Snowflake

Kurzfazit

Snowflake ist die ernsthafteste Cloud-Datenplattform am Markt, und mit Cortex AI inzwischen auch eine der spannendsten KI-Plattformen. Die Idee: Daten und Rechenleistung sauber trennen, beides verbrauchsbasiert abrechnen, und LLMs (Claude, Llama, Mistral, Snowflakes eigenes Arctic-Modell) per SQL direkt an die Daten bringen, statt sie aus dem Warehouse zu exportieren. Wer große strukturierte Datenmengen hat und KI darauf laufen lassen will, ohne ein zweites Daten-Silo aufzubauen, findet bei Snowflake die heute beste Antwort. Wer aber kleine Datenvolumen, knappe Budgets oder kein Data-Engineering-Team hat, ist hier komplett falsch.

Für wen ist Snowflake?

Datengetriebene Konzerne und gehobener Mittelstand: Wer ein Enterprise Data Warehouse aufbaut oder migriert, kommt an Snowflake nicht vorbei. Die Trennung von Compute und Storage löst das alte Problem überdimensionierter Cluster, du zahlst Rechenleistung nur dann, wenn ein Job tatsächlich läuft.

ML-Teams mit großem Datenbestand: Cortex AI und Snowpark ML erlauben das gesamte ML-Lebenszyklus innerhalb der Plattform, Feature Engineering, Training, Modell-Registry und Inferenz, ohne Daten extern zu bewegen. Für regulierte Branchen ist das ein echter DSGVO-Hebel.

Branchen mit Data-Sharing-Bedarf: Versicherungen, Pharma, Finanzdienstleister und Konsumgüterhersteller, die Daten mit Partnern, Maklern oder Lieferanten teilen, profitieren vom Snowflake Data Sharing, Daten werden referenziert statt kopiert. Das ist ein einzigartiges Feature in dieser Klasse.

Berater und Datenanbieter: Über den Snowflake Marketplace können Datasets oder Anwendungen direkt an andere Snowflake-Kunden verkauft werden, eine ernstzunehmende Vertriebsfläche für Datenprodukte.

Weniger geeignet für: Startups und kleine Unternehmen mit wenigen GB Daten (zu teuer und zu komplex), Teams ohne Data-Engineering-Kompetenz (Cluster-Sizing und Query-Optimierung erfordern Expertise), und alle, die maximale Open-Source-Kontrolle wollen (Databricks ist für diesen Fall offener positioniert).

Preise im Detail

Edition	Compute (USD/Credit, EU-Frankfurt)	Was du bekommst
Standard	ca. 2,00	Grundfunktionen, Snowpark, Data Sharing, Verschlüsselung
Enterprise	ca. 3,00	Multi-Cluster-Warehouses, Time Travel bis 90 Tage, Materialized Views, Spaltensicherheit
Business Critical	ca. 4,00	Tri-Secret Secure (Kundenschlüssel), HIPAA, PCI-DSS, Failover, Private Connectivity
Virtual Private Snowflake	Auf Anfrage	Vollständig isolierte Snowflake-Instanz für höchste Sicherheitsanforderungen
Storage	ca. 23 USD/TB/Monat (on-demand)	Komprimierte Speicherung, fällt zusätzlich an
Cortex AI	Token-basiert	Pro Funktionsaufruf separat berechnet, Embedding, Completion, Translate etc.

Einordnung: Die Preisangaben sind Listenpreise und variieren je nach Cloud-Anbieter und Region. Wer ernsthaft kalkulieren will, braucht eine Capacity-Vereinbarung, meist ab sechsstelligen Jahresvolumina handelt Snowflake spürbare Rabatte aus. Das eigentliche Risiko liegt in der Verbrauchsdynamik: Eine schlecht geschriebene Query kann ein Warehouse stundenlang auf maximaler Größe halten und vierstellige Kosten in einer Nacht produzieren. Cost Governance (Resource Monitors, Auto-Suspend, Auto-Resume) ist Pflicht, nicht Kür. Cortex-AI-Funktionen werden zusätzlich nach verbrauchten Tokens abgerechnet, bei großvolumigen Embedding-Jobs lohnt der Vergleich mit dedizierten LLM-Anbietern.

Stärken im Detail

Trennung von Compute und Storage als Architektur-Prinzip. Snowflake war 2014 die erste Plattform, die diesen Schritt konsequent gegangen ist. Praktisch heißt das: Du kannst dein Data Warehouse über Nacht auf 0 herunterskalieren (Auto-Suspend nach wenigen Sekunden Leerlauf) und morgens innerhalb einer Sekunde wieder hochfahren. Storage läuft separat weiter, kostet vergleichsweise wenig. Im Vergleich zu klassischen On-Premise-Warehouses oder dauerhaft laufenden Cluster-Lösungen reduziert das die Compute-Kosten oft um 50 bis 80 Prozent.

Cortex AI bringt LLMs nativ an die Daten. Statt einen REST-Call an ein externes LLM zu senden, rufst du Funktionen wie AI_COMPLETE, AI_SUMMARIZE, AI_EMBED oder AI_EXTRACT direkt per SQL auf. Verfügbar sind Claude (Sonnet 4 und neuer), Llama 3.x, Mistral Large 2, Mixtral, Snowflakes eigenes Arctic-Modell und mehrere Embedding-Modelle. Die Daten verlassen die Snowflake-Plattform nicht, das ist für DSGVO-Compliance und für regulierte Branchen ein massiver Vorteil gegenüber dem Pattern „Daten exportieren, an OpenAI senden, Ergebnisse zurückspielen”.

Snowpark ML als ernstzunehmender ML-Stack. Snowpark erlaubt Python, Java und Scala direkt innerhalb von Snowflake, DataFrames im pandas-Stil, eigene Modelltrainings (XGBoost, scikit-learn, TensorFlow, PyTorch), Feature Stores mit konsistenter Trainings- und Inferenz-Logik, und ein Modell-Registry für Versionierung und Deployment. Inferenz läuft serverless auf Snowflake-Compute. Wer früher den Umweg über separate ML-Infrastruktur (SageMaker, Databricks ML) gehen musste, kann viele Workloads jetzt in der Datenplattform halten.

Data Sharing ohne Kopieren. Snowflake erlaubt es, Tabellen oder ganze Datenbanken mit anderen Snowflake-Konten zu teilen, Empfänger sehen die Daten in Echtzeit, ohne dass eine Kopie angelegt wird. Im B2B-Datenaustausch (Versicherer und Makler, Hersteller und Händler, Studien-Daten zwischen Pharma-Konzernen) ist das ein qualitativer Sprung gegenüber SFTP-Exporten oder API-Brücken. Über den Snowflake Marketplace lässt sich das auch monetarisieren.

EU-Regionen mit echter Verarbeitung in der EU. Snowflake ist in AWS Frankfurt (eu-central-1), Azure West Europe (Niederlande), GCP europe-west3 (Frankfurt) und mehreren weiteren EU-Standorten verfügbar. Der jeweilige Cloud-AVV gilt zusätzlich zum Snowflake-AVV. Für deutsche Mittelständler und Konzerne ist die Frankfurter AWS-Region der praktische Standard.

Schwächen ehrlich betrachtet

Kostenkontrolle ist eine Daueraufgabe. Verbrauchsbasiertes Pricing klingt fair, ist in der Praxis aber tückisch: Eine fehlerhaft geschriebene Query, ein vergessener Test-Job oder ein zu groß dimensioniertes Warehouse können über Nacht vierstellige Kosten verursachen. Snowflake bietet Resource Monitors und Tagging, aber die müssen aktiv eingerichtet, gepflegt und in einem FinOps-Prozess verankert sein. Wer das nicht mitdenkt, bekommt unangenehme Monatsrechnungen.

US-Hauptsitz bleibt ein Restrisiko. Auch wenn die Verarbeitung in Frankfurt läuft: Snowflake Inc. mit Sitz in Bozeman/Montana ist Vertragspartner und unterliegt US-Recht (CLOUD Act). Für stark regulierte Branchen (Behörden, Verteidigung, Gesundheits-Forschungsdaten) reicht das nicht aus, hier braucht es zusätzlich europäische Souveränitäts-Konstrukte oder echte EU-Anbieter wie Aleph Alpha für die KI-Schicht.

Cortex-Modellverfügbarkeit ist regional uneinheitlich. Nicht jede Cortex-Funktion läuft in jeder Region. Manche LLM-Modelle (z. B. die neuesten Claude-Versionen) sind in EU-Regionen erst mit Zeitverzug verfügbar oder erfordern Cross-Region-Inferenz, die zusätzliche Compliance-Prüfungen auslösen kann. Wer auf bestimmte Modelle angewiesen ist, sollte vor Implementierung die regionale Verfügbarkeit prüfen.

Vendor-Lock-in ist real und unterschätzt. Snowflake-spezifische Features (Time Travel, Streams, Tasks, Data Sharing, Cortex-Funktionen, Snowpark-Stored-Procedures) sind nicht portabel. Wer sie nutzt, und sinnvollerweise wird man sie nutzen, sonst lohnt Snowflake kaum, bindet sich faktisch fest. Eine Migration zu Databricks, BigQuery oder einer Open-Source-Lösung ist technisch möglich, aber ein mehrmonatiges Projekt mit erheblicher Code-Anpassung. Wer das vermeiden will, sollte Snowflake bewusst nur als SQL-Plattform nutzen, gibt aber damit einen Großteil des Wertversprechens auf.

Steile Lernkurve, knapper Talentpool. Snowflake-Engineers, die Cluster-Sizing, Query-Optimierung, Cost Governance und Cortex-Patterns beherrschen, sind im deutschsprachigen Markt rar und teuer. Externe Beratung (Snowflake-Partner) füllt die Lücke, kostet aber Tagessätze im oberen Berater-Segment. Wer ohne diese Kompetenz startet, baut sich teure Datensilos auf, ohne den Plattform-Vorteil zu realisieren.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Eine offenere, Notebook-zentrierte ML-Plattform mit starkem Spark-Erbe willst	Databricks
Tief in das Google-Cloud-Ökosystem integrierte SQL-/ML-Lösung brauchst	BigQuery ML
Eine voll-AWS-native, Notebook-basierte ML-Plattform mit eigener Modell-Bibliothek brauchst	Amazon SageMaker
Eine Microsoft-zentrische ML-Plattform mit Azure-Integration brauchst	Azure Machine Learning
Eine Low-Code-/No-Code-Oberfläche für Data Science und Citizen Data Scientists willst	Dataiku

Erwähnenswert ohne eigene Tool-Seite: Microsoft Fabric (die SaaS-Bündelung von Synapse, Power BI und Data Factory, interessanter Microsoft-Gegenentwurf), Teradata Vantage und Cloudera CDP (klassische Anbieter mit Hybrid-Optionen) sowie DuckDB und ClickHouse (für Analytics auf kleineren bis mittleren Datenmengen oft erstaunlich konkurrenzfähig). Snowflake bleibt der profilierteste Cloud-Datenplattform-Anbieter mit dem reifsten Cortex-AI-Stack, Databricks ist der Hauptkonkurrent und in vielen Vergleichen die ernstzunehmende Alternative.

So steigst du ein

Schritt 1: 30-Tage-Trial mit echtem Use Case starten. Snowflake bietet 400 USD Free-Credits über 30 Tage. Lade einen realistischen Datenausschnitt (mehrere GB, nicht nur ein Demo-CSV) und baue eine konkrete Frage nach: „Wie viel kostet uns die tägliche Aggregation auf einem X-Small-Warehouse?”, „Wie schnell läuft eine AI_SUMMARIZE-Funktion über 100.000 Support-Tickets?”. Die Antworten sind belastbarer als jeder Sales-Pitch.

Schritt 2: Cost Governance vor Produktiv-Migration aufsetzen. Bevor das erste Team Snowflake produktiv nutzt: Resource Monitors je Warehouse einrichten (Tageslimit, Monatslimit), Auto-Suspend auf 60 Sekunden setzen, Tagging für Kostenstellen verpflichtend machen, FinOps-Owner benennen. Ohne diese Hygiene wird Snowflake teuer, mit ihr ist es planbar.

Schritt 3: Cortex AI gezielt für Use Cases einsetzen, nicht flächendeckend. Cortex ist mächtig, aber pro Aufruf token-basiert kostenpflichtig. Sinnvolle Erstanwendungen: Klassifikation von Support-Tickets, Sentiment-Analyse von Bewertungen, Zusammenfassung interner Dokumente, Text-zu-SQL via Cortex Analyst. Nicht sinnvoll: jede einfache String-Operation gegen ein LLM laufen lassen, billiger und schneller geht das oft mit klassischem SQL.

Schritt 4: Mit zertifiziertem Snowflake-Partner zusammenarbeiten. Im DACH-Markt gibt es ein gutes Dutzend zertifizierter Snowflake-Partner (Accenture, Capgemini, Adastra, Synvert, datasolut, b.telligent u. a.). Für die initiale Architektur, das Datenmodell und die Cost-Governance lohnt sich externer Input, die ersten Architekturentscheidungen prägen die Plattform für Jahre.

Ein konkretes Beispiel

Ein deutscher Versicherer (rund 2.000 Mitarbeitende, Sitz in Köln) migriert sein über 15 Jahre gewachsenes Data Warehouse von Oracle Exadata auf Snowflake (AWS Frankfurt, Enterprise Edition). Die Datenmodellierung übernimmt ein interner Architektur-Lead mit zwei externen Snowflake-Beratern. Nach sechs Monaten laufen Schadenmeldungen, Vertragsdaten und Kundenkommunikation in Snowflake; klassisches Reporting (Power BI on Snowflake) ist abgelöst. Die eigentliche Wertschöpfung beginnt mit Cortex AI: AI_CLASSIFY kategorisiert eingehende Schadenmeldungen automatisch nach Schadenart, AI_EXTRACT zieht aus Dokumenten Schlüsselfelder (Versicherungsnummer, Schadendatum, Betrag), AI_SENTIMENT flaggt eskalationsgefährdete Kundenkommunikation für Frühintervention. Die Daten verlassen die Snowflake-Frankfurt-Region nicht, die Konzern-Compliance hat das Setup nach DSGVO-Folgenabschätzung freigegeben. Compute-Kosten: ca. 18.000 EUR/Monat im Steady State (Tendenz steigend mit weiteren Cortex-Workloads). Eingesparte Lizenzen: Oracle-Exadata-Wartung, zwei BI-Spezialinstanzen, ein separater ML-Cluster, zusammen rund 32.000 EUR/Monat. Plus erheblicher Produktivitätsgewinn im Schadenmanagement.

DSGVO & Datenschutz

• Datenhosting: EU-Regionen verfügbar, AWS Frankfurt (eu-central-1), Azure West Europe (Niederlande), GCP europe-west3 (Frankfurt), AWS Dublin, AWS Stockholm und weitere
• Vertragspartner: Snowflake Inc., Bozeman/Montana (USA), auch bei Verarbeitung in der EU. Damit fällt Snowflake unter den US CLOUD Act
• AVV: Snowflake bietet Standard-AVV inklusive Standardvertragsklauseln nach DSGVO Art. 46. Zusätzlich gilt der AVV des jeweiligen Cloud-Anbieters (AWS, Azure, GCP)
• Datennutzung: Kundendaten werden ausschließlich zur Erbringung des Dienstes verarbeitet, nicht für Modelltraining. Cortex-AI-Aufrufe verbleiben innerhalb der gewählten Region und werden nicht für Training der LLM-Anbieter verwendet
• Verschlüsselung: AES-256 at rest und in transit. Business Critical bietet zusätzlich Tri-Secret Secure (Kundenschlüssel via AWS KMS, Azure Key Vault oder GCP Cloud KMS)
• Zertifizierungen: SOC 1/2 Type 2, ISO 27001, ISO 27017, ISO 27018, HIPAA (Business Critical), PCI-DSS (Business Critical), C5 (in EU-Region)
• Empfehlung für Unternehmen: Für DSGVO-konforme Nutzung mindestens Enterprise Edition in einer EU-Region, mit AVV und dokumentierter Datenschutz-Folgenabschätzung. Für stark regulierte Branchen (Banken, Versicherungen, Gesundheit, Behörden) Business Critical Edition mit Tri-Secret Secure und Private Connectivity prüfen

Gut kombiniert mit

• dbt, die De-facto-Standardlösung für SQL-basierte Datentransformationen läuft sauber auf Snowflake. Entwickler bauen modellierte Datenebenen (staging, marts), Snowflake liefert die Compute-Power. Die Kombination ist im Markt so verbreitet, dass „dbt + Snowflake” als Standard-Stack gilt.
• Power BI oder Tableau, Reporting-Frontend setzt auf Snowflake als Single Source of Truth. Power BI ist im DACH-Markt dominant, integriert sauber via DirectQuery oder Import-Modus
• Claude oder ChatGPT, für interaktive Analyse-Sessions: Snowflake liefert die Daten, das LLM hilft bei SQL-Generierung, Interpretation und Berichts-Erstellung. Cortex Analyst macht das auch nativ, aber für freie Exploration sind die Allrounder oft ergonomischer

Unser Testurteil

Snowflake verdient 4 von 5 Sternen. In seiner Kerndisziplin, verbrauchsbasierte Cloud-Datenplattform mit nativer KI-Integration, ist es Marktführer und hat mit Cortex AI einen architektonisch eleganten KI-Pfad eingezogen, der Daten und Modelle zusammenführt, ohne ein zweites Silo zu schaffen. Die Plattform ist reif, in Frankfurt verfügbar und für regulierte Branchen ein gangbarer Weg. Den fünften Stern verliert es aus drei Gründen: erstens das schwer planbare Verbrauchspricing, das ohne aktive Cost Governance gefährlich ist; zweitens der US-Hauptsitz, der trotz EU-Region eine Compliance-Restschicht hinterlässt; drittens der reale Vendor-Lock-in, der spätere Strategiewechsel erschwert. Für Mittelständler und Konzerne mit ernsthaftem Datenbestand bleibt Snowflake trotzdem die erste oder zweite Wahl, mit Databricks als ernstzunehmender Alternative für Teams, die Notebook-zentrierte Workflows und maximale Flexibilität priorisieren.

Was wir bemerkt haben

• April 2024, Snowflake hat das eigene Foundation-Model Arctic unter Apache-2.0-Lizenz veröffentlicht. Architektur: Dense-MoE-Hybrid mit 480 Mrd. Parametern (17 Mrd. aktiv), Trainingskosten unter 2 Mio. USD, optimiert auf Enterprise-Tasks (SQL, Code, Instruction Following). Ein bemerkenswerter Schritt für eine Datenplattform, der Snowflake unerwartet als Foundation-Lab positioniert hat.
• 2024, Snowflake hat mit Snowflake Cortex den Ausbau von Daten- zur Datenplattform-mit-KI vollzogen. Cortex Search, Cortex Analyst und Document AI machen die Plattform für RAG-Anwendungen, Text-zu-SQL und Dokumentenanalyse direkt nutzbar, vorher hätte man jeden dieser Use Cases mit Drittanbietern gebaut.
• 2023, Größerer Sicherheitsvorfall im Mai: Mehrere Snowflake-Kundenkonten wurden via gestohlener Zugangsdaten kompromittiert (u. a. Ticketmaster, Santander). Snowflake selbst war nicht gehackt, die Konten hatten keine Multi-Faktor-Authentifizierung. Snowflake hat danach MFA für alle neuen Konten verpflichtend gemacht. Lehre: Cloud-Plattformen sind nur so sicher wie die Zugriffshygiene der Kunden.
• 2025, Mit der Einführung von Snowflake Intelligence und den Cortex Agents positioniert sich Snowflake aktiv im Agenten-Markt. Die Idee: Geschäftsanwender stellen natürlichsprachige Fragen, Agents orchestrieren über strukturierte und unstrukturierte Daten und liefern handlungsfähige Antworten. Reife noch unklar, aber strategisch konsequent.
• Mai 2026, Cortex-Modellauswahl in EU-Regionen weiterhin nicht deckungsgleich mit US-Regionen. Wer auf die jeweils neuesten Claude- oder Llama-Versionen angewiesen ist, sollte regional verfügbare Modelle vor Architekturentscheidungen prüfen, Cross-Region-Inferenz ist möglich, hat aber Compliance-Implikationen.