Hva rapporten din ikke forteller AI: Slik forbereder du den semantiske modellen i Power BI

De fleste semantiske modeller i Power BI er bygget for å støtte rapporter som leses av mennesker. Modellen inneholder målinger, dimensjoner og relasjoner, mens resten av konteksten overlates til rapportdesignet og brukerens egen forståelse.

Dette har fungert godt fordi mennesker selv fyller inn manglende sammenhenger. Men Copilot, MCP (Model Context Protocol), Fabric Apps og andre AI-agenter ser ikke på rapporten. De spør den semantiske modellen direkte, og all kontekst som tidligere lå i rapportoppsettet eller i hodet på analytikeren, er ikke tilgjengelig for dem.

Hvis en analytiker må forklare rapporten, er modellen din ikke klar for AI

En godt bygget Power BI-rapport inneholder ofte mye informasjon som ikke finnes i den semantiske modellen i det hele tatt. Sidetittelen forteller kanskje at tallene ekskluderer konserninternt salg. Et filter på siden fjerner testkunder. En kommentar under en visualisering forklarer at inneværende måned oppdateres etter at regnskapet er avsluttet. Selve oppsettet leder brukeren til å se på totalomsetning før antall enheter.

Alt dette er forretningslogikk. Den har havnet i rapportlaget fordi rapporten tradisjonelt har vært det eneste stedet dataene ble konsumert.

I tillegg finnes det logikk som alltid har ligget hos menneskene som jobber med dataene. Analytikeren vet at målingen «Sales v2» er utfaset, at kreditnotaer bokføres i en annen måned enn den opprinnelige fakturaen, og at tallene fra én forretningsenhet kommer en uke senere enn resten. Ingenting av dette er nødvendigvis dokumentert noe sted, fordi det frem til nå ikke har vært behov for det.

Når AI-verktøy som Copilot, Fabric Apps eller andre agenter begynner å samhandle direkte med den semantiske modellen, blir dette en utfordring. AI-en ser ikke rapportens oppsett, leser ikke kommentarene og kjenner ikke den uskrevne kunnskapen som analytikerne har opparbeidet seg over tid. Hvis en analytiker må forklare hvordan en rapport skal tolkes for at den skal gi mening, er det et tydelig tegn på at den semantiske modellen mangler kontekst som AI trenger for å kunne levere korrekte og pålitelige svar.

Rapporteringslaget, det semantiske laget og den semantiske modellen: Hva er forskjellen?
Rapporteringslaget er den delen av dataarkitekturen som brukerne faktisk ser. Det omfatter rapporter, dashboards og visualiseringer som er bygget på virksomhetens data.

Det semantiske laget ligger mellom dataene og rapportene og inneholder forretningslogikken. Her defineres hva dataene betyr, hvordan måltall beregnes, og hvordan ulike datasett henger sammen. Dette sikrer at alle i organisasjonen arbeider ut fra de samme definisjonene og forutsetningene.

Den semantiske modellen er den konkrete implementeringen av det semantiske laget. Den samler tabeller, relasjoner, målinger, beregninger og hierarkier i én modell som rapportene bygges på. I Power BI er den semantiske modellen det som tidligere ble kalt et datasett (dataset).

Hva AI kan se, og hva den ikke kan se

En AI-agent kan se tabellene, kolonnene, målingene og relasjonene i den semantiske modellen, samt navnene på disse. Hvis du har lagt inn beskrivelser, kan den også se dem. Det er hele konteksten den har tilgang til.

Den kan derimot ikke se sidefiltre, titler, tekstbokser eller rapportens oppsett. Den vet ikke hvilken av fem ulike salgsmålinger som er den riktige å bruke. Den forstår heller ikke at en verdi på «Status_cd» lik 3 betyr at en ordre er kansellert.

Det som skjer videre er ganske forutsigbart. Agenten velger en måling basert på navnet, beregner tallet korrekt og leverer et svar med høy selvtillit, men som likevel er feil i en forretningsmessig sammenheng. En person ville sannsynligvis ha oppdaget feilen fordi tallet så unormalt ut. Agenten har ingen intuitiv forståelse av hva som «ser feil ut».

Dette er det store skiftet. En rapport er laget for mennesker som vet hvordan den skal leses og tolkes. For en AI-agent er den semantiske modellen den eneste sannhetskilden. Derfor må modellen inneholde all nødvendig kontekst og forklare alt eksplisitt.

 7 endringer som gjør Power BI’s semantiske modell klar for AI

1. Beskriv alle tabeller, kolonner og målingerPower BI har hatt et beskrivelsesfelt i årevis, men i de fleste modeller står det tomt. For en AI-agent er beskrivelser noe av den mest verdifulle informasjonen du kan gi. En god beskrivelse forklarer hva målingen beregner, hva som er utelatt, og når den skal brukes. For eksempel: «Netto salg eksklusive konserninternt salg og kreditnotaer. Bruk denne når noen spør om salg uten å spesifisere nærmere.»I praksis: Lagre modellen i .pbip-format, bruk et Tabular Editor-skript for å identifisere alle målinger uten beskrivelse, og la AI utarbeide forslag til beskrivelser i TMDL-filene som deretter kvalitetssikres av en fagperson før publisering.
2.  Flytt rapportlogikk inn i modellenAlle side- eller visualiseringsfiltre som representerer forretningslogikk, bør ligge i en måling eller i selve modellen. Hvis testkunder alltid skal ekskluderes, bør denne regelen bygges inn i modellen i stedet for å gjentas på hver enkelt rapportside.I praksis: Gå gjennom rapportdefinisjonene i .pbip-prosjektet, identifiser filtre på side- og visualiseringsnivå, og flytt permanente ekskluderinger inn i det semantiske laget.
3.  Ha én autoritativ måling per forretningsbegrepHvis modellen inneholder målinger som «Sales», «Sales v2», «Sales (new)» og «Sales_FIN», blir AI-agenten nødt til å gjette hvilken som er riktig. Fjern duplikater, skjul hjelpetabeller og sørg for at hvert forretningsbegrep representeres av én tydelig og autoritativ måling.I praksis: Identifiser ubrukte eller overlappende målinger ved hjelp av Measure Killer eller Best Practice Analyzer i Tabular Editor, og flytt dem til en skjult mappe for utfasete målinger før de slettes permanent.
4.  Navngi objekter slik virksomheten gjør«Fact_SalesLines» og «Status_cd» er tekniske navn. AI-agenter presterer bedre når navnene gjenspeiler virksomhetens språk, som for eksempel «Salgslinjer» og «Ordrestatus». Kodeverdier bør oversettes til forståelige begreper, og tekniske nøkkelkolonner som brukerne ikke trenger å se, bør skjules.I praksis: Gi kolonner forretningsvennlige navn i det semantiske laget, og bruk vedlikeholdte mappingtabeller for å oversette kodeverdier slik at samme terminologi brukes konsekvent i alle modeller.
5.  Dokumenter den uskrevne kunnskapenTaus kunnskap må gjøres eksplisitt. Det gjelder blant annet tidsplaner for periodeavslutning, økonomiske rapporteringssykluser, forsinkelser i datakilder og kjente unntak fra standardregler. Power BI tilbyr funksjoner for AI-forberedelse, som instruksjoner til agenten og verifiserte svar, men disse er bare beholdere. Først må virksomheten bli enige om hvilke regler som faktisk gjelder.I praksis: Dokumenter reglene i AI-instruksjonene under «Prep data for AI» i Power BI, og oppbevar den samme dokumentasjonen under versjonskontroll sammen med modellen slik at endringer gjennomgås på samme måte som kode. Taus kunnskap kan også beskrives i egne kontekstfiler eller AI-instruksjoner.
6.  Bygg fokuserte modeller med ett tydelig formålEn gigantisk modell med 400 målinger som dekker hele virksomheten, er vanskelig for en AI-agent å navigere i. Mindre modeller med ett tydelig fagområde gir mer presise svar. Se på hver modell som et produkt med en definert målgruppe og et spesifikt bruksområde.I praksis: Opprett separate semantiske modeller for ulike fagområder, som salg eller økonomi, og bruk datastrukturen i «Prep data for AI» til kun å eksponere tabeller og målinger som er relevante for spørsmål innenfor det aktuelle området.
7.  Ikke hopp over testing og sikkerhetLag en liste med 20 typiske forretningsspørsmål og de korrekte svarene, og test dem mot AI-agenten hver gang modellen endres. Da oppdager du raskt om noe har sluttet å fungere som forventet. Samtidig bør du kontrollere at radnivåsikkerhet (RLS) og objektnivåsikkerhet (OLS) er korrekt konfigurert. I en tradisjonell rapport så brukerne bare det som var plassert på siden. En AI-agent kan stille spørsmål til hele modellen.I praksis: Valider datakvaliteten gjennom tester, lagre testspørsmålene og de korrekte svarene som verifiserte svar, og kontroller radnivåsikkerheten ved hjelp av funksjonen «Vis som» i Power BI Desktop.

Teknisk enkelt, organisatorisk krevende

Å skrive beskrivelser og rydde opp i målinger er teknisk sett ganske enkelt. Den virkelige utfordringen ligger i å bli enige om hva som faktisk er den riktige definisjonen.

Når en BI-utvikler skriver «netto salg eksklusive kreditnotaer» i en beskrivelse, tar vedkommende i praksis en forretningsmessig beslutning. Hvis økonomi- og salgsavdelingen beregner margin på ulike måter, vil ikke beskrivelsen løse uenigheten. Den vil bare synliggjøre den.

Derfor bør hver sentrale måling ha en forretningseier som godkjenner definisjonen. BI-teamet har ansvaret for implementering og datakvalitet, men selve definisjonen bør eies av den personen eller avdelingen som har ansvar for det aktuelle forretningsområdet.

På mange måter fungerer AI-agenter som en test av organisasjonen. De tvinger virksomheten til å dokumentere kunnskap og beslutninger som tidligere har blitt avklart gjennom uformelle samtaler og erfaring.

Hvor bør du starte?

Du trenger ikke å gjennomgå hele modellporteføljen på én gang. Følgende fire steg er nok for å komme i gang:

• Velg én semantisk modell som brukes mye, og som inneholder tall som er viktige for ledelsen.
• Dokumenter logikken i rapportene som bygger på modellen, inkludert sidefiltre, titler og tekstbokser.
• Sett av en time til å intervjue analytikeren som bruker modellen. Hvilke unntak og forutsetninger har vedkommende i bakhodet når dataene tolkes?
• Lag 20 typiske forretningsspørsmål, test dem mot AI-agenten, og identifiser hvor den misforstår eller gir feil svar.Resultatene vil raskt vise hvor langt den semantiske modellen er fra å være AI-klar. De vil ofte også avdekke hvor stor del av virksomhetens datadrevne beslutningstaking som har vært avhengig av kunnskap som bare enkelte personer sitter på.

Spørsmålet er derfor ikke om analyseplattformen din støtter Copilot, MCP eller Fabric Apps. Spørsmålet er om den semantiske modellen er i stand til å fortelle en AI-agent det analytikeren allerede vet.