AI-agenter på tværs af systemer

Videnakademiet · Artikelserie

AI-agenter på tværs af systemer: ét semantisk lag i Power BI

Når AI-agenter skal svare på tværs af Business Central, CRM, Field Service og planlægning, afgør det semantiske lag svaret. Tolv artikler om at bygge laget i Power BI – uden en dataplatform – og om agenterne, der læser det.

Hvad serien svarer på

AI-agenter på tværs af systemer – ét semantisk lag i stedet for en dataplatform

AI-agenter på tværs af systemer sælges ofte som et dataplatformsprojekt: et datalag på Microsoft Fabric, en semantisk model ovenpå og agenter til sidst. Serien viser den anden vej. Et semantisk lag i Power BI med fire lag – Base, Enriched, Curated og Model – har samme struktur som en dataplatform, kører på Power BI Pro og kan udvides med nye kilder på samme måde.

Agenterne bliver aldrig klogere end det lag, de læser. Derfor starter serien med arkitekturen og de fælles dimensioner, går derefter kilde for kilde gennem Dynamics 365 Sales, Field Service og planlægningsdata, og slutter med agenterne: Business Central og Power BI MCP-serverne, AI-agenter i selve udviklingen, writeback, AI readiness og governance, når agenten ikke kun svarer, men handler.

Læsevejledning

Sådan læser du AI-agenter på tværs af systemer

Læs blok for blok. Blok 1 om arkitekturen er fundamentet og kan læses alene, hvis I skal vælge mellem en dataplatform og et semantisk lag. Blok 2 tager én kilde ad gangen – spring til den, I har. Blok 3 er til jer, der vil i gang med agenter på modellen, og blok 4 samler handling, parathed og regler.

AI-agenter på tværs af systemer: ét semantisk lag i Power BIKILDER · BASE · ENRICHED · CURATED · MODEL · AGENTERKILDERBusiness CentralERPDynamics 365 SalesCRMField ServiceDataversePlanlægningAPS · ExcelPOWER BI SEMANTISK LAG · POWER BI PROBaseBC_ · hent rådataBRONZEEnrichedER_ · navne, typer, nøglerSILVERCuratedCU_ · fælles dimensionerGOLDModeltabeller · mål · RLSSERVERINGAGENTER LÆSER MODELLENCopilot i Power BIi rapportenFabric data agentsF2 eller P1MCP-klienterClaude · ChatGPT · GitHub CopilotSAMME STRUKTUR SOM EN DATAPLATFORM · UDEN AZUREstiplet = ny kilde, samme mønsterKilde: AI-agenter på tværs af systemer – 12 artikler på onebc365.dk

Artiklerne

Artiklerne i serien (12)

Blok 1 · Arkitektur

AI-agenter på tværs af systemer: ét semantisk lag i stedet for en dataplatform

Agenter bliver aldrig klogere end det semantiske lag. Serieintro om at samle Business Central, CRM, service og planlægning i Power BI i stedet for en dataplatform.

Semantisk lag i Power BI: 4 lag med samme struktur som en dataplatform

Base, Enriched, Curated og Model forklaret lag for lag og sammenlignet med en Fabric-lakehouse. Hvad der spares, hvor grænserne går, og hvordan I kommer videre.

Data fra flere systemer i Power BI: 6 spørgsmål ERP’et ikke kan svare på alene

Pipeline til faktura, servicemargin og forecast-præcision kræver mere end ERP’et. Sådan samler I kilderne med fælles nøgler og undgår firewall-fejl i Power Query.

Blok 2 · Kilderne

CRM-data i Power BI: Dynamics 365 Sales og Business Central i én model

Sådan kommer Dynamics 365 Sales ind i samme Power BI-model som Business Central: Dataverse-connectoren, koblingen af konti og debitorer, og hitrate på tværs.

Field Service i Power BI: servicemargin på tværs af to systemer

Field Service kender timer og kørsel, Business Central kender kost og faktura. Sådan samles de i én model til servicemargin og førstegangsløsning.

Planlægningsdata i Power BI: plan mod faktisk på tværs af systemer

Planer fra Business Central, Excel og planlægningssystemet i én model: korn, versioner, kapacitet mod ordrebog og forecast-præcision med MAPE og WAPE.

Blok 3 · Agenterne

Business Central MCP-server: hvad en AI-agent må læse og skrive

MCP-serveren giver AI-agenter adgang til Business Central. Sådan styrer I, hvad de må læse og skrive, og hvorfor definitionerne skal komme fra det semantiske lag.

Power BI MCP-server: én til at spørge, én til at bygge

Microsoft har to Power BI MCP-servere i preview: én til at spørge modellen og én til at bygge den. Begge er kun så gode som jeres semantiske model.

AI-agenter i Power BI-udvikling: sådan bygger vi oneBC365

Sådan vedligeholdes oneBC365 med AI-agenter: modellen som tekst i Git, faste regler i skills, scripts der sammenligner modeller og et menneske, der godkender.

Blok 4 · Fra indsigt til handling

Writeback i Power BI: 4 veje fra rapport til handling

Fire veje fra Power BI-rapport til handling, sammenlignet på licens, grænser og destination. Og hvorfor data helst skal skrives tilbage i Business Central.

AI readiness: 5 dimensioner at vurdere, før I køber AI

Fem dimensioner, en score fra 1 til 5 og konkrete kendetegn. Den laveste score afgør, hvilket skridt I kan tage, før I køber AI.

Agent-governance: rettigheder, credits og logning på én side

Når en AI-agent handler i stedet for at svare, skal identitet, rettigheder, credits og logning skrives ned. Her er en skabelon på én side.

Målgruppe

Hvem er serien for

Serien er for økonomichefer, controllere og IT-ansvarlige i SMV’er med Business Central og et CRM-, service- eller planlægningssystem ved siden af – og for den BC-partner eller Power BI-udvikler, der skal bygge det. Den forudsætter kendskab til Power BI, men ingen erfaring med Fabric eller MCP.

Relaterede serier

Næste skridt

oneBC365 er bygget som et semantisk lag i Power BI med Base, Enriched, Curated og Model – samme struktur som en dataplatform, men uden Azure-komponenter. Modellen kan udvides med nye datakilder, og den er klar til Copilot og andre AI-agenter. Se produktet, eller book en demo.

Scroll to Top