Coco et CoWork : Snowflake dope sa plateforme à l’IA agentique

Snowflake Intelligence disparaît, car « trop restreint »

Quant à CoWork, ce nom n’aurait pas été choisi pour « imiter Anthropic », mais pour compléter CoCo. « CoWork était le nom qui se rapprochait le plus de notre intention », justifie le dirigeant.

« L’ambition derrière ces deux produits reste la même », assure Sridhar Ramaswamy. « Vous pouvez les utiliser pour exploiter la puissance de l’IA agentique afin de réaliser des tâches techniques avec CoCo et des tâches non techniques incroyablement rapidement avec CoWork ».

Toutefois, le CEO le reconnaît. « CoWork s’inscrit dans une catégorie d’outils similaire à celle de Copilot ». Une catégorie imaginée par Anthropic. « Anthropic a fait beaucoup de choses innovantes très rapidement », avance-t-il. Les deux acteurs ont annoncé un prolongement de leur partenariat, dont les intentions restent vagues, hormis l’intégration des modèles du fournisseur de LLM à tous les étages de la plateforme de gestion de données.

« Nous nous sommes rendu compte que l’orientation initiale de Snowflake Intelligence était trop restreinte par rapport au potentiel disruptif d’un outil comme celui-ci. Il peut changer la manière dont les gens travaillent », ajoute Christian Kleinerman, vice-président exécutif du Produit chez Snowflake.

Snowflake Intelligence était l’interface conversationnelle de l’éditeur. Elle devait originellement servir à « discuter » avec l’entrepôt de données cloud en langage naturel au lieu d’écrire directement les requêtes SQL. Très rapidement, l’outil est devenu un moyen de créer des tableaux de bord à travers le framework Vega Lite. D’autant que Snowflake a créé des vues sémantiques pour organiser les données triées sur le volet, celles qui doivent permettre aux métiers de prendre des décisions avisées.  

Cette fonctionnalité ne disparaît pas avec CoWork. Elle est même renforcée. Avec les artefacts, il est possible de sauvegarder les diagrammes, les conversations, les analyses tout en maintenant les droits d’accès gérés par les administrateurs. Les développeurs peuvent utiliser CoCo pour créer des tableaux de bord certifiés. Si l’on retrouve une fonctionnalité disponible de longue date dans les outils de BI traditionnel, elle permet aussi de les interroger et de les analyser en langage naturel.

Qu’y a-t-il de véritablement nouveau ? L’éditeur ajoutera des capacités pour créer des agents personnalisés, pour se partager des « skills » (bientôt en préversion publique), pour bénéficier d’une mémoire personnelle (en préversion publique prochainement également), et pour utiliser des flux de travail capable d’automatiser des tâches. Un catalogue de Skills et de serveurs MCP seront également disponibles. L’un d’entre eux visera à connecter CoWork à Excel. L’on peut imaginer un moyen de traiter des données en provenance de Snowflake ou d’ingérer des données qui ne sont pas présentes dans le Data Cloud.

Avant cela, CoWork aura le droit à une application mobile sur iOS et à une fonction de recherche profonde multiagent (Deep Research).

Plus tard, une capacité permettra de comprendre les schémas, les métriques et le contexte métier. Celle-ci s’appelle Cortex Sense et sera « bientôt » disponible en préversion privée. Elle devra automatiser la configuration des métadonnées, de créer des ontologies et de se connecter à des lexiques spécialisés dans des domaines métiers (finances, ventes, etc.). Le tout peut être gouverné à travers la couche Horizon.

Snowflake Cowork permet ensuite de rédiger des brouillons d’emails, de mettre à jour des tickets, ou encore de pousser des résultats dans Slack (bientôt en préversion privée).

CoCo devient un Claude Code à la sauce Snowflake

CoCo – ex Cortex Code, en disponibilité générale partielle, est accessible depuis un IDE, un CLI ou depuis l’interface Snowsight au sein du Data Cloud. L’outil peut notamment rédiger des notebooks SQL ou Python, répondre à des questions sur la consommation de crédits, la performance des requêtes, la gouvernance de Snowflake, coder une application Streamlit, etc. Coco inclut un mode éditeur pour modifier des propositions de code et un mode agent où ce dernier exécute des flux de travail multiétape.

L’outil a par ailleurs le droit à des sandbox locales, des API asynchrones, une intégration avec Slackbot, des skills partageables et des plugins pour Excel, VS Code et Claude Code. CoCo devient petit à petit disponible depuis une application desktop Windows et macOS. Sans oublier la prise en charge de serveurs MCP et d’ACP (Agent Client Protocol, compatible avec Zed, Jetbrains, VS Code, Goose, Neovim et SnowWork).

Tenter de se différencier face à la masse d’outils agentiques

Problème, Copilot Cowork, Claude Cowork et d’autres outils similaires peuvent faire la même chose en se connectant aux serveurs MCP de Snowflake.

Pour Sridhar Ramaswamy, CoCo et CoWork permettent de mieux comprendre les usages spécifiques à Snowflake, dont l’écriture de pipelines de données ou la création de tableaux de bord. « CoCo peut d’ailleurs renseigner et générer des pipelines Apache Airflow ou dbt », assure-t-il.

Apache Airflow et dbt sont deux orchestrations de transformation de données populaires au sein de la communauté de Snowflake.

Dans un billet de blog, les ingénieurs de Snowflake affirment « qu’en comparaison de Claude Code avec Opus 4.7, CoCo utilise 51 % moins de tokens et 8 % plus rapidement ». L’IDE agentique utiliserait une sélection plus fine des données sources et des outils pour accomplir une tâche. Si les clients sont sélectifs, ils peuvent a priori reproduire la même capacité avec d’autres outils du marché. Sur son stand, OpenAI montrait qu’il était possible de mettre en place ses outils pour faire la même chose, sans préciser la consommation de tokens.

Auprès des investisseurs, Snowflake a assuré que Coco et CoWork couplé à la couche sémantique Cortex Sense auront une précision de 86,3 % quand ils sont soumis aux questions les plus complexes, contre 47,1 %, sans couche sémantique. Les agents externes de type Claude Code ou OpenAI Cortex équipés des serveurs MCP de Snowflake n’obtiendraient qu’un score de 24,1 %. Surtout, CoCo et CoWork associés à Cortex Sense ne coûteront en moyenne que 0,59 dollar par prompt, contre 1,76 dollar par prompt pour les IDE des fournisseurs de LLM. À première vue, ce calcul semble peu réaliste.

C’est avec les mêmes arguments en tête que Databricks, rival de Snowflake, a lancé en mars dernier Genie Code, un complément à son Genie, son assistant BI et SQL. Genie Code dispose des mêmes fonctions de base que CoCo et aurait un taux de succès de 77 % sur les tâches de data science, contre 32 % pour Codex ou Claude Code.

Selon Christian Kleinerman, Snowflake était principalement perçu comme un éditeur concentré sur le back-end. La disponibilité de ces deux outils, « montre que l’IA fait évoluer les choses et ouvre des opportunités ».

LLM : Anthropic et OpenAI, les deux partenaires de prédilection de Snowflake

Autre point de distinction, CoCo et Cowork sont censés donner accès à plusieurs LLM. Dans les faits, avec CoCo, il y a deux fournisseurs listés : OpenAI et Anthropic (Claude Opus 4.6 et 4.7, Claude Sonnet 4.6 et 4.5, GPT-5.4, 5.5 et 5.2, Claude Opus 4.8 est sur la feuille de route). Le choix reste donc limité et les LLM ne sont pas disponibles dans toutes les régions cloud. « Il nous faut des modèles très performants pour propulser ces fonctions », argue Benoît Dageville, cofondateur et président du produit chez Snowflake, lors d’un point avec la presse française.

En interne, le DSI de Snowflake, Mike Blandina, explique que les usagers de CoCo peuvent utiliser des modèles Mistral AI. Ils n’étaient pas présents depuis l’interface de démonstration présentée par l’éditeur sur place. Lors du Snowflake Summit, l’éditeur a dit renforcer son partenariat avec Anthropic. Benoît Dageville a assuré que l’accord avec OpenAI d’une valeur de 200 millions de dollars est tout aussi important.

Avec CoWork, l’API Cortex Agent route à l’aide d’un LLM (non précisé) la requête de l’utilisateur et les données structurées ou non structurées vers l’agent IA le plus adapté pour effectuer la tâche. Les clients peuvent développer leurs propres agents IA ou utiliser Cortex Search et Cortex Analyst.

Cortex Analyst peut s’appuyer sur Claude Sonnet 4.6, Sonnet 4.5, GPT-4.1, Arctic Text2SQL R1.5, Mistral Large 2 et Llama 3.1 70B. Cortex Search s’appuie sur les modèles d’embedding maison de Snowflake et Voyage de MongoDB. Le client choisit ensuite le LLM pour la génération des résultats par le système RAG.

Sur scène, l’éditeur a mis en avant la disponibilité des modèles de Mistral AI, de DeepSeek, d’Anthropic, d’OpenAI, de Google, et de SpaceXAI tout en mentionnant ses propres LLM, Arctic. En réalité, ils servent à propulser certaines fonctions IA SQL, moins à bâtir des agents de programmation.

Cortex Training : réentraîner les LLM pour les tâches agentiques

Dans certains cas, à l’instar de Mistral AI, Snowflake croit en la pertinence du réentraînement des modèles. C’est la raison pour laquelle l’éditeur a dévoilé la future préversion publique de Cortex Training, un service d’entraînement qui a déjà un client : Resolve AI, un spécialiste des services on-call propulsés par IA. La startup cofondée par Spiros Xanthos (un des responsables de l’avènement d’OpenTelemetry chez Splunk) engagera « plusieurs millions » sur deux ans pour affiner des modèles open weight. Il fera de l’apprentissage par renforcement à partir de données propriétaires.

Du fait des coûts plus élevés de l’IA agentique, « vous allez voir un intérêt beaucoup plus marqué pour la distillation et les modèles open weight, qui peuvent être nettement plus petits et moins chers », anticipe Sridhar Ramaswamy.

Avec Cortex Training, Snowflake promet de doubler l’efficacité GPU, mais cette estimation repose sur des « évaluations initiales de clients » dont le nombre et les conditions ne sont pas précisés. LeMagIT imagine que cela concerne aussi l’accord pluriannuel avec AWS. Celui-ci vise en partie à accélérer l’adoption de l’IA, prendre en charge les puces Graviton et les services d’IA du géant du cloud. Les deux acteurs mentionnent le recours à des instances EC2 propulsés par des GPU.

Cortex portait déjà des fonctions de fine-tuning pour des modèles Llama 3, mistral 7B et Mistral 8x7B, mais cette capacité n’a pas été mis à jour récemment, selon la documentation.

Il y a toutefois des clients intéressés par le recours à des modèles open weight à des fins de personnalisation.

« Selon moi, l’indépendance vis-à-vis des modèles est un facteur déterminant, et le restera », poursuit Sridhar Ramaswamy. « Si des innovations majeures se manifestent au sein du domaine des modèles open source, nous sommes en réalité mieux placée pour les exploiter et réduire rapidement les coûts pour nos clients par rapport, par exemple, à une entreprise dont l’activité repose entièrement sur la création de modèles propriétaires et sur leur facturation à des prix élevés ».