Seit Juni 2026 können externe KI-Agenten über Fabric Skills in Power BI direkt auf semantische Modelle zugreifen und eigenständig Berichte erstellen. Das klingt beeindruckend – und ist es auch. Aber nur dann, wenn Ihre Datenmodelle so aufgebaut sind, dass eine KI sie tatsächlich versteht. Denn was für Menschen schon schwer lesbar ist, macht einer KI das Leben unmöglich.
Was sind Fabric Skills und warum verändern sie Power BI grundlegend?
Fabric Skills ist die Schnittstelle, über die externe KI-Agenten – etwa aus Microsoft Copilot oder anderen LLM-basierten Systemen – direkt mit Power BI und Microsoft Fabric kommunizieren. Seit Juni 2026 ist das kein Pilotprojekt mehr, sondern produktiv verfügbar. Ein Agent kann damit ein semantisches Modell abfragen, Kennzahlen auslesen und daraus automatisch Berichte oder Antworten generieren – ohne menschliche Zwischenschritte. Das ist eine echte Verschiebung in der Art, wie Business Intelligence funktioniert. Und sie bringt eine Anforderung mit sich, die viele Unternehmen unterschätzen: saubere, sprechende Benennung aller Modellelemente.
Das Problem mit „Tabelle3″ und „Measure_final_v2″
Eine KI liest keine Dokumentation. Sie interpretiert, was sie sieht – und was sie sieht, sind Tabellen- und Spaltennamen, Kennzahlbezeichnungen und Beziehungsstrukturen im semantischen Modell. Wenn Ihre Tabelle „Tabelle3″ heißt und Ihre wichtigste Kennzahl „Measure_final_v2″, dann hat die KI schlicht keine Chance, den richtigen Kontext herzustellen. Sie wird raten. Und sie wird falsch liegen. Das Ergebnis: fehlerhafte Berichte, irreführende Antworten und ein KI-Agent, dem niemand vertraut. Dabei liegt das Problem nicht bei der KI – es liegt im Modell. Schlechte Benennung ist kein Schönheitsfehler, sondern ein funktionaler Fehler.
Power BI KI-Agenten brauchen verständliche Modellstrukturen
Was bedeutet „verständlich“ in diesem Kontext konkret? Eine Tabelle, die Umsätze nach Vertriebsregion enthält, sollte „Umsatz_nach_Region“ oder schlicht „Umsatz“ heißen – nicht „T_USD_REG_42″. Eine Kennzahl, die den gleitenden Durchschnitt der letzten 12 Monate berechnet, sollte genau das in ihrem Namen tragen. Sprechende Namen sind kein Nice-to-have, sondern die Voraussetzung dafür, dass Power BI mit KI-Agenten verlässlich funktioniert. Fabric Skills nutzt die semantische Schicht als einzige Wissensquelle. Was dort nicht steht, existiert für den Agenten nicht.
So bereiten Sie Ihr semantisches Modell für Fabric Skills vor
Die Vorbereitung beginnt nicht mit Technik, sondern mit einem Audit. Gehen Sie durch alle Tabellen, Spalten, Kennzahlen und Beziehungen Ihres bestehenden Modells und fragen Sie sich: Würde ein neuer Mitarbeiter ohne Vorkenntnisse sofort verstehen, was hier gemeint ist? Wenn nicht, benennen Sie um. Konkrete Empfehlungen: Verwenden Sie Substantive für Tabellen, Verben für berechnete Spalten und vollständige Sätze für Beschreibungsfelder. Tragen Sie in jedes Measure eine kurze Beschreibung ein – Power BI zeigt diese Beschreibungen den KI-Agenten als Kontext. Beschreibungsfelder sind kein optionales Feld, sie sind der Kommunikationskanal zur KI. Außerdem empfiehlt sich eine konsequente Ordnerstruktur in der Measure-Bibliothek sowie das Verbergen von technischen Hilfsspalten, die für die Analyse keine Bedeutung haben. Was der Agent nicht sieht, kann er nicht falsch interpretieren. Wer tiefer in die Grundlagen semantischer Modellierung einsteigen möchte, findet bei Microsoft Learn zum Star-Schema-Design eine solide Grundlage.
Power BI und KI-Agenten: Was das für Ihre Organisation bedeutet
Fabric Skills ist kein Werkzeug für Data Engineers allein. Es ist eine Funktion, die direkt in die Fachabteilung ausstrahlt – und damit zur Führungsaufgabe wird. Wer jetzt nicht in saubere Modellstrukturen investiert, wird in zwölf Monaten feststellen, dass sein KI-Agent zwar läuft, aber niemand seinen Ausgaben traut. Das ist teurer als eine sorgfältige Modelldokumentation heute. KI-Readiness in Power BI ist keine technische Frage, sondern eine Frage der Datenkultur. Und die beginnt mit der Entscheidung, Tabellen so zu benennen, wie man im echten Gespräch darüber spricht.
Häufige Fragen zu Power BI und KI-Agenten mit Fabric Skills
Was sind Fabric Skills in Power BI?
Fabric Skills ist eine Schnittstelle in Microsoft Fabric, über die externe KI-Agenten seit Juni 2026 direkt semantische Modelle in Power BI abfragen und Berichte erstellen können – ohne manuelle Zwischenschritte durch einen Analysten.
Warum funktionieren KI-Agenten nicht mit schlecht benannten Modellen?
KI-Agenten lesen Tabellen- und Kennzahlnamen als einzige Kontextquelle. Namen wie „Tabelle3″ oder „Measure_final_v2″ liefern keinen verwertbaren Kontext, sodass der Agent falsche Schlüsse zieht und fehlerhafte Ausgaben produziert.
Wie lang sollte ein Measurename in Power BI sein?
So kurz wie nötig, so beschreibend wie möglich. „Umsatz gleitend 12M“ ist besser als „UM_GL_12″ und besser als „Gleitender Durchschnittsumsatz der letzten zwölf Monate“. Ergänzen Sie den Kontext immer im Beschreibungsfeld.
Müssen wir unser gesamtes bestehendes Modell umbauen?
Nicht zwingend alles auf einmal. Starten Sie mit den Measures und Tabellen, die am häufigsten genutzt werden. Ein gezieltes Audit zeigt schnell, wo der größte Hebel liegt – und dort lohnt sich der Aufwand sofort.
Ist Fabric Skills auch für kleinere Unternehmen relevant?
Ja. Gerade im Mittelstand, wo Analysekapazitäten begrenzt sind, kann ein gut konfigurierter KI-Agent echten Mehrwert liefern. Voraussetzung ist ein sauberes semantisches Modell – unabhängig von der Unternehmensgröße.
