Power BI MCP: Modeling, Remote MCP und Report Authoring erklärt

Als wir Power BI MCP Ende 2025 erstmals getestet haben, war vor allem eines beeindruckend: Measures, Tabellen und andere Modellobjekte ließen sich plötzlich per natürlicher Sprache bearbeiten. Damals funktionierte das in unseren Tests vor allem mit Power BI Desktop. Wenige Monate später sieht die Architektur deutlich anders aus.

Power BI MCP ist inzwischen kein einzelnes Werkzeug mehr. Microsoft hat rund um Power BI einen Agentic-Stack aufgebaut, in dem unterschiedliche Komponenten unterschiedliche Aufgaben übernehmen.

Der Power BI Modeling MCP Server bearbeitet semantische Modelle. Der Remote Power BI MCP Server ermöglicht KI-Agenten, bestehende Modelle abzufragen. Der Power BI Report Authoring Skill kümmert sich um den Report-Layer – Seiten, Visuals, Filter, Slicer, Formatierung und Themes in PBIR-/PBIP-Projekten.

Die entscheidende Frage lautet deshalb nicht mehr „Was kann Power BI MCP?“, sondern „Welche Komponente brauche ich für welche Aufgabe?“

Power BI MCP ist inzwischen ein Stack

Die heutige Architektur lässt sich vereinfacht in drei Ebenen aufteilen:

Modeling MCP verändert das Modell. Remote MCP nutzt das Modell. Report Authoring verändert den Bericht.

Diese Trennung verhindert falsche Erwartungen: Eine neue Measure gehört in die Modeling-Schicht. Eine Datenfrage an ein veröffentlichtes Modell in die Remote-MCP-Schicht. Eine neue Berichtsseite oder ein neues Visual gehört zum Report Authoring.

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.

Fabric ist heute kein grundsätzlicher Blocker mehr

Eine zentrale Aussage aus der ursprünglichen Version dieses Artikels ist inzwischen überholt.

In unseren frühen Tests ließ sich der Modeling MCP zuverlässig mit Power BI Desktop verwenden, während die Verbindung zu Fabric Workspaces noch nicht funktionierte. Dieser historische Teststand sollte heute nicht mehr als Produktgrenze interpretiert werden.

Der lokale Power BI MCP Server unterstützt inzwischen ausdrücklich die Arbeit mit:

• Power BI Desktop

• semantischen Modellen in Microsoft Fabric Workspaces

• Power BI Project-Dateien

• TMDL-basierten Modellen

Power BI MCP ist damit nicht mehr auf lokale Desktop-Modelle beschränkt.

Für professionelle Entwicklungsprozesse ist das entscheidend: Agentische Modellpflege kann heute Teil eines PBIP-/TMDL-, Source-Control- und Fabric-Workflows werden.

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.

Was Power BI MCP für BI-Teams wirklich verändert

Der spannendste Punkt an Power BI MCP ist nicht, dass sich einzelne Measures per Chat ändern lassen. Das ist beeindruckend, aber noch nicht der eigentliche Hebel. Interessant wird MCP dort, wo wiederkehrende Modellierungsaufgaben, DAX-Anpassungen, Dokumentation und Qualitätsprüfungen strukturierter und schneller werden.

Viele Power-BI-Teams verbringen viel Zeit mit Arbeiten, die fachlich wichtig sind, aber operativ bremsen: Measures umbenennen, Beschreibungen ergänzen, Namenskonventionen prüfen, Berechnungen anpassen, Modellobjekte dokumentieren oder DAX-Logiken validieren. Genau hier kann ein MCP-gestützter Workflow helfen. Nicht als Autopilot, der ungeprüft produktive Modelle umbaut, sondern als Assistenzsystem für erfahrene Entwicklerinnen und Entwickler.

Modeling MCP, Remote MCP und Report Authoring: drei unterschiedliche Aufgaben

Die drei Komponenten sollten nicht als Varianten desselben Werkzeugs verstanden werden. Sie greifen an unterschiedlichen Stellen der Power-BI-Architektur an.

Modeling MCP: Modelle bauen und verändern

Der lokale Power BI Modeling MCP Server ist für Entwicklung und Modellverwaltung gedacht. Er kann Tabellen, Spalten, Measures und Beziehungen verwalten, DAX validieren, Metadaten ergänzen und semantische Modelle dokumentieren.

Der größte Produktivitätshebel liegt in wiederholbaren Modellierungsaufgaben – nicht im einzelnen Chat-Prompt.

Remote MCP: Modelle analysieren und abfragen

Der Remote Power BI MCP Server verfolgt einen anderen Zweck. AI-Agenten können veröffentlichte semantische Modelle lesen, DAX-Abfragen erzeugen und ausführen sowie Ergebnisse interpretieren.

Remote MCP ist damit eher ein Analyse- und Agent-Interface als ein Entwicklungswerkzeug.

Report Authoring: Der Report-Layer wird agentisch

Der Modeling MCP Server selbst verändert weiterhin keine Power-BI-Berichtsseiten oder Visual-Layouts. Für diese Ebene hat Microsoft einen separaten Power BI Report Authoring Skill eingeführt.

Dieser arbeitet mit PBIR innerhalb von Power BI Projects und kann Berichtsseiten erstellen, Visuals konfigurieren, Felder binden, Filter und Slicer setzen, Formatierungen ändern, Themes anwenden und PBIR-Definitionen validieren.

Modeling MCP kümmert sich um die semantische Schicht. Report Authoring kümmert sich um die Darstellungsschicht.

Typische Einsatzfälle für Power BI MCP

Ein naheliegender Einsatzfall ist die Arbeit an Measures. Statt jede Berechnung manuell zu suchen, zu kopieren, anzupassen und erneut zu testen, kann ein Agent vorhandene Measures analysieren und Änderungsvorschläge umsetzen. Gerade bei konsistenten Namensmustern, klaren Modellstrukturen und gut beschriebenen Kennzahlen kann das viel Zeit sparen.

Ebenso spannend ist die Dokumentation semantischer Modelle. Viele Power-BI-Modelle wachsen über Jahre, aber Beschreibungen, Business-Logik und technische Hintergründe bleiben oft im Kopf einzelner Personen. MCP kann helfen, Modellobjekte auszulesen, Measures zu erklären, Beziehungen zu beschreiben und daraus eine erste technische oder fachliche Dokumentation zu erzeugen.

Ein dritter Einsatzfall liegt in Standardisierung und Qualitätssicherung. Namenskonventionen, Ordnerstrukturen, Beschreibungen, Formatierungen oder einfache Modellierungsregeln lassen sich über Prompts und Anweisungsdateien wiederholbarer prüfen. Das ersetzt kein Review durch erfahrene BI-Verantwortliche, kann aber die Vorarbeit deutlich beschleunigen.

Wo Power BI MCP heute noch Grenzen hat

Power BI MCP ist kein Ersatz für saubere Modellierung. Wenn Datenmodell, Kennzahlenlogik oder Granularität fachlich unscharf sind, beschleunigt ein Agent im Zweifel nur bestehende Fehler.

Auch bei DAX bleibt fachliches Review unverzichtbar. Technisch gültiger DAX ist nicht automatisch betriebswirtschaftlich richtig.

Die frühere Grenze am Report-Layer muss heute differenziert formuliert werden: Modeling MCP selbst verändert keine Reportseiten. Mit dem separaten Report Authoring Skill können PBIR-/PBIP-Berichte jedoch inzwischen agentisch erstellt und verändert werden.

Alle drei Komponenten befinden sich weiterhin im Preview-Status. Produktgrenzen, unterstützte Workflows und Schnittstellen können sich daher weiter verändern.

Zusätzlich ist der Kontextumfang ein praktischer Faktor: Große Modelle mit vielen Tabellen, Spalten und Measures erschweren Modellverständnis und Abfragegenerierung. Remote MCP ist außerdem kein zustandsbehafteter Analyse-Agent; der Gesprächskontext liegt beim verwendeten Agenten beziehungsweise LLM.

Report Authoring setzt einen PBIP-/PBIR-orientierten Entwicklungsmodus voraus. Klassische Reportdateien ohne diese Struktur sind nicht der primäre Arbeitsweg.

Governance wird wichtiger, nicht unwichtiger

Je einfacher Modelländerungen per natürlicher Sprache möglich werden, desto wichtiger werden klare Leitplanken. Wer einem Agenten Schreibrechte auf semantische Modelle gibt, sollte vorher klären, in welchen Umgebungen gearbeitet wird, welche Berechtigungen gelten und wie Änderungen geprüft werden. MCP gehört zuerst in Test- und Entwicklungsmodelle, nicht direkt in produktive Kernberichte.

Sinnvoll sind Backups, Versionierung und ein klarer Review-Prozess. Gerade mit PBIP- und TMDL-Strukturen wird es attraktiver, Modelländerungen stärker wie Softwareentwicklung zu behandeln: Änderungen nachvollziehbar machen, prüfen, vergleichen und erst danach veröffentlichen. Das passt besser zu professionellen BI-Teams als spontane Änderungen direkt am produktiven Modell.

Auch Datenschutz und Informationssicherheit dürfen nicht unterschätzt werden. Microsoft weist darauf hin, dass Metadaten, Schemas oder Abfrageergebnisse an den MCP-Client und je nach Setup an den verwendeten LLM-Anbieter weitergegeben werden können. Deshalb reicht es nicht, nur Power-BI-Berechtigungen zu betrachten. Unternehmen müssen auch klären, welche KI-Tools, Modelle und Anbieter in welchem Kontext erlaubt sind.

Ein sinnvoller Einstieg für BI-Teams

Der beste Einstieg bleibt ein kontrolliertes Testszenario mit einem nicht produktiven Power-BI-Modell – inzwischen aber idealerweise als kleiner End-to-End-Test des gesamten Agentic Stacks.

1. Modellpflege

Measures erklären lassen, Dokumentation ergänzen, Namenskonventionen prüfen und kleinere DAX-Änderungen mit Modeling MCP durchführen.

2. Agentische Analyse

Dasselbe Modell über Remote MCP mit typischen Business-Fragen abfragen und prüfen, ob Modellstruktur, Measures und Beschreibungen AI-tauglich sind.

3. Report Authoring

Auf Basis des semantischen Modells eine neue Seite oder ein bestehendes Visual über den Report Authoring Skill bearbeiten.

So testet ihr nicht nur ein einzelnes Tool, sondern den zukünftigen Entwicklungs- und Nutzungsprozess als Ganzes.

Was Entscheider aus Power BI MCP mitnehmen sollten

Für Entscheider ist Power BI MCP vor allem ein Signal: BI-Entwicklung wird stärker automatisierbar. Das betrifft nicht nur einzelne Entwickler, sondern auch Governance, Standards, Dokumentation und Betriebsmodelle. Wer viele Power-BI-Modelle im Unternehmen hat, sollte sich früh damit beschäftigen, wie solche Werkzeuge kontrolliert genutzt werden können.

Der Nutzen entsteht aber nur, wenn die Grundlagen stimmen. Ein gutes semantisches Modell, klare Kennzahlendefinitionen, saubere Rollen und ein Mindestmaß an Governance bleiben die Voraussetzung. Ohne diese Basis beschleunigt MCP im Zweifel nur bestehende Unordnung.

Für Unternehmen mit reiferen Power-BI-Strukturen kann MCP ein echter Produktivitätshebel werden. Besonders dort, wo viele Modelle gepflegt, Standards durchgesetzt und DAX-Logiken regelmäßig angepasst werden müssen, lohnt sich ein strukturierter Test. Wer dagegen noch mit uneinheitlichen Datenmodellen, unklaren Kennzahlen und fehlender Verantwortung kämpft, sollte zuerst die Power-BI-Grundlagen stabilisieren.

---

Fazit: Power BI MCP wird zur Grundlage agentischer BI-Entwicklung

Unsere ersten Tests Ende 2025 zeigten vor allem, wie beeindruckend sich ein Power-BI-Modell per natürlicher Sprache verändern lässt. Heute ist das Bild deutlich größer.

Der lokale Modeling MCP Server kann semantische Modelle in Desktop, Fabric und PBIP-orientierten Entwicklungsprozessen bearbeiten. Der Remote Power BI MCP Server macht veröffentlichte semantische Modelle für AI-Agenten abfragbar. Und mit dem Power BI Report Authoring Skill wird auch die Berichtsschicht Teil agentischer Entwicklungsworkflows.

Power BI entwickelt sich damit von einzelnen Copilot-Funktionen hin zu einer programmatisch und agentisch steuerbaren Analytics-Plattform.

Der wichtigste Erfolgsfaktor ist dabei nicht der beste Prompt. Es sind saubere semantische Modelle, klare Standards, versionierbare Entwicklungsprozesse und ein bewusstes Berechtigungsmodell.

AI-Agenten können diese Strukturen enorm beschleunigen. Sie können sie aber nicht ersetzen.

---

Der nächste sinnvolle Schritt

Wenn ihr Power BI MCP nicht nur ausprobieren, sondern kontrolliert in eure Entwicklungsprozesse integrieren wollt, sollte der Einstieg an einem realen, aber nicht produktiven semantischen Modell erfolgen.

Im Power BI Coaching können wir gemeinsam prüfen, welche MCP- und Agentic-Szenarien für eure Modelle sinnvoll sind – von DAX und Modellpflege über PBIP bis zu Governance und Review-Prozessen.

Ziel ist ein Workflow, in dem AI repetitive Arbeit beschleunigt und das BI-Team die fachliche Kontrolle behält.