AI på den semantiske model: 5 vigtige spørgsmål til tallene

AI på den semantiske model betyder, at ejerlederen eller CFO’en stiller et spørgsmål på dansk i Claude, ChatGPT eller Copilot og får svaret fra virksomhedens egne, definerede tal i Power BI. Ikke fra et regneark, nogen har kopieret ind i en chat. Svaret bliver aldrig bedre end definitionerne i modellen, og det er dér, arbejdet ligger.

Resumé og konklusion

AI-klienten læser modellen, den gætter ikke på tallene. Via en MCP-server finder klienten den semantiske model, læser skemaet, skriver en DAX-forespørgsel og kører den mod modellen. Tallene kommer fra modellen.
Definitionerne afgør svaret. Er dækningsbidrag defineret én gang, beskrevet og entydigt navngivet, får alle samme tal. Er det ikke, får I et hurtigt svar på det forkerte spørgsmål.
En velbygget model kan mere end simple rapporter. Den bærer historisk analyse, forecasting og direkte spørgsmål fra AI-værktøjer, fordi det hele bygger på de samme measures og den samme datotabel.
Rettighederne følger med. Pr. oktober 2026 begrænser RLS og OLS i modellen også det, AI-klienten får at se, når brugeren logger ind med sin egen konto.
Det er læseadgang, ikke handling. Klienten kan ikke skrive tilbage, og svaret er ikke et revideret tal. Det er et hurtigere blik på de tal, I allerede stoler på.

Hvad AI på den semantiske model er

En semantisk model i Power BI er det lag, hvor tabeller, relationer og forretningsmål er defineret: omsætning, dækningsbidrag, debitordage. Rapporterne læser fra den. Det nye er, at AI-værktøjer også kan læse fra den, gennem en MCP-server. MCP (Model Context Protocol) er en åben standard for, hvordan en AI-klient kalder eksterne værktøjer.

Microsofts anbefalede vej til forespørgsler er pr. oktober 2026 Fabric IQ MCP-serveren. Den er generelt tilgængelig, read-only og har seks værktøjer: find rapporter og modeller, slå et link op, læs rapportens metadata, læs modellens skema, søg efter værdier og kør en DAX-forespørgsel. Microsoft skriver, at det er den kaldende AI-agent, der vælger værktøjerne, skriver DAX-forespørgslen og forklarer resultatet. Sprogmodellen formulerer altså spørgsmålet, men modellen leverer tallene.

Grafikken herunder viser vejen fra spørgsmål til svar, og hvor definitionen kommer ind.

AI på den semantiske model: fra spørgsmål via AI-klient og MCP-server til svar med definitionen — Klienten formulerer forespørgslen. Modellen leverer tal, definitioner og rettigheder.

Mere end simple rapporter: historik, forecast og spørgsmål

Mange SMV’er ser den semantiske model som det, der ligger under et par rapporter. Det er at undervurdere den. En model med en rigtig datotabel, 36 måneders historik på linjeniveau og measures for de vigtigste nøgletal kan bære tre ting på én gang.

Historisk analyse. Samme periode sidste år, løbende 12 måneder og udvikling pr. kunde, vare eller afdeling. Det er measures, der er skrevet én gang og virker overalt.
Forecasting. En prognose for de næste 90 dage bygger på den samme historik og de samme definitioner. Det gennemgår vi i Salgsforecasting med AI.
Direkte spørgsmål fra AI-værktøjer. Når klienten læser modellen, arver den historikken og definitionerne. Den skal ikke selv regne dækningsbidraget ud fra rå poster.

Pointen er, at de tre ikke kræver tre forskellige datagrundlag. De kræver ét, der er bygget ordentligt. Hvordan det lag er opbygget, beskriver vi i Semantisk lag i Power BI.

AI på den semantiske model er kun så god som definitionerne

Spørger direktøren “hvad var dækningsbidraget i tredje kvartal?”, skal klienten finde ud af, hvad dækningsbidrag betyder. Findes der et measure med navnet Dækningsbidrag og en beskrivelse som “Nettoomsætning minus vareforbrug, ekskl. fragt, i regnskabsvaluta”, bruger den det. Findes der tre measures med navnene DB, DB2 og Margin_ny, gætter den. Gættet kan være rigtigt. Det kan I bare ikke se.

Tre ting gør forskellen:

Én definition pr. nøgletal. Dækningsbidrag, omsætning og debitordage defineres ét sted i modellen og ikke igen i rapporter eller regneark.
Beskrivelser på tabeller, kolonner og measures. Klienten læser dem som en del af skemaet. En beskrivelse er den eneste måde at fortælle maskinen, hvad tallet indeholder.
Entydige navne og skjulte tekniske felter. Felter som nøgler og hjælpekolonner skal ikke kunne forveksles med forretningsbegreber.

Det er de samme krav, som Microsoft stiller til en model, der skal bruges af Copilot. Datadisciplinen under modellen gennemgår vi i Datafundamentet for AI.

Kopieret Excel-udtræk mod direkte forespørgsel

Alternativet, som mange allerede bruger, er at trække et udtræk til Excel og indsætte det i en chat. Det virker til et engangsspørgsmål. Som fast arbejdsgang har det fire svagheder: tallene er et øjebliksbillede, definitionerne følger ikke med, rettighederne forsvinder, og data havner i en chat, som ingen har overblik over. Hvis medarbejderen bruger en gratis forbrugerversion, er det samtidig et spørgsmål til jeres AI-politik.

Ved en direkte forespørgsel læser klienten modellen, som den så ud ved seneste opdatering, med de definitioner og rettigheder, der gælder. Data forlader stadig Power BI. I sin oversigt over MCP-serverne skriver Microsoft, at metadata, skemaer og forespørgselsresultater sendes til MCP-klienten, som kan sende dem videre til sin sprogmodel. Derfor hører valget af klient og licens med i beslutningen. Grafikken herunder sammenligner de to arbejdsgange.

Kopieret Excel-udtræk sammenlignet med AI på den semantiske model — Begge giver et svar. Kun den ene bruger den samme definition næste gang.

Eksempelspørgsmål til ejerlederen og CFO’en

De bedste spørgsmål er dem, I i dag beder økonomifunktionen om at finde svaret på. Eksempler:

Hvilke ti kunder har haft det største fald i dækningsbidrag de seneste 12 måneder sammenlignet med året før?
Hvordan har debitordagene udviklet sig måned for måned i år, og hvilke kunder trækker tallet op?
Hvilke varegrupper har lavere dækningsgrad end budgettet i tredje kvartal?
Hvor meget af lagerværdien ligger i varer uden salg de seneste seks måneder?
Hvilke sager har brugt mere end 80 procent af budgettet, men er faktureret under 50 procent?

Spørgsmålene minder om dem i Morgenoverblik: nøgletal for ejerledere. Forskellen er, at I ikke skal vente på, at nogen bygger en side til dem. Bed altid klienten om at vise, hvilke measures og filtre den brugte. Det er jeres kontrol af svaret.

Tre veje ind pr. oktober 2026

Status og navne har skiftet flere gange det seneste år. Det tekniske er gennemgået i Power BI MCP-server: én til at spørge, én til at bygge. Her er det, en ledelse skal vide pr. oktober 2026.

Claude og ChatGPT via Fabric IQ MCP

Fabric IQ MCP er en fjernserver med login via Microsoft Entra ID og brugerens egne rettigheder. Service principal understøttes ikke. RLS og OLS begrænser fortsat de data, der returneres. Modellen behøver ikke ligge på Fabric- eller Premium-kapacitet, men tenantens hjemregion skal understøtte alle Fabric-workloads. Nogle klienter kræver en app-registrering i jeres egen Entra ID. I Claude tilføjes serveren som en brugerdefineret connector, og på Team-planen er det ejerne, der tilføjer den. ChatGPT understøtter egne MCP-connectors gennem en udviklertilstand. Tjek hos OpenAI, hvilke planer der har adgang, og om funktionen stadig er beta.

Microsoft 365 Copilot Chat

Ifølge Microsofts side om Fabric IQ i Microsoft 365 Copilot Chat er dataspørgsmål til Power BI-indhold generelt tilgængelige. Brugeren skal have en Microsoft 365 Copilot-licens og adgang til rapporten eller modellen. Pro, Premium Per User, Premium og Fabric-kapacitet understøttes. Copilot respekterer RLS og OLS.

Det tidligere Power BI-endpoint

Den oprindelige Power BI MCP-server til forespørgsler er stadig i preview og kræver, at en administrator slår tenant-indstillingen “Users can use the Power BI Model Context Protocol server endpoint (preview)” til. Microsoft anbefaler nu Fabric IQ til forespørgsler. Bruger I det gamle endpoint, så planlæg skiftet.

Hvad AI på den semantiske model ikke kan

Skrive tilbage. Fabric IQ MCP er read-only. Klienten kan ikke bogføre, ændre et budget eller oprette en ordre.
Kende data, der ikke er i modellen. Spørger I til noget, modellen ikke indeholder, kan sprogmodellen stadig formulere et svar. Bed den om at sige, når den ikke kan finde data.
Erstatte et revideret tal. Svaret er så aktuelt som seneste opdatering af modellen og er ikke afstemt med årsregnskabet.
Give samme formulering hver gang. Sprogmodeller er ikke deterministiske. Samme spørgsmål kan give forskellig DAX, og RLS kan give forskellige brugere forskellige tal.
Returnere store tabeller. En forespørgsel returnerer som standard op til 250 rækker. Det er et værktøj til spørgsmål, ikke til dataudtræk.

Sådan understøtter oneBC365 det

oneBC365 er en færdigbygget semantisk model til Business Central med 200+ forretningsmål på tværs af ni moduler. Modellen er bygget efter Microsofts anbefalinger til Copilot: stjerneskema, beskrivelser på tabeller, kolonner og measures, entydige navne og skjulte tekniske felter. Al kundevendt kode er oversat til dansk, engelsk og tysk via cultures. Det er præcis de egenskaber, der afgør, om et AI-værktøj finder det rigtige measure.

Rapporteringen kører på Power BI Pro, og modellen kan få RLS, som også gælder, når en bruger forespørger den fra en AI-klient. oneBC365 leverer ikke selve AI-klienten og kan ikke skrive tilbage til Business Central. Det er tesen fra AI-agenter på tværs af systemer: AI-værktøjet bliver aldrig klogere end det lag, det læser, og det lag er det, I skal investere i.

Sådan kommer du i gang

Vælg fem spørgsmål, ledelsen stiller hver måned. Skriv det svar ned, I i dag får fra økonomifunktionen, så I har noget at sammenligne med.
Gennemgå definitionerne bag spørgsmålene. Har hvert nøgletal ét measure med et entydigt navn og en beskrivelse? Hvis ikke, er det første opgave.
Afklar klient, licens og tenant. Beslut hvilken AI-klient der er godkendt, om den kræver en app-registrering, og om RLS er sat op, før flere får adgang.
Test med to brugere i en måned. Sammenlign svarene med de kendte tal, notér hvor klienten valgte forkert measure, og ret modellen frem for spørgsmålet.

Relaterede artikler

Vil I se, hvordan jeres egne tal ser ud i en semantisk model, som et AI-værktøj kan læse? Book en demo, og se det live på 30 minutter.