst. Das ist genau die Nutzlast, die ein regulierter iGaming-Betreiber, ein Zahlungsdienstleister oder das Analytics-Team einer Bank rechtlich nicht ohne Datenverarbeitungsvertrag an einen Dritten weitergeben kann – und selbst dann oft nicht. Dass Snowflake die Inferenz innerhalb seines Perimeters hält, bedeutet, dass die Klassifizierungstags, die ein Kunde bereits unter bestehenden Governance-Richtlinien vergeben hat, auch während des Reasoning-Schritts des Agenten weitergelten. Das ist kein Nice-to-have. Es entscheidet darüber, ob es heißt „wir können das pilotieren" oder „die Rechtsabteilung hat es im Review gestoppt".

Zur Paketierungsschicht: SKILL.md ist im Wesentlichen eine Convention-as-Code-Datei. Sie kodiert, wie ein bestimmtes Team dbt-Modelle schreibt, Dynamic Tables benennt und Snowpark-Jobs strukturiert. Ein Plugin bündelt einen oder mehrere Skills mit der ausführbaren Maschinerie: Subagenten für Teilaufgaben, Slash-Kommandos für Operatoren, Hooks für Lifecycle-Events und MCP-Server für den Zugriff auf externe Tools. Das Registry-Modell mit validate, install, update ist direkt aus dem Paketmanager-Denken entlehnt. Das ist bedeutsam, weil ein Platform-Team seine Hausregeln damit genauso versionieren kann wie Terraform-Module oder dbt-Pakete. Die dbt-Dokumentation zeigt, welche Reife dieses Muster in der Transformationsschicht erreicht hat; CoCo versucht, dieselbe Disziplin in das Agentenverhalten zu importieren.

Hansens Warnung vor Nichtdeterminismus ist der ehrliche Teil. Kein Maß an Skill-Paketierung macht ein LLM deterministisch. Was es tut, ist den Schadensradius einzugrenzen. Wenn der Agent dbt-Modelle oder schemachange-Migrationen produzieren muss statt rohem DDL direkt gegen die Produktion, erhält man Code-Review, CI und Rollback als kostenlose Nebenprodukte der bestehenden Deployment-Pipeline. Das ist der eigentliche Reproduzierbarkeitanspruch – nicht dass der Agent wiederholbar ist, sondern dass seine Ausgaben in Systemen landen, die es bereits sind. Snowflakes eigene Plattformdokumentation definiert letztlich die Grenze zwischen Agentenausgabe und gesteuertem Deployment.

Wer es unmittelbar spürt

Drei Gruppen spüren diesen Schritt sofort.

Erstens die unabhängigen KI-Coding-Agent-Anbieter, die auf Datenteams abzielen. Jedes Startup, dessen Pitch lautete „wir integrieren uns in Snowflake und geben Ihren Engineers Copilot-for-SQL", hat soeben beobachtet, wie der Plattforminhaber einen nativen, perimeter-internen Konkurrenten mit vorgeladenen Skills für genau die Snowflake-Oberflächen ausgeliefert hat, die sie umhüllten. Die Build-vs-Buy-Rechnung für einen Head of Platform hat sich über Nacht verändert. Wer Snowflake bereits siebenstellig im Jahr bezahlt, hat einen deutlich kürzeren Beschaffungszyklus für einen First-Party-Agenten, der die eigenen Governance-Richtlinien erbt, als für das Onboarding eines neuen Anbieters, die Aushandlung eines Datenverarbeitungsvertrags und die Einrichtung von Netzwerk-Egress-Regeln für einen Drittanbieter-Inferenzendpunkt.

Zweitens Databricks-lastige Shops mit gemischten Workloads. Snowflakes Botschaft lautet nun: „Ihr Agent bleibt hinter dem Zaun." Das ist eine Wettbewerbspositionierung, auf die Databricks antworten muss – und die Antwort wird wahrscheinlich eine tiefere Integration von Coding-Agenten in die Databricks-Governance-Schicht beinhalten. Teams, die gerade zwischen Plattformen für einen neuen Greenfield-Analytics-Aufbau entscheiden, sollten damit rechnen, dass die Agenten-Story innerhalb des Quartals Teil der Ausschreibung wird.

Drittens der Einstellungsmarkt für erfahrene Data Engineers. Wenn CoCo die skill-basierte Automatisierung für Spark-Migration, dbt-Authoring und Snowpipe-Streaming-Konfiguration tatsächlich liefert, sinkt der Grenzwert eines Mid-Level-Data-Engineers, der hauptsächlich Boilerplate-Transformationen schreibt. Die Prämie verlagert sich zu Engineers, die SKILL.md-Konventionen verfassen, Plugin-Architekturen entwerfen und die Deployment-Disziplin durchsetzen können, die Hansen als verbleibendes Gap benannt hat. Das ist dieselbe Bifurkation, die der Software-Engineering-Markt mit Copilot durchgemacht hat – sie kommt jetzt für Data-Platform-Rollen.

Der CFO bei jedem Snowflake-Kunden sollte seinen VP Data diese Woche fragen, ob der bestehende externe KI-Coding-Tool-Vertrag fristlos gekündigt werden kann und wie das Credit-Verbrauchsprofil von CoCo im Vergleich zu den eingesparten Lizenzkosten aussieht. Die Unit Economics für CoCo-Inferenz gegen Snowflake-Credits hat noch niemand veröffentlicht, und bis diese Rechnung auf dem Tisch liegt, ist „es ist in der Plattform enthalten" ein Marketing-Satz, keine Budgetposition.

Playbook für Datenteams

Für Platform-Leads, die das im nächsten Sprint evaluieren, kommt es auf die Reihenfolge an.

Beginnen Sie mit einem Inventar aller KI-gestützten Daten-Tools, die Ihr Team nutzt, und prüfen Sie, welche davon Schema, Abfragehistorie oder Beispieldaten außerhalb Ihres Snowflake-Perimeters senden. Dieses Inventar ist der Compliance-Fall für den Pilot von CoCo und die Munition, die Sie brauchen, wenn die Beschaffungsabteilung die Wechselkosten anspricht.

Als Nächstes: Lassen Sie CoCo nicht direkt in die Produktion schreiben. Hansen hat es gesagt, und er hat recht. Leiten Sie die Ausgabe des Agenten je nach berührter Schicht durch dbt, schemachange, Flyway oder Terraform. Behandeln Sie agentengenerierten Code genau wie Code von Praktikanten: Code-Review, CI-Checks, gestaffelter Rollout. Der Reproduzierbarkeitanspruch gilt nur, wenn Sie den deterministischen Wrapper liefern.

Investieren Sie dann Engineering-Zeit in das Schreiben von SKILL.md-Dateien, die die tatsächlichen Konventionen Ihres Teams kodieren. Benennungsmuster für Dynamic Tables, Heuristiken zur Warehouse-Dimensionierung, Tagging-Standards. Hier verdient sich das Platform-Team in der Agenten-Ära seinen Platz. Generische Skills produzieren generischen Code. Kodierte Konventionen produzieren Code, der Ihren Review besteht.

Beobachten Sie abschließend die Reife der Plugin-Registry genau. Ein versionierbares, validierbares Plugin-System ist der Unterschied zwischen Agenten als Spielzeug und Agenten als Infrastruktur. Wenn Snowflake hier ein echtes Ökosystem aufbaut, werden Drittanbieter-Skill-Autoren folgen und das Lock-in wird tiefer. Wenn die Registry stagniert, bleibt CoCo ein First-Party-Komfort-Feature und der Markt bleibt offen. Planen Sie das Budget entsprechend.

Wichtigste Erkenntnisse

• CoCo führt Inferenz innerhalb des Snowflake-Perimeters aus und beseitigt damit das Drittanbieter-LLM-Datenabfluss-Problem, das die meisten generischen Coding-Agenten für regulierte Workloads sperrt.
• Drei Oberflächen (CLI, VS Code Desktop, in-Snowsight) teilen dieselbe Intelligenz, wobei die Snowsight-Version auf lang laufende Cloud-Aufgaben ausgerichtet ist.
• Integrierte Skills decken Dynamic Tables, Snowpipe Streaming, Openflow, Spark-Migration, dbt, Snowpark und DCM ab – aktiviert durch Prompt-Matching statt immer geladenen Kontext.
• Reproduzierbarkeit ergibt sich aus dem Deployment-Wrapper (dbt, schemachange, Flyway, Terraform), nicht aus dem Agenten selbst; Hansen war explizit darin, dass Agenten nichtdeterministisch bleiben.
• Das SKILL.md-plus-Plugin-Registry-Muster mit den Befehlen validate, install, update ist die eigentliche strategische Wette: Paketmanagement-Disziplin auf Agentenverhalten angewendet.