Bevor Sie Copilot Zugriff auf Ihre Daten geben, sollten Sie ein semantisches Modell vorbereiten

Oktober 8, 2026

So bereiten Sie ein semantisches Modell in Microsoft Fabric und Power BI vor, damit Copilot und der Fabric Data Agent zuverlässige Antworten liefern

Die Frage „Wie hoch war die Marge im letzten Monat in den einzelnen Regionen?“ klingt zunächst einfach. Für Microsoft Copilot und den Fabric Data Agent steckt dahinter jedoch eine ganze Reihe von Entscheidungen. Welche Datenquelle ist die richtige? Welche der vorhandenen Margenkennzahlen ist gemeint? Welcher Zeitraum soll berücksichtigt werden und welche Filter müssen greifen? Fehlen im Modell klare Vorgaben für diese Entscheidungen, kann selbst eine technisch korrekte Abfrage zu einem falschen Ergebnis führen. Besonders kritisch wird es, wenn die ausgegebene Zahl plausibel erscheint. Dann bleibt der Fehler unter Umständen unbemerkt. Zuverlässige Antworten hängen deshalb nicht allein von Copilot oder dem Fabric Data Agent ab, sondern davon, wie eindeutig und sauber die zugrunde liegende Datenschicht aufgebaut und beschrieben ist.

KI als neues Teammitglied

Stellen Sie sich vor, ein neues Teammitglied stößt zum Analytics-Team. Es bekommt ein Modell mit Tabellen namens F_SLS oder CALC_01, ohne Beschreibungen und mit mehreren ähnlich benannten Kennzahlen. Was diese genau bedeuten, muss die Person selbst herausfinden. Manchmal wird sie richtig liegen. In anderen Fällen wählt sie die falsche Spalte oder Kennzahl aus.

Für KI gilt dasselbe. Sie weiß nicht automatisch, dass mit „Umsatz“ in einem Bericht fakturierter Umsatz gemeint ist, in einem anderen dagegen Auftragseingänge ohne Stornierungen. Daraus lässt sich eine einfache Regel ableiten: Wenn ein neues Teammitglied das Modell nicht schnell versteht, wird auch eine KI es nicht zuverlässig interpretieren können.

Das Problem: Viele Modelle wurden ursprünglich nur für einen einzelnen Bericht gebaut. Die Geschäftslogik steckt dann in dynamischen Kennzahlen, während Standardfilter und Schalter im Bericht dafür sorgen, dass die Werte korrekt interpretiert werden. Ein dialogbasiertes Tool arbeitet jedoch nicht mit einem Bericht wie ein Mensch. Copilot kann zwar den Inhalt eines geöffneten Berichts sehen, setzt aber nicht automatisch die vom Autor vorgesehenen Schalter. Der Fabric Data Agent sieht den Bericht gar nicht. Er arbeitet ausschließlich mit dem Modell. Ein KI-fähiges Modell muss deshalb auch ohne Bericht eindeutig verständlich sein. Dazu gehören klar benannte Objekte, verständliche Beschreibungen, eindeutig definierte Kennzahlen und keine nahezu identischen Varianten zentraler KPIs.

Jedes Tool erfüllt einen anderen Zweck

Microsoft bietet zwei Möglichkeiten, Fragen in natürlicher Sprache zu stellen. Copilot in Power BI arbeitet mit dem semantischen Modell und dem Bericht. Der Fabric Data Agent kann mehrere Datenquellen kombinieren und mit weiteren Tools zusammenarbeiten. Er kann zwischen Lakehouses, Warehouses, semantischen Modellen und KQL-Datenbanken wählen. Inzwischen unterstützt er auch Fabric IQ Ontologies und Microsoft Graph. Je nach Datenquelle erzeugt er SQL-, DAX- oder KQL-Abfragen. Der Zugriff erfolgt immer nur lesend. Dabei gelten stets die Berechtigungen des jeweiligen Nutzers.

Bei der Konzeption der Lösung ist wichtig zu verstehen, welche Einstellungen an welcher Stelle greifen. Bei einem semantischen Modell haben die Anweisungen im Data Agent nur eine Aufgabe: Sie legen fest, an welche Datenquelle eine Frage weitergeleitet wird. Sobald der Agent anschließend ein semantisches Modell abfragt, erstellt er die DAX-Abfrage ausschließlich auf Basis der Metadaten des Modells und der Konfiguration unter „Prep data for AI“. Dafür stehen drei Werkzeuge zur Verfügung:

• Das AI Data Schema legt fest, welche Tabellen, Spalten und Kennzahlen die KI verwenden soll.
• AI Instructions ergänzen fachliche Begriffe und helfen dabei, Mehrdeutigkeiten aufzulösen. So kann ein „aktiver Kunde“ beispielsweise als Kunde definiert werden, der in den vergangenen zwölf Monaten mindestens eine Bestellung abgeschlossen hat.
• Verified Answers liefern für ausgewählte Fragen eine vorab freigegebene Antwort, statt jedes Mal eine nicht deterministisch erzeugte Antwort zu generieren.
  Testing Is Essential

Generative KI ist nicht deterministisch. Selbst bei derselben Eingabe und im gleichen Kontext kann sie unterschiedliche Ergebnisse liefern. Hinzu kommt: Nutzer können dieselbe Frage auf verschiedene Arten formulieren, und auch das Sprachmodell selbst kann sich im Laufe der Zeit verändern.
Eine erfolgreiche Demo ist deshalb noch kein Beleg dafür, dass die Lösung zuverlässig funktioniert. Eine Antwort, die heute korrekt ist, kann morgen anders ausfallen.

Die einzige verlässliche Absicherung ist eine Testsuite mit Fragen und den jeweils erwarteten richtigen Antworten. Dafür sollten echte Fragen aus dem Produktivbetrieb verwendet werden. Zu jeder Frage werden die erwartete Datenquelle, Kennzahl, Filter, der Zeitraum und das Ergebnis dokumentiert. Dabei reicht es nicht, nur die finale Zahl zu prüfen. Auch der Weg dorthin muss stimmen. Denn dieselbe Zahl kann unter Umständen mit der falschen Kennzahl zustande kommen. Die Tests sollten nach jeder Änderung am Modell, an den Anweisungen oder am Agenten erneut ausgeführt werden. Besonders kritische Fragen sollten mehrfach getestet werden.

Was das für das IT-Management bedeutet

Dialogbasierte KI eröffnet dem Fachbereich neue Möglichkeiten. Nutzer können Informationen selbstständig und sofort abrufen, ohne auf Kollegen oder die Bearbeitung einer Anfrage durch die IT warten zu müssen. Damit die Antworten auch zuverlässig stimmen, muss das Modell jedoch auf diesen neuen Nutzer vorbereitet sein. Vor der Einführung empfehle ich zwei Schritte und während des Betriebs zwei weitere:

• Möglichkeiten zur Optimierung. Ein schlecht aufgebautes Modell lässt sich nicht durch Anweisungen im Agenten ausgleichen.
• Die Vorbereitung des Modells für KI und die Testsuite sollten fester Bestandteil des Entwicklungsprozesses sein. Die Konfiguration unter „Prep data for AI“ und Tests mit erwarteten Ergebnissen sollten genauso selbstverständlich sein wie ein Code Review.
• Beobachten Sie, welche Fragen Nutzer tatsächlich stellen. Reale Fragen decken Schwächen im Modell auf und erweitern die Testsuite kontinuierlich.
• Zeigen Sie den Nutzern, wie sie Fragen sinnvoll formulieren und Antworten kritisch prüfen. KI kann richtige und falsche Antworten mit derselben Sicherheit ausgeben.

Die Investition in ein hochwertiges Modell zahlt sich gleich doppelt aus: durch zuverlässigere KI-Antworten und durch bessere Self-Service-Analytics. Ist das Modell klar und verständlich aufgebaut, können auch Nutzer ohne technischen Hintergrund eigene Berichte erstellen und Daten selbstständig analysieren.

Der Artikel wurde auf computertrends.cz veröffentlicht.