top of page
Suche

Power BI MCP Einführung

Aktualisiert: 30. Dez. 2025

Mit dem neuen Model Context Protocol (MCP) hat Microsoft einen großen Schritt in Richtung KI-gestützter BI-Entwicklung gemacht. Erstmals lassen sich Power-BI-Modelle direkt per natürlicher Sprache ansprechen und verändern. Viele Aufgaben, die bislang zeitintensiv und manuell waren, können nun in wenigen Sekunden ausgeführt werden. In den vergangenen Tagen habe ich MCP in Verbindung mit Visual Studio Code getestet. In diesem Beitrag zeige ich kurz und kompakt, wie der Einstieg gelingt und welche Erfahrungen ich bisher sammeln konnte.



MCP: Ein neuer Ansatz für Power-BI-Modellierung

Microsoft hat das offizielle Power BI MCP veröffentlicht – eine Funktion, die es ermöglicht, Modellobjekte wie Measures oder Tabellen per natürlicher Sprache zu bearbeiten. Ich habe mithilfe von Visual Studio Code eine Verbindung zu meinem Power BI Desktop hergestellt und war überrascht, wie schnell sich komplexe Anpassungen umsetzen lassen. Eine Measure lässt sich beispielsweise ohne manuellen Aufwand von „Likes“ auf „Follower“ umstellen oder inhaltlich komplett neu strukturieren. Änderungen erscheinen unmittelbar, ohne erneutes Laden der Datei.


Einrichtung in Visual Studio Code

Für die ersten Schritte benötigt man Visual Studio Code sowie drei Erweiterungen: den „Power BI Modeling MCP Server“, GitHub Copilot und GitHub Copilot Chat. VS Code eignet sich besonders gut, da Copilot dort direkt in den Entwicklungsprozess eingebunden ist. Nach der Installation öffnet man den Chat und prüft über „Configure tools“, ob MCP aktiviert ist. Anschließend sollte der Modus auf „Agents“ gesetzt werden, damit die KI auch Schreibrechte erhält.


Verbindung zum Power-BI-Modell herstellen

Die Anbindung erfolgt über eine einfache Eingabe wie:„Using the Power BI MCP connect to open desktop [Dateiname]“. Beim ersten Mal fragt MCP für nahezu alle Aktionen nach Bestätigungen. Lesende Zugriffe kann man problemlos erlauben, bei schreibenden sollte man bewusst zustimmen. Sobald die Verbindung steht, kann die KI direkt mit dem Power-BI-Modell interagieren.


Modelle per natürlicher Sprache bearbeiten

Sind alle Voraussetzungen erfüllt, lassen sich Measures, Berechnungslogiken oder Modellstrukturen direkt per Textbefehl ändern. In vielen Fällen liefert MCP sofort brauchbare Ergebnisse. Die Bearbeitung erfolgt schnell und ohne manuelle Eingriffe. Besonders wertvoll ist, dass die KI bestehende Measures nicht nur umschreibt, sondern deren Logik nachvollzieht und sinnvoll anpasst.


Bessere Ergebnisse durch zusätzlichen Kontext

Kommt es zu Unklarheiten – etwa bei Namenskonventionen oder nicht eindeutig referenzierten Objekten –, kann die KI Fehler machen oder Bezeichnungen erfinden. Um das zu vermeiden, lohnt sich eine kleine Anweisungsdatei, die man als zusätzlichen Kontext hinzufügt.

Dort können Regeln stehen wie:


  • nur existierende Modellobjekte verwenden

  • keine neuen Measures anlegen

  • bei Unklarheiten Rückfragen stellen


Diese Hinweise verbessern die Qualität der Ergebnisse deutlich.


Aktueller Stand: Desktop stabil, Fabric noch eingeschränkt

In meinen Tests funktionierten Modelländerungen im Power BI Desktop zuverlässig. Die Verbindung zu Fabric-Workspaces ließ sich jedoch noch nicht herstellen. Weder im Fabric Trial noch in meinem Power-BI-Pro-Workspace war eine Anmeldung möglich, sodass MCP derzeit offenbar hauptsächlich für Desktop-Modelle stabil verfügbar ist.

Fazit: Viel Potenzial für einen effizienteren BI-Workflow

MCP ist ein äußerst vielversprechendes Werkzeug, das die Arbeit mit Power-BI-Modellen spürbar effizienter macht. Obwohl es noch nicht perfekt funktioniert – insbesondere in Kombination mit der kostenlosen Copilot-Version – ist der Mehrwert klar zu erkennen: weniger manuelle Arbeit, mehr Automatisierung, konsistentere Änderungen und bessere Wiederholbarkeit.

Auf GitHub finden sich zudem zahlreiche Beispielprojekte, die zeigen, wie vielseitig MCP eingesetzt werden kann – von Namenskonventionen bis hin zum Refaktorieren komplexer Measures. Der Einstieg lohnt sich definitiv.

Der nächste sinnvolle Schritt

Power BI entfaltet seinen Nutzen erst dann vollständig, wenn Dashboards sauber aufgebaut, Datenmodelle durchdacht und Kennzahlen klar definiert sind.Genau diese Grundlagen entscheiden darüber, ob Berichte genutzt werden – oder ignoriert.


Wenn du Power BI strukturiert aufsetzen oder bestehende Lösungen verbessern willst, unterstützen wir dich mit:


So wird aus einem funktionierenden Bericht eine belastbare Analytics-Lösung.

bottom of page