Warum Fabric IQ die Zukunft von KI in Unternehmen verändern könnte

Wenn aktuell über KI in Unternehmen gesprochen wird, stehen meist Themen wie Copilot, Chatbots oder Agenten im Mittelpunkt.

Dabei wird häufig übersehen, dass die eigentliche Herausforderung nicht die KI selbst ist. Das eigentliche Problem lautet:

Wie versteht eine KI die fachliche Bedeutung der Unternehmensdaten?

Genau hier setzt Microsoft mit Fabric IQ an.

Aus meiner Sicht könnte Fabric IQ langfristig eine ähnlich große Bedeutung für KI erhalten wie Semantic Models heute für Power BI.

---

Das eigentliche Problem moderner Datenplattformen

Die meisten Unternehmen besitzen heute:

• Data Warehouses
• Lakehouses
• Semantic Models
• Berichte
• Data Pipelines
• Business Applications

Die Daten sind vorhanden.

Was häufig fehlt, ist das gemeinsame fachliche Verständnis.

Nehmen wir als Beispiel den Begriff „Kunde“. Bei der Deutschen Bahn hat beispielsweise nahezu jede Gesellschaft eine eigene Definition für den Kunden oder verwendet Synonyme wie „Partner“.

Für Menschen sind solche Unterschiede meist verständlich.

Für eine KI jedoch nicht.

Eine KI sieht zunächst nur:

• Tabellen
• Spalten
• Beziehungen
• Kennzahlen

Die fachliche Bedeutung kennt sie dadurch nicht automatisch.

---

Was ist Fabric IQ?

Fabric IQ ist Microsofts Ansatz, um Unternehmenswissen, Daten und KI enger miteinander zu verbinden.

Dabei geht es nicht primär um Datenhaltung oder Reporting.

Es geht darum, KI-Systemen zusätzlichen fachlichen Kontext bereitzustellen.

Fabric IQ verbindet unter anderem:

• Semantic Models
• Ontologies
• Knowledge Graphs
• Data Agents
• Operational Agents
• Fabric-Datenquellen

zu einer gemeinsamen Wissensbasis.

Das Ziel

Nicht nur Daten zu verstehen, sondern das Unternehmen zu verstehen – und gegebenenfalls auch in kleinere Ontologien aufzuteilen.

---

Die Rolle der Ontology

Eine Ontology beschreibt die fachliche Sprache eines Unternehmens.

Sie definiert:

• Geschäftsobjekte
• Beziehungen
• Prozesse
• Geschäftsregeln
• Fachliche Definitionen

Beispielsweise:

• Kunde
• Auftrag
• Produkt
• Zug
• Verspätung
• Umsatz

Eine Ontology beschreibt nicht nur die Objekte selbst, sondern auch deren Beziehungen.

Dadurch entsteht ein digitales Abbild der Unternehmenslogik – und das auf unterschiedlichen Ebenen.

---

Warum Semantic Models trotzdem die Grundlage bleiben

Ein wichtiger Punkt wird aktuell häufig missverstanden.

Viele glauben, Ontology würde Semantic Models ersetzen.

Das ist nicht der Fall.

Semantic Models bleiben weiterhin die zentrale Grundlage für:

• Kennzahlen
• Beziehungen
• Berechnungen
• Reporting
• Self-Service BI

Eigentlich erweitert Fabric IQ die vorhandenen Semantic Models um eine zusätzliche fachliche Ebene.

Vereinfacht könnte man sagen:

Semantic Model = Wie Daten technisch analysiert werden

Ontology = Was die Daten fachlich bedeuten

Diese beiden Dinge ergänzen sich – sie ersetzen sich nicht.

Dadurch sorgen sie dafür, dass die KI das Gesamtbild sehen kann, das sonst über Kontext, System Prompts, Instructions, Steering und ähnliche Mechanismen jedes Mal erneut mitgegeben werden müsste.

---

Data Agents – KI für Analysen

Data Agents arbeiten auf Basis der vorhandenen Datenbestände.

Sie können:

• Fragen beantworten
• Kennzahlen analysieren
• Trends erkennen
• Zusammenhänge erklären
• Informationen aus verschiedenen Datenquellen kombinieren

Beispiele

„Wie haben sich die Umsätze im Vergleich zum Vorjahr entwickelt?“

„Welche Regionen weisen die höchste Verspätungsquote auf?“

Der entscheidende Unterschied zu klassischen Abfragen ist, dass der Agent nicht nur Tabellenstrukturen nutzt, sondern zusätzlich das Wissen aus Ontology und Semantic Model verwendet.

Dadurch werden Antworten fachlich deutlich präziser.

---

Operational Agents – KI für Prozesse

Operational Agents gehen einen Schritt weiter.

Sie analysieren nicht nur Daten, sondern unterstützen operative Abläufe.

Typische Szenarien

• Prozessüberwachung
• Anomalieerkennung
• Benachrichtigungen
• Automatisierte Aktionen
• Entscheidungsunterstützung

Während Data Agents Informationen liefern, helfen Operational Agents dabei, auf Basis dieser Informationen zu handeln.

---

Warum Metadaten plötzlich strategisch werden

Mit Fabric IQ verändert sich die Bedeutung von Semantic Models erheblich.

Bisher wurden viele Modellbestandteile hauptsächlich für Berichte gepflegt.

Dazu gehören:

• Beschreibungen
• Synonyme
• Business Definitions
• Dokumentationen

Viele Entwickler betrachteten diese Informationen als optional und pflegten sie nur sehr oberflächlich.

Für KI werden sie jedoch essenziell.

Ich selbst fand Metadaten in Semantic Models schon immer sehr wichtig, da ich sie als einen Teil der Dokumentation und als Unterstützung für Self-Service-Anwender gesehen habe.

---

Warum Synonyme wichtig werden

Menschen sprechen selten in technischen Modellnamen.

Ein Anwender fragt beispielsweise:

„Wie viele Kunden hatten wir im letzten Quartal?“

Im Modell existieren jedoch möglicherweise:

• Customer
• Customer_ID
• CustomerKey

Synonyme helfen der KI, die Sprache der Fachanwender mit den technischen Objekten zu verbinden.

Je besser diese gepflegt werden, desto besser versteht die KI die eigentliche Absicht einer Anfrage.

---

Warum Beschreibungen wichtiger werden

Betrachten wir ein Measure:

Delay Rate

Für einen Entwickler mag die Bedeutung klar sein.

Eine KI sieht zunächst lediglich einen Namen.

Die Beschreibung liefert zusätzlichen Kontext:

• Wie wird die Kennzahl berechnet?
• Welche Geschäftsregeln gelten?
• Welche Ausnahmen existieren?
• Für welchen Anwendungsfall wurde sie entwickelt?

Genau diese Informationen verbessern die Qualität der Antworten erheblich.

---

Die neue Rolle von Power BI Entwicklern

Mit Fabric IQ verschiebt sich der Fokus.

Früher lag der Schwerpunkt häufig auf:

• DAX
• Visualisierungen
• Performance

Zukünftig werden zusätzlich entscheidend:

• Fachliche Modellierung
• Metadatenpflege
• Synonyme
• Beschreibungen
• Business Glossaries
• Governance

Denn die Qualität der KI hängt unmittelbar von der Qualität der zugrunde liegenden Semantic Models ab.

Wie bereits beschrieben, verbessern Metadaten den Zugriff der Fabric Agents.

Sie helfen jedoch auch Modellen wie:

• Claude
• GitHub Copilot
• Kiro

bei der lokalen Entwicklung, da auch diese KI-Systeme auf Metadaten im PBIP-Format zugreifen können.

---

Mein Fazit

Fabric IQ ist weit mehr als nur ein weiteres KI-Feature in Microsoft Fabric.

Es ist der Versuch, die Lücke zwischen Daten und Unternehmenswissen zu schließen.

Dabei entsteht ein Zusammenspiel aus:

• Semantic Models
• Ontology
• Data Agents
• Operational Agents
• Unternehmenswissen

Das Interessante daran ist, dass viele Unternehmen aktuell massiv in KI-Assistenten und Agenten investieren.

Der eigentliche Erfolgsfaktor wird jedoch häufig übersehen:

Eine KI kann nur so intelligent sein wie die Daten, Definitionen und Metadaten, auf denen sie basiert.

Genau deshalb werden Semantic Models, Synonyme, Beschreibungen und Governance in den kommenden Jahren deutlich wichtiger werden.

Nicht nur für Reporting.

Sondern als Wissensbasis für die nächste Generation von KI-Anwendungen in Microsoft Fabric.