Semantische Modelle AI-ready

Dirk Müller
29. Juli
7 Min. Lesezeit

Aktualisiert: vor 7 Tagen

Ein Power-BI-Bericht kann seit Jahren zuverlässig funktionieren – und trotzdem liefert Copilot auf demselben semantischen Modell fragwürdige Antworten. Plötzlich wird Auftragseingang als Umsatz interpretiert, das Lieferdatum statt des Rechnungsdatums verwendet oder eine numerische Spalte summiert, die fachlich gar nicht summiert werden darf.

Das Problem liegt dann selten nur am Prompt. KI-Anwendungen müssen aus Tabellen, Measures, Beziehungen, Beschreibungen und fachlichen Begriffen ableiten, was eine Frage im Unternehmen bedeutet. Sind diese Informationen mehrdeutig, entstehen plausible Antworten auf einer unsicheren Grundlage.

Microsoft stellt dafür inzwischen AI Data Schemas, AI Instructions und Verified Answers bereit. Diese Funktionen helfen, den Kontext für Copilot und Fabric Data Agents zu schärfen. Sie ersetzen jedoch weder ein belastbares Datenmodell noch klare Verantwortlichkeiten und systematische Tests. Der folgende Ansatz zeigt, wie du Power BI für KI vorbereitest, ohne eine technische Freigabe mit fachlicher Verlässlichkeit zu verwechseln.

Warum gute BI-Modelle nicht automatisch AI-ready sind

Ein klassischer Bericht führt Nutzer durch eine vorbereitete Analyse. Entwickler wählen Measures aus, setzen Filter, beschriften Visuals und entscheiden, welche Zusammenhänge sichtbar werden. Viele Mehrdeutigkeiten werden bereits durch das Berichtslayout aufgelöst.

Bei einer freien KI-Abfrage fällt ein Teil dieser Führung weg. Die Frage „Wie hat sich unser Umsatz im letzten Quartal entwickelt?“ klingt eindeutig, kann aber mehrere fachlich richtige Interpretationen haben. Gemeint sein könnten Brutto-, Netto- oder fakturierter Umsatz. Das Quartal könnte sich auf Kalender-, Geschäfts-, Bestell- oder Rechnungsdatum beziehen. Stornierungen und Währungseffekte können berücksichtigt oder ignoriert werden.

Copilot muss aus Modellschema, Beziehungen, Measures, Beschreibungen und Berichtsmetadaten ableiten, welche Interpretation passt. Ein Modell kann für erfahrene Nutzer verständlich sein und einer KI trotzdem zu viele plausible Wege anbieten. Auch aktuelle Forschung zu natürlichsprachlichen Datenabfragen zeigt: Eine kuratierte semantische Schicht und ein fokussiertes Schema verbessern das Grounding, lösen aber keine ungeklärte Fachlogik.

Was ein AI-ready Power-BI-Modell ausmacht

AI Readiness ist keine einzelne Einstellung. In der Praxis müssen vier Ebenen zusammenspielen:

Belastbares Datenmodell: Tabellen, Granularitäten, Beziehungen und Filterpfade sind technisch sauber.
Eindeutige Business-Semantik: Namen, Kennzahlen und fachliche Begriffe sind verständlich und abgestimmt.
Gezielter KI-Kontext: AI Data Schema, AI Instructions und Verified Answers geben zusätzliche Orientierung.
Kontrollierter Betrieb: Berechtigungen, Verantwortlichkeiten, Tests und Freigaben sind geklärt.

Ein Fehler auf einer Ebene lässt sich nur begrenzt auf einer anderen kompensieren. AI Instructions können erklären, dass „Umsatz“ standardmäßig den fakturierten Nettoumsatz bezeichnet. Sie reparieren aber keine fehlerhafte Beziehung, kein ungeeignetes Measure und keine widersprüchliche Kennzahlendefinition.

Wer bei den Grundlagen noch Nachholbedarf hat, sollte deshalb zuerst die Datenmodellierung in Power BI stabilisieren. KI macht Schwächen im Modell nicht unsichtbar. Sie macht sie lediglich über neue Oberflächen leichter abfragbar.

Namen, Beschreibungen und Fachbegriffe klären

Technische Namen wie F_Sales, NetValLCY oder Date2 können für Entwickler nachvollziehbar sein. Für Fachanwender und Sprachmodelle liefern sie wenig verwertbaren Kontext. Tabellen, Spalten und Measures sollten deshalb möglichst so heißen, wie die Zielgruppe darüber spricht.

Aus NetValLCY wird beispielsweise „Nettoumsatz in Hauswährung“. Aus Date2 wird „Lieferdatum“. Aus Sales PY wird „Nettoumsatz Vorjahr“. Ähnliche Kennzahlen brauchen eine erkennbare Abgrenzung. „Umsatz“, „Auftragseingang“ und „fakturierter Umsatz“ dürfen nicht nur unterschiedliche Berechnungen besitzen, sondern müssen auch in Namen und Beschreibungen unterscheidbar sein.

Lassen sich technische Namen wegen abhängiger DAX-Ausdrücke oder externer Berichte nicht ändern, werden Beschreibungen und Synonyme besonders wichtig. Sie sollten Berechnung, Filter, Zeitbezug, Einheit und vorgesehene Verwendung erklären.

Metadatenpflege ist damit auch eine fachliche Aufgabe. Der Entwickler dokumentiert die Berechnung; der Fachbereich bestätigt die verbindliche Definition. Wie sich solche Informationen systematisch nutzen lassen, zeigt die Vertiefung zu Metadaten in Power BI.

Measures, Beziehungen und Filterlogik absichern

Für KI-Abfragen sind explizite Measures besonders wertvoll. Sie bündeln fachliche Logik in einem wiederverwendbaren Objekt und reduzieren das Risiko, dass numerische Spalten beliebig summiert, gemittelt oder gezählt werden.

Eine Spalte wie „Stückpreis“ darf beispielsweise nicht summiert werden. Ein explizites Measure kann festlegen, ob ein gewichteter Durchschnitt oder eine andere Berechnung benötigt wird. Hilfs-Measures und überlappende Kennzahlen sollten nicht automatisch in den KI-Kontext aufgenommen werden.

Auch Beziehungen müssen eindeutig sein. Mehrere Filterpfade, unnötige bidirektionale Beziehungen und schwer nachvollziehbare Viele-zu-viele-Konstruktionen erschweren die Ableitung einer fachlich richtigen DAX-Abfrage.

Besonders kritisch sind mehrere Datumsbezüge. Bestell-, Liefer-, Rechnungs- und Buchungsdatum können jeweils sinnvoll sein. Das Modell muss vermitteln, welcher Zeitbezug für welche Kennzahl gilt. Dafür reichen kryptische Spaltennamen und inaktive Beziehungen ohne Dokumentation nicht aus.

Prep for AI in Power BI gezielt konfigurieren

Microsoft bündelt die KI-spezifische Vorbereitung unter „Prepare data for AI“. Die Funktion befindet sich mit Stand Juli 2026 weiterhin in der Preview. Sie kann in Power BI Desktop und im Power BI Service gepflegt werden und umfasst drei zentrale Bausteine.

AI Data Schema: den Fragenraum begrenzen

Mit dem AI Data Schema wählst du eine fokussierte Teilmenge des semantischen Modells aus. Copilot soll bei schemaorientierten Datenfragen zunächst diese Tabellen, Spalten und Measures berücksichtigen. Microsoft empfiehlt, Felder mit geringer Mehrdeutigkeit zu priorisieren und verwirrende Objekte auszuschließen.

Für ein Vertriebsszenario könnten Nettoumsatz, Auftragseingang, Deckungsbeitrag, Kunde, Produktgruppe, Region und Rechnungsdatum genügen. Technische Schlüssel, Hilfsspalten und experimentelle Measures bleiben außen vor. Das AI Data Schema ist allerdings kein Sicherheitsfilter. Vertrauliche Daten müssen weiterhin über Modell und Berechtigungen abgesichert werden.

AI Instructions: Business-Kontext erklären

AI Instructions geben dem Modell zusätzliche fachliche Hinweise. Dort lässt sich beispielsweise festhalten, dass „Umsatz“ standardmäßig den fakturierten Nettoumsatz bezeichnet, Stornierungen auszuschließen sind und zeitliche Vergleiche das Rechnungsdatum verwenden.

Die Anweisungen sollten konkret, kurz und widerspruchsfrei sein. Microsoft weist darauf hin, dass sie von einem Sprachmodell interpretiert werden und ihre exakte Befolgung nicht garantiert ist. Kritische Geschäftslogik gehört deshalb weiterhin in Measures, Beziehungen und Datenprozesse. AI Instructions sind Leitplanken, keine programmierte Kontrolllogik.

Verified Answers: kritische Fragen grounden

Verified Answers sind von Menschen freigegebene visuelle Antworten mit Triggerfragen und optionalen Filtern. Sie eignen sich für wiederkehrende Managementfragen, komplexe Filterlogik und häufig missverstandene Begriffe. Bei Fabric Data Agents beeinflussen die verwendeten Measures, Felder und Filter die DAX-Generierung.

Der Nutzen liegt in wenigen geschäftskritischen Fragen. Zu viele Verified Answers würden eine zweite, schwer wartbare Berichtsschicht erzeugen.

Copilot, Data Agents und MCP unterscheiden

Ein AI-ready Modell kann in mehreren Szenarien genutzt werden. Die technischen Wege und der verfügbare Kontext sind jedoch nicht identisch.

Copilot in Power BI nutzt das semantische Modell und – je nach Funktion – zusätzliche Berichts- und Gesprächskontexte.
Fabric Data Agents können mehrere Fabric-Datenquellen verbinden. Für DAX-Abfragen sind insbesondere die im semantischen Modell gepflegten AI Instructions und Verified Answers relevant.
Der Remote Power BI MCP Server öffnet semantische Modelle für eigene MCP-kompatible Clients. Authentifizierung, Build-Rechte und die gewählte Identität bestimmen den Zugriffskontext.

Vertiefende Einordnungen findest du bei unseren Beiträgen zu Remote Power BI MCP Server und Fabric Data Agents.

Vom AI-ready Semantic Model zur Fabric IQ Ontology

Mit Fabric IQ erweitert Microsoft die Idee der semantischen Schicht über klassische Analytics-Szenarien hinaus. Power BI Semantic Models bleiben dabei die kuratierte Analyseebene für Measures, Dimensionen, Hierarchien und Beziehungen. Eine Fabric IQ Ontology ergänzt diese Semantik um ein gemeinsames Geschäftsvokabular aus Entitäten, Eigenschaften und Beziehungen, das auch über einzelne Datenquellen und Domänen hinweg verwendet werden kann.

Das ist besonders für AI Agents relevant. Ein Semantic Model kann beispielsweise zuverlässig erklären, wie Umsatz, Kunde, Produkt und Zeitraum für eine Vertriebsanalyse definiert sind. Eine Ontology kann diesen Kontext mit weiteren Unternehmenskonzepten wie Bestellung, Lieferung, Standort oder Asset verbinden. Damit entsteht eine zusätzliche Ebene für Szenarien, in denen ein Agent nicht nur Kennzahlen analysiert, sondern Zusammenhänge über mehrere fachliche Bereiche und Datenquellen hinweg verstehen soll. Microsoft positioniert Semantic Models und Ontologies deshalb als ergänzende Bausteine von Fabric IQ.

Warum ein sauberes Semantic Model noch wichtiger wird

Unternehmen müssen für Fabric IQ nicht zwangsläufig bei null beginnen. Microsoft ermöglicht inzwischen, eine Ontology direkt aus einem vorhandenen Power BI Semantic Model zu generieren. Tabellen werden dabei zu Entitätstypen, Spalten zu Eigenschaften und bestehende

Modellbeziehungen bilden eine Ausgangsbasis für Beziehungen in der Ontology. Ein gut gepflegtes Semantic Model wird damit zu einem wiederverwendbaren semantischen Asset für Reporting und weiterführende Agent-Szenarien. Die Ontology-Funktionen und die automatische Generierung befinden sich derzeit allerdings noch in Preview.

Die automatische Generierung bedeutet außerdem nicht, dass aus einem guten Power-BI-Modell automatisch eine fertige Unternehmensontologie entsteht. Nach der Generierung müssen unter anderem Schlüssel, Datenbindungen und Beziehungen geprüft und teilweise manuell ergänzt werden. AI Readiness bleibt deshalb eine fachliche und organisatorische Aufgabe – Fabric IQ erweitert lediglich den möglichen Einsatzbereich einer sauber aufgebauten Semantik.

Security und Governance vor der Freigabe klären

AI Readiness erweitert den Kreis möglicher Datenkonsumenten. Dadurch wird Governance wichtiger, nicht unwichtiger. RLS begrenzt sichtbare Zeilen, OLS kann ganze Tabellen oder Spalten verbergen. Beide Mechanismen müssen mit realistischen Nutzerrollen und allen vorgesehenen Zugriffswegen getestet werden.

Auch Build-Rechte müssen sauber eingeordnet werden. Sie ermöglichen die Wiederverwendung eines semantischen Modells, sind aber kein vollständiges Datenschutzkonzept. Die Kennzeichnung „Approved for Copilot“ ist ebenfalls kein Security- oder Qualitätssiegel. Sie ersetzt weder RLS und OLS noch Promotion, Zertifizierung, fachliche Freigabe oder Abnahmetests.

Welche Modelle freigegeben werden, wer Kennzahlen und AI Instructions verantwortet und wie Änderungen kontrolliert veröffentlicht werden, gehört in eine belastbare Power BI Governance im Self Service. Ergänzend zeigt Berechtigungen in Power BI verstehen, wie Workspace-Rollen, Build, RLS und OLS zusammenspielen.

Antwortqualität mit einem Testkatalog prüfen

Einige überzeugende Demo-Fragen reichen nicht aus, um ein Modell produktiv freizugeben. Benötigt wird ein Testkatalog mit realen Fragen aus dem Fachbereich. Bei jeder Antwort sollte nicht nur die Formulierung geprüft werden. Entscheidend ist, ob die erzeugte DAX-Abfrage das richtige Measure, den passenden Filterkontext und den erwarteten Zeitraum verwendet.

eindeutige Standardfragen und unterschiedliche Formulierungen derselben Frage
ähnliche Kennzahlen und mehrere mögliche Datumsbezüge
Folgefragen mit Gesprächskontext und Fragen außerhalb des freigegebenen Scopes
Rollen-, Security- und Regressionstests nach Modelländerungen

Fehler sollten anschließend kategorisiert werden: Modellierungsfehler, Metadatenproblem, fehlende Geschäftsdefinition, falsche Schemaauswahl, unzureichende Instruction, fehlende Verified Answer oder Berechtigungsproblem. Erst diese Einordnung macht eine systematische Verbesserung möglich.

Power BI in zehn Schritten für KI vorbereiten

Ein fachlich abgegrenztes semantisches Modell auswählen.
Nutzergruppen und typische Geschäftsfragen definieren.
Kennzahlen, Einheiten und Zeitbezüge fachlich abstimmen.
Tabellen, Granularitäten, Beziehungen und Filterpfade prüfen.
Namen, Beschreibungen und Synonyme verbessern.
Explizite und fachlich geprüfte Measures bereitstellen.
Das AI Data Schema auf relevante Objekte begrenzen.
AI Instructions und ausgewählte Verified Answers ergänzen.
RLS, OLS, Workspace-Rollen und Build-Rechte testen.
Reale Fragen, DAX-Abfragen und Regressionen dokumentiert prüfen.

Für den Einstieg reicht ein Pilot mit einem Modell und 20 bis 30 typischen Fachfragen. Er sollte nicht beweisen, dass Copilot irgendwie antworten kann. Er sollte zeigen, für welche Fragen und Nutzergruppen die Antworten reproduzierbar belastbar sind.

Fazit: KI-Qualität beginnt im semantischen Modell

Power BI für KI vorzubereiten bedeutet mehr, als Beschreibungen zu ergänzen und einen Freigabeschalter zu aktivieren. Ein AI-ready Modell braucht klare Geschäftsbegriffe, kontrollierte Measures, eindeutige Beziehungen, fokussierten KI-Kontext und einen nachvollziehbaren Testprozess.

Nicht jedes vorhandene Modell muss sofort umgebaut werden. Sinnvoller ist es, wenige häufig genutzte und fachlich relevante Kernmodelle zu priorisieren. Dort lohnt sich die Arbeit besonders, weil dieselbe Semantik anschließend Reports, Copilot, Fabric Data Agents und eigene Agentenszenarien unterstützen und zugleich eine belastbare Ausgangsbasis für Fabric IQ Ontologies bilden kann.

Der nächste sinnvolle Schritt

Wenn ihr prüfen wollt, ob eure semantischen Modelle für Copilot, Fabric Data Agents oder MCP wirklich AI-ready sind, braucht es keinen sofortigen Umbau der gesamten Power-BI-Landschaft. Sinnvoller ist ein klar abgegrenzter Pilot, bei dem Modellstruktur, Kennzahlenlogik, Metadaten, Berechtigungen und Antwortqualität gemeinsam geprüft werden.

Der nächste sinnvolle Schritt beginnt deshalb mit einem geeigneten Kernmodell, realen Fachfragen und klaren Kriterien dafür, wann eine Antwort als fachlich belastbar gilt. Wenn ihr Power BI strukturiert aufsetzen oder bestehende Lösungen AI-ready weiterentwickeln wollt, unterstützen wir euch mit:

Data Strategy Check – um Datenprodukte, AI Readiness, Governance und Verantwortlichkeiten ganzheitlich einzuordnen
Consulting Abo – für kontinuierliche Unterstützung bei Modellpflege, Tests, Governance und produktivem Betrieb
Power BI Coaching – für konkrete Herausforderungen bei Datenmodellen, DAX, Metadaten und der Vorbereitung auf Copilot
Microsoft Fabric Kick Start – für einen praxisnahen Einstieg in Architektur, Zielbild und einen ersten KI-gestützten Analytics-Use-Case

So wird aus einem technisch zugänglichen semantischen Modell eine belastbare Grundlage für Copilot, Data Agents und MCP.