Snowflake Cortex

Snowflake Cortex est la suite native d'IA et de machine learning intégrée au Snowflake Data Cloud, développée par Snowflake Inc. Elle permet aux équipes data d'exécuter l'inférence de grands modèles de langage, de créer des agents IA et de déployer la recherche sémantique directement sur les données déjà hébergées dans Snowflake, sans avoir à les acheminer vers des services d'IA externes ni à gérer une infrastructure GPU distincte. La proposition de valeur centrale repose sur la sécurité par l'architecture : les LLM viennent à vos données gouvernées, et non l'inverse. Chaque opération Cortex hérite des contrôles d'accès, des journaux d'audit, des limites VPC et des certifications de conformité existants de Snowflake.

La suite Cortex s'articule autour de quatre piliers de services distincts. Cortex LLM Functions (également appelé Cortex AI SQL) permet aux analystes d'appeler des modèles tels qu'Anthropic Claude, Meta Llama 4 et Mistral directement depuis SQL à l'aide de fonctions telles que AI_COMPLETE, AI_CLASSIFY, AI_SUMMARIZE, SENTIMENT, TRANSLATE, EXTRACT_ANSWER et AI_TRANSCRIBE. Cortex Search offre un service de recherche hybride entièrement géré qui combine la récupération de vecteurs sémantiques avec la correspondance de mots-clés sur des documents non structurés stockés dans Snowflake. Cortex Analyst convertit les questions en langage naturel en SQL et renvoie des réponses rédigées, rendant les données structurées accessibles aux utilisateurs métiers qui ne maîtrisent pas les requêtes. Cortex Agents orchestre l'ensemble de ces éléments dans une boucle de raisonnement à plusieurs étapes exposée via une API REST, permettant aux équipes de créer des chatbots et des workflows automatisés couvrant à la fois les tables structurées et les bases de documents. Un cinquième composant, Cortex Code, est un assistant de codage IA natif de Snowflake ayant une connaissance complète des schémas et des noms de colonnes du compte, adopté par plus de 50 % des clients Snowflake depuis son lancement en novembre 2025.

Ce que fait réellement Snowflake Cortex en mai 2026

Cortex a atteint le stade de production le 4 novembre 2025, lorsque Snowflake a simultanément lancé Cortex Agents et Cortex AI Functions en disponibilité générale (GA) lors de la conférence des développeurs Snowflake BUILD 2025. Avant cette date, les deux services étaient en version préliminaire, limitant leur adoption aux clients en accès anticipé. La version GA les a ouverts à tous les comptes Snowflake et a fourni aux entreprises les SLA contractuels nécessaires pour y adosser des charges de travail en production.

L'ensemble des capacités actuelles couvre l'intégralité du workflow de l'IA sur les données : ingestion, transformation, analyse et restitution. Un data engineer traitant 10 millions d'avis clients peut ajouter une simple colonne SQL faisant référence à AI_SENTIMENT dans un modèle dbt existant et obtenir des scores de sentiment lors de la prochaine exécution du pipeline, sans nouveaux identifiants à gérer ni data warehouse supplémentaire à déployer. Une équipe créant un chatbot analytique interne utilise l'API REST de Cortex Agents pour accepter des questions en langage naturel, acheminer les requêtes structurées vers Cortex Analyst pour la génération de SQL, diriger les questions documentaires vers Cortex Search pour la récupération, synthétiser les résultats et renvoyer une réponse unique et cohérente. Le traitement multimodal étend ce même modèle appelable par SQL aux images et à l'audio : AI_TRANSCRIBE convertit directement les fichiers audio ou vidéo stockés dans les zones de préparation (stages) Snowflake en texte pour une analyse en aval.

Le fine-tuning est également serverless. Les équipes peuvent affiner les modèles Llama sur des données Snowflake propriétaires sans provisionner de calcul GPU ni quitter l'environnement Snowflake. Les poids du modèle entraîné restent à l'intérieur du compte, et le service s'effectue via la même facturation basée sur les crédits que toutes les autres fonctions Cortex.

"Cortex Code transforme notre approche de l'analytique agentique chez Braze. Sa compréhension native de nos jeux de données, schémas et colonnes signifie que nos ingénieurs passent moins de temps à se débattre avec le contexte et plus de temps à obtenir des résultats précis et exploitables." - Spencer Burke, SVP of Growth chez Braze, communiqué de presse Snowflake, février 2026

Où se situe Snowflake Cortex par rapport à Databricks Mosaic AI et AWS Bedrock

Databricks Mosaic AI est le rival architectural le plus proche car il résout le même problème : une IA intégrée au sein d'une plateforme de données existante pour éviter aux équipes de construire une stack ML distincte. La différence mécanique réside dans le niveau d'abstraction. Databricks expose explicitement les clusters GPU via les couches Mosaic AI Training et Serving ; les ingénieurs peuvent inspecter les configurations des nœuds, choisir les niveaux de matériel et exécuter des tâches d'entraînement PyTorch personnalisées avec une visibilité totale sur le calcul. L'Agent Framework de Mosaic AI prend en charge l'entraînement de modèles personnalisés, l'apprentissage par renforcement à partir de retours humains (RLHF) et le routage LLM multi-fournisseurs via AI Gateway avec limitation de débit. Snowflake Cortex fait abstraction de tout cela : vous écrivez du SQL, Snowflake alloue le calcul serverless de manière invisible, et il n'y a aucun choix de configuration GPU. Databricks l'emporte pour les organisations qui ont besoin d'entraîner des modèles propriétaires, d'exécuter des suites d'évaluation rigoureuses avec l'intégration de MLflow, ou de construire des architectures d'agents complexes nécessitant une mémoire personnalisée et des registres d'outils. Cortex l'emporte pour les environnements Snowflake qui souhaitent une mise en production rapide de l'IA sans mettre en place une plateforme ML. Comparaison complète sur Databricks Mosaic AI.

AWS Bedrock est agnostique vis-à-vis du cloud et offre une grande diversité de modèles, avec un accès à plus de 30 modèles de fondation d'Anthropic, Meta, Mistral, Cohere, Amazon Nova et d'autres via une API REST unifiée. Le contraste architectural entre Bedrock et Cortex se résume au mouvement des données. Bedrock fonctionne en dehors de votre data warehouse : pour l'utiliser sur des données Snowflake, vous devez extraire un jeu de données, l'envoyer au-delà d'une frontière réseau vers le point de terminaison Bedrock, puis recevoir les résultats en retour. Ce franchissement de frontière nécessite des politiques IAM supplémentaires, des contrôles de sécurité réseau et une documentation de conformité pour les secteurs réglementés. Cortex élimine entièrement cette frontière en exécutant l'inférence à l'intérieur du périmètre de sécurité déjà certifié de Snowflake, en utilisant les mêmes rôles IAM et journaux d'audit que votre équipe de gouvernance gère déjà. L'avantage de Bedrock est son étendue : il prend en charge des modèles et des modèles d'agents qui ne figurent pas encore dans le catalogue Cortex, et il s'intègre naturellement avec AWS Step Functions et Lambda pour l'orchestration de workflows complexes. Pour les équipes dont les données s'étendent sur plusieurs clouds, le positionnement agnostique de Bedrock est architecturalement plus propre que Cortex. Comparez les options sur AWS Bedrock, Google Vertex AI et Azure OpenAI.

À quoi ressemble la réalité du workflow Cortex

Pour un data engineer maîtrisant déjà Snowflake SQL, l'expérience d'intégration de Cortex se fait véritablement sans friction. Il n'y a pas de nouvelle plateforme à apprendre, pas de SDK à installer pour les fonctions de base, et pas d'identifiants à gérer. Un premier projet courant consiste à exécuter AI_SENTIMENT ou AI_SUMMARIZE sur une table existante de dossiers clients. La requête fonctionne, les résultats s'affichent, et le cycle d'itération de l'idée au prototype fonctionnel se compte en heures plutôt qu'en semaines.

La friction apparaît au niveau du suivi des coûts. Snowflake Cortex compte désormais neuf catégories de services distinctes avec des vues de facturation séparées : AI SQL Functions, Cortex Code, Cortex Copilot, Cortex Analyst, Cortex Search, Cortex Agents, Fine-Tuning, Document Processing et Legacy Functions. Ces vues utilisent des champs d'identification d'utilisateur incohérents, ce qui rend la création de tableaux de bord de coûts unifiés complexe. Un praticien ayant audité un compte Snowflake en production a découvert que plus de 60 % des dépenses Cortex étaient invisibles pour l'équipe de supervision, car celle-ci ne surveillait que la vue principale d'utilisation des AI Functions.

"Dans un compte que j'ai audité récemment, plus de 60 % des dépenses Cortex étaient invisibles pour l'équipe de supervision." - Vedprakash, data engineer, DataAIChronicles sur Medium, mars 2026

Cortex Search aggrave ce problème car il utilise un modèle de facturation en continu (always-on). Contrairement aux fonctions SQL qui sont facturées par invocation, les services Cortex Search sont des processus en arrière-plan qui s'exécutent en permanence et sont facturés par Go de données indexées par mois, qu'il y ait ou non des requêtes de recherche exécutées pendant cette période de facturation. Les équipes habituées au modèle de paiement à l'usage (pay-for-compute) de Snowflake sont parfois surprises lorsqu'un service Cortex Search qu'elles ont lancé pour une preuve de concept accumule un mois de frais d'indexation.

Snowflake a publié des contrôles de dépenses natifs pour Cortex AI Functions en mars 2026, ajoutant des limites glissantes sur 24 heures par utilisateur et des plafonds budgétaires au niveau de l'équipe. Mais une supervision robuste nécessite toujours d'assembler plusieurs vues de mesure dans un tableau de bord de coûts unifié, ce que la plupart des équipes construisent de manière réactive après une facture inattendue plutôt que de manière proactive avant le lancement.

Les équipes qui créent des applications basées sur la recherche associent souvent Cortex Search à des outils de gestion des connaissances d'entreprise. Des produits comme Glean répondent à des problèmes similaires de recherche d'entreprise pour le contenu non structuré, bien que via une approche architecturale différente.

À qui s'adresse Snowflake Cortex

L'utilisateur principal est un data engineer ou un analytics engineer dont l'organisation a déjà adopté Snowflake comme data warehouse. Cortex n'est pas un produit autonome : il n'y a pas d'abonnement Cortex séparé, pas de version gratuite, et aucun moyen d'accéder à Cortex sans un compte Snowflake. Si cela décrit votre situation, Cortex est le chemin le plus rapide pour intégrer l'IA dans les workflows de données que vous possédez déjà.

Dans le cadre de cette contrainte, Cortex est particulièrement performant pour les secteurs réglementés. Les organisations de la santé, des services financiers et de l'assurance opérant sous les exigences HIPAA, SOC 2 ou RGPD ont souvent des obligations contractuelles concernant le lieu de traitement des données. Exécuter l'inférence LLM à l'intérieur d'un compte Snowflake couvert par un accord de partenariat (BAA) existant est architecturalement plus simple que de négocier un nouveau BAA avec un fournisseur d'IA distinct pour chaque fournisseur de modèles du catalogue Bedrock.

Les équipes analytiques qui créent des outils en libre-service pour les utilisateurs métiers non techniques tirent parti de Cortex Analyst. Plutôt que de construire une couche NL-to-SQL personnalisée, elles exposent l'API Cortex Analyst derrière une interface Streamlit ou un chatbot interne et laissent les utilisateurs métiers interroger les données en langage naturel.

Ce que Snowflake Cortex n'est pas

Cortex n'est pas une raison pour changer de plateforme de données. Si vos données résident dans Databricks, BigQuery ou Redshift, Cortex ne vous est pas accessible. L'avantage de la résidence des données ne s'applique qu'aux données déjà présentes dans un compte Snowflake ; il n'existe aucun agent ou connecteur permettant d'accéder à d'autres systèmes tout en conservant intactes les propriétés de gouvernance de Cortex. Cortex Code s'est étendu en février 2026 pour référencer des systèmes externes tels qu'AWS Glue et Postgres, mais les fonctions d'inférence LLM elles-mêmes ne fonctionnent toujours que sur les données préparées dans Snowflake.

Cortex n'est pas une plateforme ML complète. La prise en charge du fine-tuning est limitée aux variantes du modèle Llama. Il n'y a pas d'entraînement d'architecture de modèle personnalisé, pas d'apprentissage par renforcement à partir de retours humains (RLHF), et aucun équivalent au suivi des expériences MLflow de Databricks pour l'évaluation systématique des modèles. Les équipes dont la feuille de route IA implique l'entraînement de modèles propriétaires sur leurs propres données à grande échelle dépasseront l'offre gérée de Cortex et devront se tourner vers Databricks Mosaic AI ou une plateforme MLOps dédiée.

Cortex ne convient pas non plus aux équipes dépourvues de discipline en matière de suivi des coûts. La combinaison d'une facturation basée sur les tokens répartie sur neuf catégories de services, des frais d'infrastructure en continu de Cortex Search et de l'absence de moniteurs de ressources natifs jusqu'en mars 2026 a surpris des équipes avec des factures inattendues. Un cas largement relayé impliquait une équipe data payant environ 5 000 $ pour une seule requête Cortex Functions ayant traité 1,18 milliard de dossiers clients. La requête s'est terminée, les crédits ont été épuisés, et aucune alerte n'avait été configurée pour l'intercepter. Cette dynamique de facturation est désormais partiellement atténuée par les contrôles de coûts de mars 2026, mais les équipes doivent créer des tableaux de bord de supervision avant d'activer largement Cortex sur un compte partagé.