Snowflake y Claude: cómo se integran y cuándo usar cada vía

El 22 de septiembre de 2026 Snowflake anunció que Claude Opus 5.5 ya está disponible en preview público dentro de Cortex AI, con la misma promesa que viene repitiendo desde hace un año: todas las llamadas se quedan dentro del perímetro de seguridad y gobernanza de Snowflake, según el anuncio oficial. Tres meses antes, en el Summit 26, la compañía había presentado a Cortex Code —que corre sobre Claude— como “el producto de crecimiento más rápido en la historia de Snowflake”, con más de 7,100 usuarios, según su comunicado de prensa.

La relación entre Snowflake y Anthropic dejó de ser “un modelo más en el catálogo” y se convirtió en una apuesta de arquitectura. Lo interesante para un director de datos o de tecnología no es el anuncio, sino entender que hoy existen dos vías distintas de integración, que resuelven problemas distintos, y que elegir mal cuesta meses.

¿Qué es exactamente la relación entre Snowflake y Anthropic?

En diciembre de 2025 ambas empresas firmaron un acuerdo multianual de 200 millones de dólares que puso los modelos Claude a disposición de los más de 12,600 clientes de Snowflake en las tres nubes principales (AWS, Azure y Google Cloud), con una estrategia comercial conjunta, según el comunicado de Snowflake y el de Anthropic.

En la práctica eso se tradujo en que Claude es hoy el modelo detrás de tres productos centrales de Snowflake:

• Snowflake Intelligence: el agente conversacional para usuarios de negocio que pregunta en lenguaje natural y responde sobre datos gobernados.
• Cortex Code (CoCo): el agente de programación para ingenieros de datos que genera pipelines, SQL y aplicaciones desde Snowsight, la CLI o el editor local.
• Cortex Agents: la capa de orquestación que decide si una pregunta se responde con datos estructurados (Cortex Analyst), documentos (Cortex Search) o herramientas propias.

Para el Summit 26 Snowflake reportaba más de 13,900 clientes en su AI Data Cloud, y nombró a Block, Notion, Indeed, Carvana y Deloitte entre quienes ya usan Claude sobre sus datos en Snowflake.

Vía 1: Claude dentro de Snowflake (Cortex AI)

La primera vía es la más conocida: el modelo va hacia el dato. Claude se invoca desde SQL, desde un agente o desde Snowflake Intelligence, y la información nunca sale del warehouse. Es la misma arquitectura que describimos al explicar qué es Snowflake Cortex AI, pero con el catálogo de modelos ya maduro.

Un ejemplo real de lo que puede hacer un analista sin pipeline externo, sin API keys y sin mover una sola fila:

SELECT
  ticket_id,
  AI_COMPLETE(
    'claude-opus-5-5',
    'Resume en una línea el problema del cliente y clasifica la urgencia '
    || '(alta, media o baja): ' || descripcion
  ) AS resumen
FROM soporte.tickets
WHERE fecha >= DATEADD(day, -7, CURRENT_DATE());

Los modelos Claude disponibles en Cortex a la fecha de este artículo:

Modelo	Estado en Cortex AI	Para qué conviene
claude-opus-5-5	Preview público desde el 22 de septiembre de 2026	Razonamiento complejo, agentes de varios pasos, análisis de documentos largos
claude-sonnet-5	Preview privado, según Snowflake	Equilibrio entre calidad y costo para cargas de producción
claude-sonnet-4-6	Disponible, con ventana de contexto de 1M de tokens	Uso general, motor por defecto de Cortex Code
claude-opus-4-6	Disponible	Generación previa de Opus, ya probada en producción
claude-haiku-4-5	Disponible	Clasificación y extracción masiva a bajo costo

Dos detalles que importan al presupuesto. Primero, Snowflake reporta que Opus 5.5 cuesta alrededor de 40% menos que Opus 5 en cargas típicas, así que la brecha entre “el modelo bueno” y “el modelo barato” se está cerrando. Segundo, no todos los modelos están en todas las regiones: antes de comprometer un caso de uso conviene revisar la disponibilidad en la región de tu cuenta o evaluar la inferencia entre regiones, con sus implicaciones de residencia de datos.

Vía 2: Snowflake dentro de Claude (servidor MCP gestionado)

La segunda vía es más reciente y menos entendida: el agente va hacia el dato, pero el agente vive fuera. Snowflake ofrece un servidor MCP (Model Context Protocol) gestionado que expone Cortex Analyst, Cortex Search, agentes y SQL como herramientas para cualquier cliente compatible: Claude Desktop, Claude.ai, ChatGPT, Cursor o un agente propio, según la documentación oficial.

Se define con SQL, como cualquier otro objeto:

CREATE OR REPLACE MCP SERVER analitica.publico.agente_ventas
  FROM SPECIFICATION $$
  tools:
    - title: "Métricas de ventas gobernadas"
      name: "ventas"
      type: "CORTEX_ANALYST_MESSAGE"
      identifier: "analitica.publico.ventas_semantic_view"
      description: "Usa esta herramienta para preguntas de venta, margen y tickets por tienda."
  $$;

Lo relevante no es la sintaxis, sino tres propiedades que este esquema hereda de Snowflake y que un conector casero no tiene:

1. La gobernanza viaja con la consulta. El mismo RBAC, enmascaramiento y seguridad a nivel de fila que aplica a tus tablas aplica al agente. Un gerente regional que pregunta desde Claude recibe solo su región, sin configurar nada adicional.
2. La autenticación es la de siempre. OAuth de Snowflake o federado con Okta o Microsoft Entra ID. No hay una contraseña compartida guardada en un archivo de configuración.
3. El agente consulta métricas, no adivina sobre tablas. Con Cortex Analyst sobre una vista semántica, “ventas del trimestre” significa lo que tu equipo de datos definió, no lo que el modelo infirió de los nombres de columna. Es exactamente el problema que analizamos en MCP en analítica.

Hay límites prácticos: un servidor admite hasta 50 herramientas y las respuestas se truncan a 250 KB. Es suficiente para un agente con responsabilidades concretas y deliberadamente insuficiente para “conectar todo el warehouse”.

¿Cuál de las dos vías conviene para qué?

Criterio	Claude dentro de Snowflake (Cortex)	Snowflake dentro de Claude (MCP)
Quién lo usa	Analistas, ingenieros de datos, usuarios de Snowflake Intelligence	Personas que ya trabajan en Claude, Cursor u otro cliente
Dónde vive la lógica	En SQL, agentes y modelos semánticos dentro de Snowflake	En el cliente o agente externo; Snowflake expone herramientas
Dónde corre el modelo	Dentro del perímetro de Snowflake	En el proveedor del cliente (Anthropic, etc.)
Qué sale de Snowflake	Nada	Los resultados de la consulta, ya filtrados por permisos
Casos típicos	Enriquecer campos de texto, clasificar, agentes de negocio, generación de pipelines	Análisis ad hoc desde el escritorio, agentes multiherramienta que cruzan Snowflake con correo, CRM o documentos
Cómo se cobra	Créditos de Snowflake por tokens	Créditos de Snowflake por la consulta más el plan del cliente de IA

La regla que aplicamos con nuestros clientes: si la pregunta se puede responder solo con lo que hay en Snowflake, Cortex; si la respuesta requiere combinar Snowflake con sistemas que no están ahí, MCP. Muchas empresas terminan con ambas, y no es una contradicción: comparten la misma vista semántica y los mismos permisos.

¿Qué necesitas tener listo antes de cualquiera de las dos?

Aquí es donde se separan los pilotos que llegan a producción de los que se archivan. Ninguna de las dos vías funciona bien sin:

• Una capa semántica definida. Cortex Analyst y el servidor MCP consultan vistas semánticas; si no existen, el agente vuelve a improvisar SQL sobre tablas crudas. Explicamos qué es una capa semántica y por qué la IA la necesita.
• Roles y políticas de acceso al nivel del dato, no del tablero. La gobernanza que hereda el agente es la que está en Snowflake. Si los permisos viven en Tableau o Power BI, el agente los rodea.
• Datos que un modelo pueda leer. Campos de texto libre con codificaciones rotas, catálogos sin llaves consistentes y fechas en tres formatos producen respuestas seguras y equivocadas. Estas son las señales de que tus datos no están listos para IA.
• Una evaluación en español con vocabulario del negocio. Los modelos Claude son sólidos en español, pero “margen”, “quiebre” o “ticket promedio” significan cosas distintas en cada empresa. Un conjunto de 30 a 50 preguntas con respuesta conocida vale más que cualquier benchmark público.
• Un presupuesto por caso de uso, no global. Los tokens se cobran en créditos de Snowflake. Un AI_COMPLETE con Opus sobre millones de filas sin filtro previo es la forma más rápida de tener una conversación incómoda con finanzas.

¿Qué no resuelve la integración?

Por honestidad consultiva, tres cosas que el anuncio no dice:

• No arregla la calidad de los datos. Un modelo más capaz produce respuestas más convincentes sobre datos malos, no respuestas más correctas.
• No sustituye la decisión de arquitectura. Si tu estrategia de IA vive en otro proveedor de modelos, la integración no te obliga a cambiarla; Claude vía Cortex convive con GPT y Llama en el mismo catálogo. Lo comparamos en Claude vs GPT vs Gemini para uso empresarial.
• No convierte un agente amplio en uno confiable. Los casos que funcionan tienen alcance acotado, herramientas contadas y un dueño de negocio. “Un agente que responda todo sobre la empresa” sigue siendo una demo, con Opus 5.5 o con lo que venga después.

Conclusión

Snowflake y Claude ya se integran en las dos direcciones: el modelo dentro del warehouse con Cortex AI, y el warehouse dentro del agente con el servidor MCP gestionado. Las dos comparten la ventaja que ninguna solución armada a mano ofrece: la gobernanza, los permisos y la definición de métricas se aplican una sola vez, en Snowflake, y viajan con cada pregunta.

La decisión importante no es cuál modelo elegir, sino qué vía corresponde a cada caso de uso y qué hay que tener listo antes de abrir la puerta. Si ya operas sobre Snowflake y quieres llevar Claude a producción con un plan de 90 días, en EGOS BI diseñamos la capa semántica, los permisos y los primeros agentes. Hablemos sobre tu AI-Ready Foundation.