Copilot in Power BI macht schlechte Daten nicht besser. Er legt sie offen. Und genau dort beginnt der eigentliche Wandel.

Mai 19, 2026

Was kann KI im Reporting leisten? Anders gefragt: Welche Schwachstellen, die bis dahin niemand gesehen hat, macht KI sichtbar?

Power BI, Microsofts Plattform für Business Intelligence und Datenvisualisierung, ist in vielen Unternehmen längst Reporting-Standard.

Es handelt sich dabei jedoch nicht um einen magischen Knopf, der die Berichterstattung von selbst simplifiziert, sondern um ein Tool, das ans Licht bringt, was vorher unter der Oberfläche verborgen war. Für Unternehmen, die dazu bereit sind, ist dies eine große Chance.

Business Intelligence lebt von verlässlichen, sauber definierten Daten. Künstliche Intelligenz funktioniert anders: Sie arbeitet mit probabilistischen Modellen und Ergebnissen, die nicht garantiert sind. Daraus entsteht ein spannender Widerspruch und eine klare Aufgabe: das Beste aus beiden Welten zu verbinden.

Was braucht Copilot, um sein volles Potenzial auszuschöpfen?

Copilot in Power BI kann Visualisierungen erstellen, Daten zusammenfassen und Fragen in natürlicher Sprache beantworten. Wie gut die Ergebnisse sind, hängt direkt von der Qualität der Grundlage ab. Diese Grundlage ist nicht das Tool selbst. Es sind die Daten und die Ebene, die ihnen Bedeutung gibt.

Diese Ebene ist das semantische Modell. Es bildet die Brücke zwischen der technischen Struktur des Data Warehouse und der fachlichen Sicht der Nutzer. Wenn Labels, Definitionen von Kennzahlen oder geschäftlicher Kontext fehlen, fehlt Copilot die Grundlage für verlässliche Antworten. Er antwortet trotzdem. Aber die Qualität dieser Antworten ist nur so gut wie die Informationen, die dem Modell zur Verfügung stehen.

Beispiel:

Ein Nutzer fragt Copilot nach dem Umsatz in Tschechien. Copilot greift auf eine vorbereitete Visualisierung zu, in der allerdings auch die Slowakei enthalten ist. Zum Zeitpunkt der Erstellung dieses Artikels konnte Copilot die Visualisierung nicht automatisch auf Tschechien filtern. Das Ergebnis bezog sich deshalb auf beide Länder. Solche Grenzen machen deutlich, warum die Vorbereitung des semantischen Modells entscheidend ist. Je sauberer Daten, Kennzahlen und Visualisierungen aufgebaut sind, desto verlässlicher werden die Antworten von Copilot.

KI braucht bessere Daten, nicht weniger Datenqualität

Viele gehen davon aus, dass KI auch mit schlechten Daten zurechtkommt und fehlende Informationen irgendwie ergänzt. Bei Power BI und Copilot ist das Gegenteil der Fall. Je komplexer und schlechter dokumentiert das semantische Modell ist, desto unvorhersehbarer werden die Ergebnisse.

Ein erfahrener Business Analyst erkennt sofort, dass „sales_ex_vat“ für Umsatz ohne Mehrwertsteuer steht. Er weiß, ob die Werte in tschechischen Kronen oder Dollar angegeben sind. Und er weiß, ob die Kennzahl ein Kalenderjahr oder ein Geschäftsjahr abbildet.

Dieses Wissen steckt oft nicht in der Dokumentation, sondern in Köpfen, Projekterfahrung und vielen geklärten Fehlerfällen. Copilot hat keinen Zugriff darauf, wenn es nicht vorher sauber im Modell hinterlegt wird. Genau diese Vorarbeit entscheidet darüber, ob Copilot verlässliche Antworten liefert.

Das Paradox: KI zwingt Unternehmen dazu, ihre eigenen Daten besser zu verstehen.

Klein anfangen und kontrolliert vorgehen

Unternehmen, die Copilot unkompliziert und mit verlässlichen Ergebnissen nutzen möchten, sollten ihn nicht sofort für die gesamte Reporting-Landschaft freigeben. Sinnvoller ist der Start mit einem einzelnen Dataset und klaren, einfachen Kennzahlen, zum Beispiel Umsatz. Keine Hunderte Tabellen. Keine spezielle interne Logik. Keine kritischen Kennzahlen wie Boni, Vergütung oder Controlling-Daten.

Danach gehen sie Schritt für Schritt vor:

1. Labels im semantischen Modell bereinigen.
2. Gemeinsam mit den Fachbereichen klären, welche Fragen Copilot beantworten soll.
3. Anweisungen und Kontext direkt im Modell hinterlegen.
4. Testen, nachschärfen und erneut prüfen.

Ein interessanter Nebeneffekt: KI kann inzwischen automatisch eine Dokumentation für semantische Modelle erstellen. Also genau die Dokumentation, die früher niemand geschrieben hat. Jetzt schreibt eine KI sie, damit eine andere KI sie nutzen kann.

Analysten werden nicht ersetzt. Ihre Rolle verändert sich.

Datenanalysten werden nicht durch Copilot ersetzt. Ihre Arbeit verändert sich. Weniger manuelle Korrektur von Labels. Weniger Warten darauf, dass eine Kennzahl umbenannt wird, die an Dutzenden Stellen im Modell auftaucht. Dafür bleibt mehr Zeit für den Austausch mit den Fachbereichen. Und mehr Kapazität, um Nutzer im Umgang mit Daten zu schulen, die inzwischen selbst mit Daten arbeiten und sie richtig verstehen müssen. Ein passender Vergleich: KI kann Röntgenbilder analysieren und Diagnosen vorschlagen. Aber der Arzt, der das Ergebnis prüft und dafür Verantwortung übernimmt, bleibt unverzichtbar.
Copilot funktioniert dann am besten, wenn die Grundlagen stimmen. Er ist die Kirsche auf der Torte, nicht der Weg dorthin.

Mehr dazu im Podcast

Kristýna Merňáková ist Data Visualization Lead bei Adastra. Sie arbeitet mit Unternehmen daran, Daten erst fachlich verständlich zu machen, bevor Tools wie Copilot ins Spiel kommen.

Im Interview erklärt sie, wie der Einstieg in KI mit Power BI gelingt und welche Vorbereitung der Daten nötig ist, damit KI im Reporting unterstützt, statt Fehler zu verstärken.