Fabric Data Agent er en af de mest interessante AI-funktioner i Microsoft Fabric, fordi den flytter data tættere på de mennesker, der skal bruge dem. I stedet for at vente på en ny rapport, en SQL-forespørgsel eller et manuelt Excel-udtræk kan brugeren stille spørgsmål til sit data i almindeligt sprog.
Det lyder enkelt. Men for at fungere godt kræver det et stærkt datagrundlag, klare definitioner og en bevidst opsætning. En data agent er ikke bare en chatbot. Den er et styret adgangslag oven på virksomhedens data.
Hvad er Fabric Data Agent?
Fabric Data Agent er en funktion i Microsoft Fabric, hvor man kan bygge en konfigurerbar samtaleoplevelse oven på virksomhedens data. Brugere kan stille spørgsmål i naturligt sprog og få svar baseret på data der er i Microsoft Fabric og i Power BI semantiske modeller.
Microsoft beskriver Fabric Data Agent som en måde at skabe conversational Q&A-systemer med generativ AI. Agenten kan omsætte brugerens spørgsmål til SQL, DAX eller KQL, validere forespørgslen, køre den mod de valgte datakilder og returnere et læsbart svar.
Det betyder, at en bruger ikke nødvendigvis skal kunne SQL, DAX eller KQL for at få svar på et konkret dataspørgsmål. Men det betyder ikke, at alle brugere pludselig skal have fri adgang til alle data. Agenten skal konfigureres, afgrænses og styres.
Læse evt. mere om Microsoft Fabric her
Et simpelt eksempel fra økonomi
Forestil jer en økonomichef, der vil forstå udviklingen i dækningsbidrag uden at vente på, at en ny rapport bliver bygget.
Spørgsmålet kunne være: “Hvilke varegrupper har haft størst fald i dækningsbidrag de seneste tre måneder?”
Hvis datagrundlaget er sat rigtigt op, kan en Fabric Data Agent finde den relevante datakilde, generere en forespørgsel og give et svar i et format, der er til at forstå. Det kan være en kort opsummering med de vigtigste varegrupper, udvikling over tid og måske en tabel med de største afvigelser.
For brugeren føles det som at spørge data direkte. Bagved ligger der dog stadig en model, rettigheder, definitioner og teknisk logik.
Hvorfor er det relevant for Power BI-brugere?
Mange virksomheder har allerede Power BI-rapporter, men de oplever stadig, at rapporteringen ikke svarer på alle spørgsmål i hverdagen.
En rapport viser typisk de spørgsmål, man kendte på forhånd. En data agent kan hjælpe med de næste spørgsmål: Hvorfor faldt salget? Hvilke kunder afviger mest? Hvilke afdelinger bruger budgettet hurtigere end forventet? Hvilke produkter forklarer ændringen?
Det gør ikke Power BI mindre vigtigt. Tværtimod. De bedste data agents vil ofte bygge på gode Power BI modeller, hvor målinger, dimensioner og forretningsbegreber allerede er defineret. Hvis jeres Power BI-model er stærk, kan den også blive et stærkt grundlag for en agent.
Fabric Data Agent vs. almindelig chatbot
Vigtig forskel
| Område | Almindelig chatbot | Fabric Data Agent |
| Datagrundlag | Ofte dokumenter eller generel viden | Udvalgte Fabric-datakilder og semantiske modeller |
| Forespørgsler | Svarer ud fra tekst eller trænings-/søgegrundlag | Genererer read-only SQL, DAX eller KQL mod valgte kilder |
| Styring | Afhænger af løsning og opsætning | Respekterer brugerrettigheder og Fabric/Purview-governance |
| Formål | Generel dialog eller support | Samtale med strukturerede virksomhedsdata |
Den forskel er vigtig. Fabric Data Agent er interessant, fordi den ligger tæt på de datakilder, virksomheder allerede bruger til rapportering. Den kan derfor være et naturligt næste lag oven på Microsoft Fabric og Power BI.
Hvilke datakilder kan bruges?
Fabric Data Agent kan arbejde med flere typer datakilder i Fabric-universet. Det kan blandt andet være lakehouse, warehouse, KQL-database og Power BI semantiske modeller. Antallet af datakilder og muligheder bliver hele tiden udvider af Microsoft.
Det praktiske spørgsmål er derfor ikke kun, hvad agenten teknisk kan kobles til. Det vigtige spørgsmål er, hvilke datakilder der er modne nok til at blive brugt i en samtaleoplevelse.
En god datakilde til en agent bør have klare navne, stabile tabeller, tydelige relationer, definerede målinger og en fælles forståelse af begreber. Ellers risikerer man, at agenten svarer på noget teknisk korrekt, men forretningsmæssigt forkert.
Hvad skal konfigureres?
En Fabric Data Agent skal bygges med samme omhu som en god rapportmodel. Man vælger datakilder, relevante tabeller og instruktioner. Man kan også tilføje eksempler, der hjælper agenten med at forstå, hvordan typiske spørgsmål skal tolkes.
- Hvilke datakilder må agenten bruge?
- Hvilke tabeller og modeller er relevante?
- Hvilke forretningsbegreber skal forklares?
- Hvilke spørgsmål skal agenten kunne svare på?
- Hvilke brugere eller teams skal have adgang?
- Hvordan testes svarene, før agenten deles bredt?
Det er her, forretningsforståelse bliver lige så vigtig som teknik. En agent, der skal svare på økonomispørgsmål, skal forstå forskellen på omsætning, dækningsbidrag, budget, forecast og actuals. En agent til salg skal forstå kunder, ordrer, sælgere, pipeline og produkter.
Læs mere om Microsoft Fabric som fælles datagrundlag
Governance: Det vigtigste punkt
Når flere brugere kan spørge direkte til data, bliver governance ikke mindre vigtig. Den bliver vigtigere.
Fabric Data Agent arbejder med brugerens rettigheder og de politikker, der gælder for datakilderne. Det betyder, at adgang, rollebaseret sikkerhed og eventuelle Purview-politikker skal være tænkt ind fra starten.
Det er især relevant, hvis agenten skal bruges til følsomme områder som økonomi, løn, kunder, marginer eller bestyrelsesrapportering.
Begrænsninger man bør kende
Fabric Data Agent er stærk, men ikke magisk. Microsofts dokumentation peger blandt andet på, at agenten er designet til læseforespørgsler, ikke til at oprette, ændre eller slette data. Den er også målrettet strukturerede datakilder, ikke frie dokumentmapper med PDF’er og Word-filer.
Derudover bør man være opmærksom på, at svar kan være begrænsede i størrelse, og at komplekse spørgsmål kan kræve tydeligere modeller, eksempler og instruktioner. Derfor bør en agent testes løbende og forbedres på samme måde som en Power BI-model.
Hvornår giver Fabric Data Agent mening?
Fabric Data Agent giver især mening, når virksomheden allerede har et datagrundlag, der kan bære selvbetjent analyse.
- Ledelsen stiller ofte opfølgende spørgsmål til Power BI-rapporter
- Økonomi vil hurtigere kunne forklare afvigelser
- Salg vil selv kunne undersøge kunder, produkter og pipeline
- BI-teamet bruger meget tid på gentagne ad hoc-spørgsmål
- Virksomheden vil gøre data mere tilgængelig uden at miste styring
- Der er investeret i Microsoft Fabric eller Power BI Semantisk modeller
Sådan kan I starte sikkert
- Vælg ét forretningsområde, for eksempel økonomi eller salg.
- Brug en veldefineret Semantisk model eller et afgrænset datalag.
- Lav 20-30 realistiske spørgsmål fra brugerne.
- Test om agentens svar matcher rapporter og forretningslogik.
- Afgræns adgang til en pilotgruppe.
- Brug feedback til at forbedre instruktioner, modeller og datakilder.
På den måde bliver Fabric Data Agent ikke et eksperiment løsrevet fra hverdagen. Det bliver en kontrolleret udvidelse af den rapportering, I allerede arbejder med.
Fra rapporter til samtaler med data
Power BI har gjort det lettere at se og dele data. Microsoft Fabric gør det lettere at samle og strukturere data. Fabric Data Agent tager næste skridt: at gøre det lettere at stille spørgsmål til data.
Men rækkefølgen er vigtig. Først skal data samles. Så skal de modelleres. Derefter kan de gøres tilgængelige gennem rapporter, budgetter, analyser og agenter.
Når fundamentet er på plads, kan en Fabric Data Agent blive en stærk måde at gøre data mere tilgængelig for økonomi, ledelse og forretningen uden at slippe styringen.
Vil I undersøge, om jeres Power BI-modeller eller Microsoft Fabric-datagrundlag kan bruges til en Fabric Data Agent? Så tager vi gerne en snak om, hvor det giver mening at starte, og hvilke data der bør være på plads først.
