Van financiële data naar AI-klare beslissingen: Power BI, Microsoft Fabric, semantische modellen & AI-agents met Rishi Sapra [MVP]

Wat gebeurt er wanneer AI-agents financiële en zakelijke gegevens gaan begrijpen — en niet alleen weergeven?In deze aflevering van M365.FM spreekt Mirko Peters met Rishi Sapra, Microsoft MVP, over de architectuur die nodig is om verder te gaan dan traditionele dashboards en toe te werken naar AI-gestuurde, contextbewuste analyses met Microsoft Fabric, Power BI, Copilot Studio, semantische modellen, ontologieën en data-agents.Organisaties beschikken al over enorme hoeveelheden informatie verspreid over ERP-systemen, Excel-werkmappen, Power BI-rapporten, Microsoft Fabric, SharePoint, financiële systemen, budgetten, prognoses en operationele applicaties.AI toevoegen bovenop die data betekent niet automatisch dat de AI het bedrijf begrijpt.Wat betekent "omzet" eigenlijk? Welke definitie van marge moet een AI-agent gebruiken? Welke KPI's vormen de officiële waarheid? En hoe begrijpt een agent de relaties tussen klanten, producten, regio's, kostenplaatsen, contracten en bedrijfsprocessen?Het antwoord ligt steeds vaker in de contextlaag tussen ruwe data en AI.

VAN SELF-SERVICE BI NAAR SELF-SERVICE AI
Rishi legt uit hoe hij is gegroeid van financiële modellering en Excel via Power Query en de begindagen van Power BI naar het huidige Microsoft Fabric- en AI-ecosysteem.Power BI heeft business intelligence uit de gecentraliseerde IT-afdelingen gehaald en in handen gelegd van zakelijke gebruikers.Maar het platform is ook aanzienlijk geavanceerder geworden.Semantische modellen, DAX, lakehouses, OneLake, Direct Lake, Copilot Studio, data-agents, ontologieën, MCP-gebaseerde tools, governance en AI vormen samen een architectuur die voor individuele zakelijke gebruikers snel moeilijk te doorgronden kan worden.AI-agents zouden die verhouding kunnen veranderen.In plaats van dat elke zakelijke gebruiker tegelijk data-engineer, BI-ontwikkelaar en AI-engineer moet zijn, zouden agents steeds vaker delen van de technische architectuur kunnen bouwen en beheren, terwijl mensen de zakelijke context leveren.

WAAROM ZAKELIJKE CONTEXT BELANGRIJK IS VOOR AI
Een van de centrale vragen van de aflevering is verrassend eenvoudig:Hoe goed zijn je bedrijfsprocessen en beslissingen gedocumenteerd?Een groot deel van de echte kennis van een organisatie staat niet in een database. Ze zit in Excel-formules, Power BI-metingen, SharePoint-bestanden, bedrijfsprocessen, documentatie — en in de hoofden van mensen.Wil een AI-agent zinvolle zakelijke inzichten opleveren, dan moeten organisaties meer vastleggen dan alleen data.Ze moeten context vastleggen.Wie stelt de vraag?Welke beslissingen moet die persoon nemen?Welke KPI's zijn belangrijk?Welke bedrijfsregels gelden?Wat betekent een bepaalde metriek in deze specifieke context?Dit leidt tot het concept van persona-gestuurde inzichten: analyses ontwerpen rond de beslissingen en vragen van specifieke zakelijke gebruikers in plaats van simpelweg meer data beschikbaar te stellen.

DATAMODELLEN VERSUS SEMANTISCHE MODELLEN VERSUS ONTOLOGIEËN
Het gesprek verkent drie steeds belangrijker wordende concepten in de moderne Microsoft-analysearchitectuur.Een datamodel structureert de onderliggende data en relaties.Een Power BI-semantisch model voegt bedrijfslogica, metingen, berekeningen, relaties en beveiliging toe — en creëert zo een beheerde analytische laag en een betrouwbare bron voor KPI's.Maar AI heeft vaak meer nodig.Een ontologie kan zakelijke entiteiten en relaties beschrijven op een manier waarmee AI kan redeneren over begrippen zoals klanten, producten, winkels, medewerkers, regio's, contracten, omzet en bedrijfsprocessen.Semantische modellen helpen bij de vraag:"Wat is het getal?"Ontologieën en aanvullende context kunnen AI helpen bij het onderzoeken van:"Waarom is het getal veranderd?"Samen bieden deze lagen een veel sterkere onderbouwing voor AI-agents.

MICROSOFT FABRIC ALS DATAFUNDAMENT VOOR AI
Microsoft Fabric speelt een centrale rol in deze architectuur.OneLake, Lakehouses, Delta-tabellen, semantische modellen, Direct Lake, Fabric Data Agents en integratie met Copilot Studio kunnen samen een uniforme basis vormen voor gestructureerde en ongestructureerde organisatiedata.De aflevering legt ook uit waarom Direct Lake belangrijk is.In plaats van data herhaaldelijk te importeren en te vernieuwen in traditionele Power BI-semantische modellen, werkt Direct Lake rechtstreeks met data die is opgeslagen in het Delta-formaat, terwijl de analytische prestaties behouden blijven.Dit kan het pad van bedrijfsdata naar analyse en AI aanzienlijk vereenvoudigen.

DE VIJF LAGEN VAN EEN ORGANISATORISCH BREIN
Rishi beschrijft een "organisatorisch brein" opgebouwd uit vijf onderling verbonden lagen:Data — vertrouwde bedrijfsinformatie en brondsystemen.Logica — DAX, SQL, Python, berekeningen, KPI's en bedrijfsregels.Tools — semantische modellen, API's, MCP-servers, applicaties en andere mogelijkheden die agents kunnen gebruiken.Skills — instructies en bedrijfsprocessen die beschrijven hoe agents die tools moeten gebruiken en informatie moeten interpreteren.Governance — rechten, beleid, beveiliging, controles en regels die bepalen wat agents mogen doen.Het doel is niet simpelweg een LLM toegang geven tot meer data.Het doel is AI een beheerde omgeving geven waarin het begrijpt welke data, logica, tools en processen gebruikt moeten worden voor een bepaalde zakelijke vraag.

AI-AGENTS HEBBEN DETERMINISTISCHE DATA NODIG
Generatieve AI is krachtig omdat ze flexibel kan redeneren.Financiële rapportage kan niet volledig op flexibiliteit vertrouwen.Omzet, marges, prognoses, kosten en andere bedrijfsmetrieken vereisen vaak deterministische berekeningen en een beheerde bron van waarheid.De aflevering onderzoekt daarom waarom de toekomst van enterprise AI mogelijk afhangt van het combineren van twee werelden:Deterministisch rekenen voor betrouwbare berekeningen en bedrijfslogica.Generatieve AI voor redenering, interpretatie, verkenning en interactie in natuurlijke taal.Semantische modellen en Microsoft Fabric kunnen de deterministische basis leveren, terwijl AI-agents de flexibele redeneerlaag vormen.

VAN DASHBOARDS NAAR GEPERSONALISEERDE INTELLIGENTIE
Traditionele dashboards vertellen gebruikers wat er is gebeurd.Een dashboard kan laten zien dat de omzet met zeven procent is gedaald. De gebruiker moet vervolgens door dimensies, filters, rapporten en datasets navigeren om te begrijpen waarom.AI-agents kunnen veel van deze verkenning mogelijk automatisch uitvoeren.Goed verhalen vertellen vereist echter nog steeds context.Het belangrijkste getal is niet altijd het grootste getal. Een bedrijfsmetriek moet vaak worden geïnterpreteerd in verhouding tot omzet, budget, vorige periodes, de organisatiestructuur of andere factoren.Hier wordt persona-gestuurde analyse bijzonder belangrijk.De CFO, de salesmanager en de operationele manager kunnen allemaal dezelfde KPI bevragen, maar elk heeft een heel andere uitleg en andere acties nodig.

COPILOT STUDIO EN DE VOLGENDE GENERATIE AGENTS
Het gesprek behandelt ook de evolutie van Microsoft Copilot Studio van traditionele, op onderwerpen en kennis gebaseerde chatbots naar capabelere agentische systemen.Moderne agents kunnen tools, skills, bedrijfsdata, workflows en redenering combineren.Die extra mogelijkheden brengen ook extra risico's met zich mee.Hoe meer autonomie een agent krijgt, hoe belangrijker onderbouwing, rechten, governance, evaluatie en duidelijk omschreven instructies worden.AI-agents mogen geen financiële cijfers verzinnen of willekeurig databronnen kiezen.Ze hebben vertrouwde semantische modellen, beheerde data, expliciete skills en duidelijke kaders nodig.

GOVERNANCE WEER GROOT MAKEN
Governance wordt in een agentische organisatie nog belangrijker.In plaats van governance te behandelen als een document dat medewerkers geacht worden te lezen, kunnen organisaties governance steeds vaker direct inbouwen in de omgevingen, het beleid, de skills en de instructies die AI-agents gebruiken.De discussie verkent het idee om agents meer te behandelen als digitale medewerkers.Ze hebben gedefinieerde verantwoordelijkheden, goedgekeurde tools, toegangsrechten, bedrijfsregels, prestatieverwachtingen en grenzen nodig.Governance gaat daarmee minder over documentatie en meer over geautomatiseerde handhaving.

HET OPERATIONELE MODEL VOOR FABRIC EN AI
Tot slot onderzoekt de aflevering hoe organisaties dit kunnen beheren