Dari Data Keuangan ke Keputusan Siap AI: Power BI, Microsoft Fabric, Semantic Model & AI Agent bersama Rishi Sapra [MVP]

Apa yang terjadi ketika agen AI mulai memahami data keuangan dan bisnis — bukan sekadar menampilkannya?Dalam episode M365.FM ini, Mirko Peters berbincang dengan Rishi Sapra, Microsoft MVP, tentang arsitektur yang dibutuhkan untuk melampaui dashboard tradisional dan beralih ke analitik berbasis AI yang sadar konteks dengan Microsoft Fabric, Power BI, Copilot Studio, semantic model, ontologi, dan data agent.Organisasi sudah memiliki informasi dalam jumlah besar yang tersebar di sistem ERP, buku kerja Excel, laporan Power BI, Microsoft Fabric, SharePoint, sistem keuangan, anggaran, perkiraan, dan aplikasi operasional.Menambahkan AI di atas data tersebut tidak otomatis berarti AI memahami bisnis.Apa arti sebenarnya dari "pendapatan"? Definisi margin mana yang harus digunakan agen AI? KPI mana yang merepresentasikan versi resmi kebenaran? Dan bagaimana agen memahami hubungan antara pelanggan, produk, wilayah, pusat biaya, kontrak, dan proses bisnis?Jawabannya semakin banyak terletak pada lapisan konteks di antara data mentah dan AI.

DARI SELF-SERVICE BI KE SELF-SERVICE AI
Rishi menjelaskan perjalanannya dari pemodelan keuangan dan Excel, melalui Power Query dan masa awal Power BI, hingga ekosistem Microsoft Fabric dan AI saat ini.Power BI membantu membawa business intelligence keluar dari departemen TI yang terpusat dan ke tangan pengguna bisnis.Namun platform ini juga menjadi jauh lebih canggih.Semantic model, DAX, lakehouse, OneLake, Direct Lake, Copilot Studio, data agent, ontologi, alat berbasis MCP, tata kelola, dan AI kini membentuk arsitektur yang dengan cepat bisa menjadi sulit dipahami oleh pengguna bisnis individual.Agen AI dapat mengubah hubungan tersebut.Alih-alih mewajibkan setiap pengguna bisnis menjadi data engineer, pengembang BI, dan AI engineer sekaligus, agen semakin dapat membangun dan mengoperasikan sebagian arsitektur teknis, sementara manusia menyediakan konteks bisnis.

MENGAPA KONTEKS BISNIS PENTING BAGI AI
Salah satu pertanyaan sentral dalam episode ini terdengar sederhana:Seberapa baik dokumentasi proses dan keputusan bisnis Anda?Sebagian besar pengetahuan nyata organisasi tidak tersimpan di dalam database. Pengetahuan itu ada dalam rumus Excel, measure Power BI, file SharePoint, proses bisnis, dokumentasi — dan dalam benak orang-orang.Agar agen AI menghasilkan wawasan bisnis yang bermakna, organisasi perlu menangkap lebih dari sekadar data.Mereka perlu menangkap konteks.Siapa yang mengajukan pertanyaan?Keputusan apa yang perlu diambil orang tersebut?KPI mana yang penting?Aturan bisnis mana yang berlaku?Apa arti sebuah metrik dalam konteks tertentu?Hal ini mengarah pada konsep wawasan berbasis persona: merancang analitik di sekitar keputusan dan pertanyaan pengguna bisnis tertentu, alih-alih sekadar memperlihatkan lebih banyak data.

MODEL DATA VS SEMANTIC MODEL VS ONTOLOGI
Percakapan ini mengeksplorasi tiga konsep yang semakin penting dalam arsitektur analitik Microsoft modern.Model data menata data dasar dan hubungan di antara data tersebut.Semantic model Power BI menambahkan logika bisnis, measure, kalkulasi, relasi, dan keamanan — menciptakan lapisan analitik yang terkelola dan menjadi sumber KPI yang andal.Namun AI sering membutuhkan lebih dari itu.Sebuah ontologi dapat mendeskripsikan entitas dan hubungan bisnis sehingga AI mampu bernalar tentang konsep seperti pelanggan, produk, toko, karyawan, wilayah, kontrak, pendapatan, dan proses bisnis.Semantic model membantu menjawab:"Berapa angkanya?"Ontologi dan konteks tambahan dapat membantu AI menyelidiki:"Mengapa angka itu berubah?"Bersama-sama, lapisan-lapisan ini memberikan dasar yang jauh lebih kuat bagi agen AI.

MICROSOFT FABRIC SEBAGAI FONDASI DATA UNTUK AI
Microsoft Fabric memainkan peran sentral dalam arsitektur ini.OneLake, Lakehouse, tabel Delta, semantic model, Direct Lake, Fabric Data Agent, dan integrasi dengan Copilot Studio dapat menciptakan fondasi terpadu untuk data organisasi yang terstruktur maupun tidak terstruktur.Episode ini juga menjelaskan mengapa Direct Lake penting.Alih-alih terus-menerus mengimpor dan menyegarkan data ke dalam semantic model Power BI tradisional, Direct Lake memungkinkan Power BI bekerja langsung dengan data yang tersimpan dalam format Delta sambil tetap menjaga performa analitik.Hal ini dapat secara signifikan menyederhanakan jalur dari data perusahaan menuju analitik dan AI.

LIMA LAPISAN "OTAK ORGANISASI"
Rishi menggambarkan "otak organisasi" yang dibangun dari lima lapisan yang saling terhubung:Data — informasi perusahaan tepercaya dan sistem sumber.Logika — DAX, SQL, Python, kalkulasi, KPI, dan aturan bisnis.Alat — semantic model, API, server MCP, aplikasi, dan kapabilitas lain yang dapat digunakan agen.Keterampilan — instruksi dan proses bisnis yang menjelaskan bagaimana agen harus menggunakan alat tersebut dan menafsirkan informasi.Tata kelola — izin, kebijakan, keamanan, kontrol, dan aturan yang mengatur apa yang boleh dilakukan agen.Tujuannya bukan sekadar memberi LLM akses ke lebih banyak data.Tujuannya adalah memberi AI lingkungan yang terkelola di mana ia memahami data, logika, alat, dan proses mana yang harus digunakan untuk pertanyaan bisnis tertentu.

AGEN AI MEMBUTUHKAN DATA YANG DETERMINISTIK
AI generatif kuat karena mampu bernalar secara fleksibel.Pelaporan keuangan tidak bisa sepenuhnya bergantung pada fleksibilitas.Pendapatan, margin, perkiraan, biaya, dan metrik bisnis lain sering kali memerlukan kalkulasi deterministik dan sumber kebenaran yang terkelola.Episode ini mengeksplorasi mengapa masa depan AI perusahaan mungkin bergantung pada penggabungan dua dunia:Komputasi deterministik untuk kalkulasi tepercaya dan logika bisnis.AI generatif untuk penalaran, interpretasi, eksplorasi, dan interaksi berbasis bahasa alami.Semantic model dan Microsoft Fabric dapat menyediakan fondasi deterministik, sementara agen AI menyediakan lapisan penalaran yang fleksibel.

DARI DASHBOARD KE KECERDASAN YANG DIPERSONALISASI
Dashboard tradisional memberi tahu pengguna apa yang terjadi.Sebuah dashboard mungkin menunjukkan bahwa pendapatan turun tujuh persen. Pengguna kemudian harus menelusuri dimensi, filter, laporan, dan dataset untuk memahami alasannya.Agen AI berpotensi melakukan sebagian besar eksplorasi ini secara otomatis.Namun penceritaan yang baik tetap membutuhkan konteks.Angka paling penting tidak selalu merupakan angka terbesar. Sebuah metrik bisnis mungkin perlu diinterpretasikan relatif terhadap pendapatan, anggaran, periode sebelumnya, struktur organisasi, atau faktor lainnya.Di sinilah analitik berbasis persona menjadi sangat penting.CFO, pemimpin penjualan, dan manajer operasional mungkin sama-sama menanyakan KPI yang sama, tetapi membutuhkan penjelasan dan tindakan yang sangat berbeda.

COPILOT STUDIO DAN GENERASI AGEN BERIKUTNYA
Percakapan ini juga mengeksplorasi evolusi Microsoft Copilot Studio dari pengalaman chatbot tradisional berbasis topik dan pengetahuan menuju sistem agentik yang lebih mampu.Agen modern berpotensi menggabungkan alat, keterampilan, data perusahaan, alur kerja, dan penalaran.Kapabilitas tambahan tersebut juga membawa risiko tambahan.Semakin besar otonomi yang diberikan kepada agen, semakin penting grounding, izin, tata kelola, evaluasi, dan instruksi yang jelas.Agen AI tidak boleh mengarang angka keuangan atau memilih sumber data secara sembarangan.Mereka membutuhkan semantic model tepercaya, data yang terkelola, keterampilan yang eksplisit, dan batasan yang jelas.

MEMBUAT TATA KELOLA KEMBALI EFEKTIF
Tata kelola menjadi semakin penting dalam organisasi yang agentik.Alih-alih memperlakukan tata kelola sebagai dokumen yang diharapkan dibaca karyawan, organisasi semakin dapat menanamkan tata kelola langsung ke dalam lingkungan, kebijakan, keterampilan, dan instruksi yang digunakan agen AI.Diskusi ini mengeksplorasi gagasan memperlakukan agen lebih seperti karyawan digital.Mereka membutuhkan tanggung jawab yang jelas, alat yang disetujui, izin akses, aturan bisnis, ekspektasi kinerja, dan batasan.Tata kelola dengan demikian menjadi kurang tentang dokumentasi dan lebih tentang penegakan otomatis.

MODEL OPERASIONAL UNTUK FABRIC DAN AI
Akhirnya, episode ini membahas bagaimana organisasi dapat mengelola ini