Von Finanzdaten zu KI-gestützten Entscheidungen: Power BI, Microsoft Fabric, semantische Modelle & KI-Agenten mit Rishi Sapra [MVP]

Was passiert, wenn KI-Agenten damit beginnen, Finanz- und Geschäftsdaten zu interpretieren – statt sie nur anzuzeigen?In dieser Folge von M365.FM spricht Mirko Peters mit Rishi Sapra, Microsoft MVP, über die Architektur, die nötig ist, um über klassische Dashboards hinauszugehen und hin zu KI-gestützten, kontextbewussten Analysen zu gelangen – mit Microsoft Fabric, Power BI, Copilot Studio, semantischen Modellen, Ontologien und Data Agents.Organisationen verfügen bereits über enorme Mengen an Informationen, verteilt auf ERP-Systeme, Excel-Arbeitsmappen, Power-BI-Berichte, Microsoft Fabric, SharePoint, Finanzsysteme, Budgets, Prognosen und operative Anwendungen.KI einfach auf diese Daten zu setzen bedeutet allerdings nicht automatisch, dass die KI das Geschäft versteht.Was bedeutet „Umsatz“ eigentlich? Welche Definition von Marge sollte ein KI-Agent verwenden? Welche KPIs stellen die offizielle Version der Wahrheit dar? Und wie versteht ein Agent die Beziehungen zwischen Kunden, Produkten, Regionen, Kostenstellen, Verträgen und Geschäftsprozessen?Die Antwort liegt zunehmend in der Kontextschicht zwischen Rohdaten und KI.

VON SELF-SERVICE-BI ZU SELF-SERVICE-KI
Rishi erläutert seinen Weg von der Finanzmodellierung und Excel über Power Query und die Anfangszeit von Power BI bis zum heutigen Ökosystem aus Microsoft Fabric und KI.Power BI hat Business Intelligence aus zentralisierten IT-Abteilungen herausgeholt und in die Hände der Fachanwender gelegt.Die Plattform ist aber inzwischen deutlich anspruchsvoller geworden.Semantische Modelle, DAX, Lakehouses, OneLake, Direct Lake, Copilot Studio, Data Agents, Ontologien, MCP-basierte Werkzeuge, Governance und KI bilden zusammen eine Architektur, die für einzelne Fachanwender schnell schwer zu durchschauen ist.KI-Agenten könnten dieses Verhältnis verändern.Statt dass jeder Fachanwender zugleich Dateningenieur, BI-Entwickler und KI-Ingenieur sein muss, könnten Agenten zunehmend Teile der technischen Architektur aufbauen und betreiben, während Menschen den fachlichen Kontext liefern.

WARUM GESCHÄFTSKONTEXT FÜR KI ENTSCHEIDEND IST
Eine zentrale Frage der Folge ist überraschend einfach:Wie gut sind Ihre Geschäftsprozesse und Entscheidungen dokumentiert?Ein großer Teil des tatsächlichen Wissens einer Organisation lebt nicht in einer Datenbank. Er steckt in Excel-Formeln, Power-BI-Measures, SharePoint-Dateien, Geschäftsprozessen, Dokumentationen – und in den Köpfen der Mitarbeitenden.Damit KI-Agenten sinnvolle Geschäftserkenntnisse liefern können, müssen Organisationen mehr erfassen als Daten.Sie müssen Kontext erfassen.Wer stellt die Frage?Welche Entscheidungen muss diese Person treffen?Welche KPIs sind relevant?Welche Geschäftsregeln gelten?Was bedeutet eine bestimmte Kennzahl in genau diesem Zusammenhang?Daraus ergibt sich das Konzept der personenzentrierten Erkenntnisse: Analysen werden rund um die Fragen und Entscheidungen bestimmter Fachanwender gestaltet, statt einfach mehr Daten offenzulegen.

DATENMODELLE, SEMANTISCHE MODELLE UND ONTOLOGIEN
Das Gespräch beleuchtet drei zunehmend wichtige Konzepte der modernen Analysearchitektur von Microsoft.Ein Datenmodell strukturiert die zugrunde liegenden Daten und ihre Beziehungen.Ein Power-BI-Semantikmodell ergänzt Geschäftslogik, Measures, Berechnungen, Beziehungen und Sicherheit – es entsteht eine gesteuerte Analyseschicht und eine verlässliche Quelle für KPIs.KI benötigt jedoch oft mehr.Eine Ontologie kann Geschäftsobjekte und ihre Beziehungen so beschreiben, dass KI über Konzepte wie Kunden, Produkte, Filialen, Mitarbeitende, Regionen, Verträge, Umsatz und Geschäftsprozesse schlussfolgern kann.Semantische Modelle helfen bei der Frage:„Wie lautet die Zahl?“Ontologien und zusätzlicher Kontext helfen der KI bei der Untersuchung:„Warum hat sich die Zahl verändert?“Zusammen bieten diese Schichten eine deutlich bessere Verankerung für KI-Agenten.

MICROSOFT FABRIC ALS DATENFUNDAMENT FÜR KI
Microsoft Fabric spielt in dieser Architektur eine zentrale Rolle.OneLake, Lakehouses, Delta-Tabellen, semantische Modelle, Direct Lake, Fabric Data Agents und die Integration mit Copilot Studio können eine einheitliche Grundlage für strukturierte und unstrukturierte Unternehmensdaten schaffen.Die Folge erklärt auch, warum Direct Lake wichtig ist.Statt Daten wiederholt in klassische Power-BI-Semantikmodelle zu importieren und zu aktualisieren, arbeitet Power BI mit Direct Lake direkt auf Daten im Delta-Format und bewahrt dabei die Analyseleistung.Das kann den Weg von Unternehmensdaten zu Analysen und KI deutlich vereinfachen.

DIE FÜNF EBENEN EINES ORGANISATIONALEN GEHIRNS
Rishi beschreibt ein „organisationales Gehirn“ aus fünf miteinander verbundenen Ebenen:Daten – vertrauenswürdige Unternehmensinformationen und Quellsysteme.Logik – DAX, SQL, Python, Berechnungen, KPIs und Geschäftsregeln.Werkzeuge – semantische Modelle, APIs, MCP-Server, Anwendungen und weitere Fähigkeiten, die Agenten nutzen können.Fähigkeiten (Skills) – Anweisungen und Geschäftsprozesse, die beschreiben, wie Agenten diese Werkzeuge verwenden und Informationen interpretieren sollen.Governance – Berechtigungen, Richtlinien, Sicherheit, Kontrollen und Regeln, die festlegen, was Agenten tun dürfen.Ziel ist nicht, einem LLM einfach mehr Zugriff auf Daten zu geben.Ziel ist, der KI eine gesteuerte Umgebung zu bieten, in der sie versteht, welche Daten, Logik, Werkzeuge und Prozesse für eine bestimmte geschäftliche Frage zu verwenden sind.

KI-AGENTEN BRAUCHEN DETERMINISTISCHE DATEN
Generative KI ist stark, weil sie flexibel schlussfolgern kann.Finanzberichterstattung kann sich jedoch nicht vollständig auf Flexibilität verlassen.Umsatz, Margen, Prognosen, Kosten und andere Geschäftskennzahlen erfordern häufig deterministische Berechnungen und eine gesteuerte Quelle der Wahrheit.Die Folge untersucht daher, warum die Zukunft der unternehmensweiten KI davon abhängen könnte, zwei Welten zu verbinden:Deterministisches Rechnen für vertrauenswürdige Berechnungen und Geschäftslogik.Generative KI für Schlussfolgerungen, Interpretation, Exploration und Interaktion in natürlicher Sprache.Semantische Modelle und Microsoft Fabric können das deterministische Fundament bereitstellen, während KI-Agenten die flexible Schlussfolgerungsschicht bilden.

VON DASHBOARDS ZU PERSONALISIERTER INTELLIGENZ
Klassische Dashboards zeigen, was passiert ist.Ein Dashboard könnte etwa einen Umsatzrückgang von sieben Prozent anzeigen. Der Nutzer muss dann über Dimensionen, Filter, Berichte und Datasets hinweg bohren, um die Ursache zu verstehen.KI-Agenten können einen Großteil dieser Exploration potenziell automatisch durchführen.Gutes Storytelling braucht aber trotzdem Kontext.Die wichtigste Zahl ist nicht immer die größte Zahl. Eine Geschäftskennzahl muss oft im Verhältnis zu Umsatz, Budget, Vorperioden, Organisationsstruktur oder anderen Faktoren interpretiert werden.Hier wird personenzentrierte Analytik besonders wichtig.CFO, Vertriebsleiter und operativer Manager können dieselbe KPI abfragen und dennoch ganz unterschiedliche Erklärungen und Maßnahmen benötigen.

COPILOT STUDIO UND DIE NÄCHSTE GENERATION VON AGENTEN
Das Gespräch behandelt außerdem die Weiterentwicklung von Microsoft Copilot Studio – weg von klassischen themen- und wissensbasierten Chatbots hin zu leistungsfähigeren agentischen Systemen.Moderne Agenten können Werkzeuge, Fähigkeiten, Unternehmensdaten, Workflows und Schlussfolgerungen kombinieren.Diese zusätzliche Leistungsfähigkeit bringt allerdings auch zusätzliche Risiken mit sich.Je mehr Autonomie ein Agent erhält, desto wichtiger werden Verankerung, Berechtigungen, Governance, Evaluierung und klar definierte Anweisungen.KI-Agenten sollten keine Finanzzahlen erfinden oder Datenquellen willkürlich auswählen.Sie brauchen vertrauenswürdige semantische Modelle, gesteuerte Daten, explizite Fähigkeiten und klare Leitplanken.

GOVERNANCE NEU DENKEN
In einer agentischen Organisation gewinnt Governance noch mehr an Bedeutung.Statt Governance als Dokument zu verstehen, das Mitarbeitende lesen sollen, können Organisationen Governance zunehmend direkt in Umgebungen, Richtlinien, Fähigkeiten und Anweisungen verankern, die KI-Agenten verwenden.Die Diskussion greift die Idee auf, Agenten eher wie digitale Mitarbeitende zu behandeln.Sie brauchen definierte Verantwortlichkeiten, freigegebene Werkzeuge, Zugriffsberechtigungen, Geschäftsregeln, Leistungserwartungen und Grenzen.Governance wird damit weniger zur Dokumentation und mehr zur automatisierten Durchsetzung.

DAS BETRIEBSMODELL FÜR FABRIC UND KI
Schließlich untersucht die Folge, wie Organisationen diese