Dai dati finanziari a decisioni pronte per l'AI: Power BI, Microsoft Fabric, modelli semantici e agenti AI con Rishi Sapra [MVP]

Cosa succede quando gli agenti AI iniziano a dare un senso ai dati finanziari e aziendali, e non si limitano a visualizzarli?In questo episodio di M365.FM, Mirko Peters conversa con Rishi Sapra, Microsoft MVP, sull'architettura necessaria per andare oltre le dashboard tradizionali e arrivare ad analisi basate sull'AI e consapevoli del contesto, con Microsoft Fabric, Power BI, Copilot Studio, modelli semantici, ontologie e data agent.Le organizzazioni dispongono già di enormi quantità di informazioni sparse tra sistemi ERP, cartelle di lavoro Excel, report Power BI, Microsoft Fabric, SharePoint, sistemi finanziari, budget, previsioni e applicazioni operative.Aggiungere l'AI sopra questi dati non significa automaticamente che l'AI comprenda il business.Che cosa significa davvero "ricavo"? Quale definizione di margine dovrebbe usare un agente AI? Quali KPI rappresentano la versione ufficiale della verità? E come fa un agente a comprendere le relazioni tra clienti, prodotti, regioni, centri di costo, contratti e processi aziendali?La risposta si trova sempre più nel livello di contesto che sta tra i dati grezzi e l'AI.

DAL SELF-SERVICE BI AL SELF-SERVICE AI
Rishi racconta il proprio percorso, dalla modellazione finanziaria e Excel, passando per Power Query e i primi tempi di Power BI, fino all'attuale ecosistema di Microsoft Fabric e dell'AI.Power BI ha contribuito a portare la business intelligence fuori dai reparti IT centralizzati e nelle mani degli utenti business.Ma la piattaforma è diventata anche molto più sofisticata.Modelli semantici, DAX, lakehouse, OneLake, Direct Lake, Copilot Studio, data agent, ontologie, strumenti basati su MCP, governance e AI costituiscono ora un'architettura che può diventare rapidamente difficile da comprendere per i singoli utenti business.Gli agenti AI potrebbero cambiare questo rapporto.Invece di richiedere a ogni utente business di diventare contemporaneamente data engineer, sviluppatore BI e AI engineer, gli agenti potrebbero sempre più costruire e gestire parti dell'architettura tecnica, mentre le persone forniscono il contesto di business.

PERCHÉ IL CONTESTO DI BUSINESS È IMPORTANTE PER L'AI
Una delle domande centrali dell'episodio è sorprendentemente semplice:quanto sono documentati i processi e le decisioni aziendali?Gran parte della conoscenza reale di un'organizzazione non vive in un database. Esiste nelle formule Excel, nelle misure Power BI, nei file SharePoint, nei processi aziendali, nella documentazione e nella testa delle persone.Perché gli agenti AI producano insight di business significativi, le organizzazioni devono catturare più dei soli dati.Devono catturare il contesto.Chi sta facendo la domanda?Quali decisioni deve prendere quella persona?Quali KPI sono rilevanti?Quali regole di business si applicano?Che cosa significa una specifica metrica in quel particolare contesto?Ne deriva il concetto di insight guidati dalla persona: progettare l'analisi intorno alle domande e alle decisioni di specifici utenti business, anziché limitarsi a esporre più dati.

MODELLI DI DATI, MODELLI SEMANTICI E ONTOLOGIE
La conversazione esplora tre concetti sempre più importanti nell'architettura analitica moderna di Microsoft.Un modello di dati struttura i dati sottostanti e le relazioni tra di essi.Un modello semantico di Power BI aggiunge logica di business, misure, calcoli, relazioni e sicurezza, creando uno strato analitico governato e una fonte affidabile per i KPI.Ma spesso l'AI richiede di più.Un'ontologia può descrivere entità e relazioni di business in modo tale da consentire all'AI di ragionare su concetti come clienti, prodotti, punti vendita, dipendenti, regioni, contratti, ricavi e processi aziendali.I modelli semantici aiutano a rispondere a:"Qual è il numero?"Le ontologie e il contesto aggiuntivo possono aiutare l'AI a indagare:"Perché il numero è cambiato?"Insieme, questi livelli forniscono una base molto più solida per gli agenti AI.

MICROSOFT FABRIC COME FONDAZIONE DATI PER L'AI
Microsoft Fabric svolge un ruolo centrale in questa architettura.OneLake, i lakehouse, le tabelle Delta, i modelli semantici, Direct Lake, i Fabric Data Agent e l'integrazione con Copilot Studio possono creare una base unificata per i dati aziendali strutturati e non strutturati.L'episodio spiega anche perché Direct Lake è importante.Invece di importare e aggiornare ripetutamente i dati nei tradizionali modelli semantici di Power BI, Direct Lake consente a Power BI di lavorare direttamente con i dati archiviati in formato Delta mantenendo prestazioni analitiche elevate.Questo può semplificare in modo significativo il percorso dai dati aziendali all'analisi e all'AI.

I CINQUE LIVELLI DI UN "CERVELLO ORGANIZZATIVO"
Rishi descrive un "cervello organizzativo" costruito attorno a cinque livelli interconnessi:Dati — informazioni aziendali affidabili e sistemi di origine.Logica — DAX, SQL, Python, calcoli, KPI e regole di business.Strumenti — modelli semantici, API, server MCP, applicazioni e altre funzionalità che gli agenti possono utilizzare.Competenze — istruzioni e processi aziendali che descrivono come gli agenti devono usare tali strumenti e interpretare le informazioni.Governance — permessi, policy, sicurezza, controlli e regole che disciplinano ciò che gli agenti sono autorizzati a fare.L'obiettivo non è semplicemente dare a un LLM accesso a più dati.L'obiettivo è offrire all'AI un ambiente governato in cui comprenda quali dati, logiche, strumenti e processi utilizzare per una determinata domanda di business.

GLI AGENTI AI HANNO BISOGNO DI DATI DETERMINISTICI
L'AI generativa è potente perché può ragionare in modo flessibile.La reportistica finanziaria non può basarsi interamente sulla flessibilità.Ricavi, margini, previsioni, costi e altre metriche di business richiedono spesso calcoli deterministici e una fonte di verità governata.L'episodio esplora perché il futuro dell'AI aziendale potrebbe quindi dipendere dalla combinazione di due mondi:il calcolo deterministico per calcoli affidabili e logica di business.l'AI generativa per il ragionamento, l'interpretazione, l'esplorazione e l'interazione in linguaggio naturale.I modelli semantici e Microsoft Fabric possono fornire la base deterministica, mentre gli agenti AI forniscono il livello di ragionamento flessibile.

DALLE DASHBOARD ALL'INTELLIGENCE PERSONALIZZATA
Le dashboard tradizionali dicono agli utenti che cosa è successo.Una dashboard potrebbe mostrare che il fatturato è diminuito del sette percento. L'utente deve poi approfondire dimensioni, filtri, report e dataset per capire il perché.Gli agenti AI possono potenzialmente eseguire automaticamente gran parte di questa esplorazione.Ma un buon storytelling richiede comunque contesto.Il numero più importante non è sempre il più grande. Una metrica di business può dover essere interpretata in relazione a ricavi, budget, periodi precedenti, struttura organizzativa o altri fattori.È qui che l'analisi guidata dalla persona diventa particolarmente importante.Il CFO, il responsabile vendite e il manager operativo possono chiedere tutti lo stesso KPI, richiedendo però spiegazioni e azioni molto diverse.

COPILOT STUDIO E LA NUOVA GENERAZIONE DI AGENTI
La conversazione esplora anche l'evoluzione di Microsoft Copilot Studio, dalle tradizionali esperienze di chatbot basate su topic e knowledge verso sistemi agentici più capaci.Gli agenti moderni possono potenzialmente combinare strumenti, competenze, dati aziendali, flussi di lavoro e ragionamento.Questa maggiore capacità introduce anche maggiori rischi.Più autonomia riceve un agente, più diventano importanti il grounding, i permessi, la governance, la valutazione e istruzioni chiaramente definite.Gli agenti AI non dovrebbero inventare numeri finanziari né scegliere arbitrariamente le fonti dati.Hanno bisogno di modelli semantici affidabili, dati governati, competenze esplicite e guardrail chiari.

RENDERE LA GOVERNANCE DI NUOVO EFFICACE
La governance diventa ancora più importante in un'organizzazione agentica.Invece di trattare la governance come un documento che i dipendenti dovrebbero leggere, le organizzazioni possono sempre più integrarla direttamente negli ambienti, nelle policy, nelle competenze e nelle istruzioni usate dagli agenti AI.La discussione esplora l'idea di trattare gli agenti più come dipendenti digitali.Hanno bisogno di responsabilità definite, strumenti approvati, permessi di accesso, regole di business, aspettative di prestazione e confini.La governance diventa quindi meno una questione di documentazione e più di applicazione automatizzata.

IL MODELLO OPERATIVO PER FABRIC E L'AI
Infine, l'episodio esamina come le organizzazioni possono gestire questo