Medallion-Architektur in Microsoft Fabric richtig umsetzen

Die meisten Unternehmensdatenplattformen scheitern nicht an falscher Technologie. Sie scheitern, weil niemand mit Gewissheit sagen kann, woher eine Zahl auf einem Dashboard stammt, ob man ihr vertrauen darf und was bei einer Änderung zerbrechen würde. Die Medallion-Architektur — Bronze, Silber, Gold — beantwortet genau diese Fragen, und Microsoft Fabric macht sie zum Standardweg, ein Lakehouse aufzubauen. Das Muster lässt sich leicht auf ein Whiteboard zeichnen und ist in der Praxis erstaunlich leicht falsch umzusetzen.

Dies ist die Architektur, die wir bei CC Conceptualise einsetzen, wenn wir Fabric-Datenplattformen für europäische Unternehmen bauen, und sie ist das Fundament, auf dem alles Weitere aufbaut — Data Agents, Echtzeit-KI und geregelte Analytik. Im Folgenden zeigen wir, wie wir die Schichten entwerfen, wo Teams Fehler machen und was sich in der Fabric-Landschaft 2026 ändert.

TL;DR / Kernaussagen

Bronze ist eine unveränderliche Landezone, keine Analyseschicht. Rohdaten getreu landen, niemals für Geschäftsberichte abfragen und stets wiederverarbeitbar halten.
In Silber werden Daten vertrauenswürdig. Hier wird bereinigt, dedupliziert, das Schema vereinheitlicht, Qualitätsprüfungen werden angewandt und sensible Felder maskiert.
Gold ist geschäftsfertig und für die Nutzung modelliert. Aggregate, Sternschemata und semantische Modelle leben hier — und hierauf verankert sich Ihre KI.
OneLake und offenes Delta-Parquet machen die Schichten portabel. Shortcuts und offene Formate binden Azure-Databricks- und Azure-ML-Bestände ohne Kopien ein.
Das Medallion-Muster ist ein Governance-Werkzeug. Jeder Schichtübergang ist der Ort für Maskierung, Datenherkunft und Zugriffssteuerung — entscheidend für DSGVO und Prüfbarkeit.

Was die Medallion-Architektur wirklich ist

Die Medallion-Architektur gliedert ein Lakehouse in zunehmend verfeinerte Schichten. Daten fließen in nur eine Richtung, von roh zu verfeinert, und jede Schicht hat einen eigenen Zweck und ein eigenes Publikum.

Schicht	Zweck	Typischer Zustand	Primäres Publikum
Bronze	Getreues Landen der Quelldaten	Roh, nur anfügend, quellnah	Nur Data Engineers
Silber	Bereinigt, vereinheitlicht, dedupliziert	Validierte Delta-Tabellen, Unternehmensschema	Data Engineers, fortgeschrittene Analysten
Gold	Geschäftsfertig, aggregiert, modelliert	Sternschemata, Aggregate, semantische Modelle	Analysten, BI, KI-Agenten, Fachbereiche

Die Disziplin, die das Muster erzwingt, ist wertvoller als das Drei-Kästchen-Diagramm. Weil Daten nur vorwärts fließen und Bronze nie verändert wird, lassen sich Silber und Gold jederzeit aus der Quelle neu erzeugen. Weil jede Schicht einen klaren Vertrag hat, zeigt sich eine Änderung im Quellsystem als Bronze-Einlesefehler statt als rätselhafte Verschiebung in einem Vorstandsbericht. Und weil sich das Publikum unterscheidet, können Sie dem Großteil der Organisation Zugriff nur auf Gold gewähren.

Bronze: landen, nicht anfassen

Bronze ist die rohe, getreue Kopie der Quelldaten. Die oberste Regel lautet: Bronze ist unveränderlich und nur anfügend — Sie erfassen, was die Quelle gesendet hat, samt aller Schwächen, und bereinigen hier nichts. In Fabric können Sie Dateien im Originalformat (JSON, CSV, Parquet) im Files-Bereich eines Lakehouse landen oder nur anfügende Delta-Tabellen schreiben. Ergänzen Sie Einlesemetadaten — Ladezeitpunkt, Quellsystem, Batch-Kennung — um später nachvollziehen und wiederverarbeiten zu können.

Der häufigste Bronze-Fehler ist, sie als direkten Abfrageort für Analysten zu behandeln. Das ist sie nicht. Bronze existiert, damit Sie bei fehlerhafter Silber-Logik aus einem getreuen Abbild neu aufbauen können, ohne zum Quellsystem zurückzukehren, das die Historie womöglich nicht mehr vorhält.

Silber: hier werden Daten vertrauenswürdig

Silber ist die Schicht, die Vertrauen verdient. Hier bereinigen, deduplizieren, validieren Sie, vereinheitlichen Datentypen, lösen Schlüssel auf und wenden unternehmensweite Schemata an, sodass "Kunde" über alle Quellen dasselbe bedeutet. Hierhin gehören Datenqualitätsprüfungen: Zeilen, die die Validierung nicht bestehen, werden in Quarantäne gestellt, nicht stillschweigend verworfen, und der Fehler ist sichtbar.

Silber ist auch der richtige Ort für Datenschutzkontrollen. Für europäische Kunden ist der Übergang von Bronze nach Silber der natürliche Punkt, um personenbezogene Daten zu pseudonymisieren oder zu maskieren, damit die breit zugänglichen nachgelagerten Schichten keine rohen Identifikatoren mehr tragen. Silber soll saubere, atomare, vereinheitlichte Daten enthalten — noch nicht für einen bestimmten Bericht geformt.

Gold: geschäftsfertig und für die Nutzung modelliert

Gold ist das, was der Fachbereich tatsächlich nutzt. Hier bauen Sie Aggregate, Sternschemata und die dimensionalen Modelle, die Power BI antreiben und KI speisen. Gold-Tabellen sind für die Nutzung geformt: ein Gold-Modell im Finanzwesen sieht anders aus als eines in der Lieferkette, weil jedes einem bestimmten Analysezweck dient.

Entscheidend: 2026 ist Gold auch das, worauf sich Ihre KI verankert. Fabric Data Agents, Copilot und die Abfrage in natürlicher Sprache liefern gegen eine kuratierte, gut modellierte Gold-Schicht deutlich bessere Antworten als gegen Rohdaten. Das Power BI Copilot Tooling Format, allgemein verfügbar seit Mai 2026, macht die auf Gold aufbauenden semantischen Modelle Git-freundlich und textbasiert — so wird die Geschäftslogik über Gold prüf- und versionierbar wie Code.

Die Schichten in Fabric und OneLake umsetzen

Fabric realisiert die Medallion-Architektur auf OneLake, dem einzigen mandantenweiten Data Lake. Alles wird im offenen Delta-Parquet gespeichert, weshalb andere Engines Fabric-Daten ohne Kopien lesen können und Sie per Shortcuts Daten am Ort referenzieren statt sie zu duplizieren.

Loading diagram...

Eine pragmatische Umsetzungsreihenfolge:

Grenzmodell festlegen. Ein Workspace je Schicht, wenn Sie sauberen Least-Privilege-Zugriff, Kapazitätsisolation und getrennte Deployment-Pipelines brauchen — typisch für regulierte Unternehmen. Ein einzelner Workspace mit drei Lakehouses für kleinere Umgebungen oder Proofs of Concept.
Bronze-Einlesen aufsetzen. Mit Data-Factory-Pipelines, Dataflows Gen2 oder Shortcuts Quelldaten nur anfügend landen und Einlesemetadaten erfassen. Hier nichts transformieren.
Silber-Transformationen bauen. Mit Spark-Notebooks oder Dataflows in Delta-Tabellen bereinigen, deduplizieren, vereinheitlichen und validieren, mit expliziten Qualitätsprüfungen und Quarantäne-Handling.
Gold für die Nutzung modellieren. Aggregate und Sternschemata bauen, darauf Direct-Lake-Modelle legen, sodass Power BI Gold ohne Import- oder Aktualisierungsverzögerung liest.
Governance über alle drei Schichten verdrahten. Vertraulichkeitsbezeichnungen, Datenherkunft und Zugriffsrichtlinien in OneLake von Anfang an anwenden und die meisten Nutzer auf Gold beschränken.
KI auf der kuratierten Schicht ergänzen. Data Agents, Copilot-Verankerung und Eventhouse-Echtzeitabfragen auf Gold und Silber richten — niemals auf rohes Bronze.

Wo Echtzeit und KI hineinpassen

Nicht alle Daten sind Batch. Für Ereignis- und Telemetrie-Workloads fügen sich Fabrics Eventhouse und das Remote MCP, mit dem Agenten Echtzeitdaten per natürlicher Sprache und KQL abfragen, neben die Medallion-Schichten ein, statt sie zu ersetzen. Ein gängiges Muster behandelt den Echtzeitpfad als eigene Bronze-Entsprechung für Ereignisse und befördert dann vereinheitlichten, aggregierten Zustand nach Silber und Gold, sodass Batch und Streaming in einer vertrauenswürdigen Gold-Schicht zusammenlaufen.

Auf der Machine-Learning-Seite ermöglicht workspaceübergreifendes MLflow-Logging 2026 durchgängiges MLOps und das Einbinden von Beständen aus Azure Databricks und Azure Machine Learning in Fabric. Die Medallion-Schichten geben diesen Modellen eine stabile, geregelte Feature-Quelle: trainieren und ausliefern aus Silber und Gold, nicht aus rohem Bronze, das ohne Vorwarnung die Form ändern kann.

Entscheidungshilfe: wie viel Struktur brauchen Sie wirklich?

Das Medallion-Muster ist Mittel zu Nachvollziehbarkeit und Vertrauen, kein Orden zum Anstecken. Passen Sie die Strenge an den Einsatz an.

Situation	Empfohlene Struktur
Einzelner kleiner Datensatz, ein Team, geringes Risiko	Ein kuratiertes Lakehouse kann genügen; nicht überengineeren
Mehrere Quellen, geteilte Analytik	Volles Bronze/Silber/Gold in einem Workspace, drei Lakehouses
Regulierte Daten, mehrere Teams, Nachweispflichten	Workspace je Schicht mit erzwungenem Least-Privilege und Pipelines
Echtzeit plus Batch	Medallion-Schichten plus Eventhouse-Echtzeitpfad, in Gold zusammengeführt
KI-Agenten und Copilot auf den Daten	Stark in eine saubere, gut modellierte Gold-Schicht investieren

Fehler, die wir immer wieder sehen

In unserer Projektarbeit wiederholen sich dieselben Anti-Muster. Am häufigsten ist die direkte Abfrage von Bronze — sobald Analysten Berichte auf Rohdaten bauen, geht die Wiederverarbeitbarkeit verloren und die Grenze zwischen roh und vertrauenswürdig verschwimmt. Dicht dahinter folgt Logik in der falschen Schicht: wenn Geschäftsregeln in Silber einsickern, leistet Gold nichts Eigenes mehr und die Trennung bricht zusammen. Teams überspringen zudem regelmäßig Datenqualitätsprüfungen, sodass schlechte Daten stillschweigend nach Gold fließen, und verschieben Governance, bis eine Prüfung eine schmerzhafte Nachrüstung erzwingt. Der umgekehrte Fehler — Überengineering für winzige Datenmengen — verschwendet Aufwand auf Zeremoniell ohne Mehrwert für die Nachvollziehbarkeit.

Warum das für europäische Unternehmen zählt

Für Organisationen unter der DSGVO und der breiteren EU-Datengovernance ist die Medallion-Architektur nicht nur gute technische Hygiene — sie ist ein Compliance-Aktivum. Der Übergang von Bronze nach Silber ist der Ort für Pseudonymisierung und Maskierung; die über die Schichten erfasste Datenherkunft stützt die Rechenschaftspflicht; und die Beschränkung der meisten Nutzer auf Gold operationalisiert Datenminimierung und Zweckbindung. Die mandantenweite Governance von OneLake, Vertraulichkeitsbezeichnungen und die Purview-Integration setzen dies einheitlich statt pro Pipeline durch. Fragt eine Aufsichtsbehörde oder ein Prüfer, woher eine Kennzahl stammt, lässt eine disziplinierte Medallion-Landschaft die Antwort in Minuten statt Wochen finden.

Richtig gemacht

Eine richtig umgesetzte Medallion-Architektur ist unauffällig. Zahlen stimmen überein, die Datenherkunft ist offensichtlich, Wiederverarbeitung ist Routine und KI verankert sich auf Daten, denen der Fachbereich bereits vertraut. Falsch gemacht, werden daraus drei Ordner mit den richtigen Namen und ohne jede Disziplin. Der Unterschied liegt vollständig in den Verträgen zwischen den Schichten und der bei jedem Übergang angewandten Governance.

Wenn Sie eine Fabric-Datenplattform entwerfen oder sanieren und einen Partner suchen, der geregelte Medallion-Landschaften für europäische Unternehmen geliefert hat, unterstützt Sie unser Team für KI und Data Platform Engineering gern — Architekturbewertung, Aufbau oder eine zweite Meinung zur bestehenden Schichtung.

FAQ

Was ist die Medallion-Architektur in Microsoft Fabric?

Die Medallion-Architektur ist ein Entwurfsmuster, das ein Lakehouse in drei aufeinander aufbauende Schichten gliedert: Bronze für rohe, eingelesene Daten, Silber für bereinigte und vereinheitlichte Daten und Gold für geschäftsfertige, aggregierte Daten. In Microsoft Fabric liegen diese Schichten auf OneLake, dem mandantenweiten Data Lake, und werden meist als getrennte Lakehouses oder Schemata umgesetzt. Das Muster schafft Nachvollziehbarkeit, Wiederverarbeitbarkeit und einen klaren Vertrag zwischen Data Engineering und Analytik.

Sollten Bronze, Silber und Gold getrennte Workspaces oder getrennte Lakehouses sein?

Es gibt keine einzig richtige Antwort, aber ein bewährtes Muster ist ein Workspace je Schicht für klare Sicherheits- und Lebenszyklusgrenzen oder ein einzelner Workspace mit drei Lakehouses für kleinere Umgebungen. Getrennte Workspaces erleichtern Least-Privilege-Zugriff, Kapazitätsisolation und Deployment-Pipelines, was spätestens bei mehreren Teams und Nachweispflichten gegenüber Prüfern wichtig wird. Für ein kleines Team oder einen Proof of Concept genügen drei Lakehouses in einem Workspace, ohne die Schichtung aufzugeben.

Zwingt Fabric mich, Delta und Parquet für die Medallion-Schichten zu verwenden?

Fabric standardisiert für Lakehouse-Tabellen das Delta-Lake-Format über Parquet, und OneLake speichert alles im offenen Delta-Parquet, sodass andere Engines die Daten ohne Kopien lesen können. Wirklich rohe Dateien wie JSON oder CSV können in Bronze landen, doch beim Übergang nach Silber und Gold wandeln Sie sie in Delta-Tabellen um. Dieses offene Format ermöglicht Shortcuts, engineübergreifenden Zugriff und das Einbinden von Beständen aus Azure Databricks oder Azure Machine Learning in Fabric ohne Duplizierung.

Wie unterstützt die Medallion-Architektur KI und Agenten in Fabric 2026?

Eine saubere Gold-Schicht macht KI vertrauenswürdig. Fabric Data Agents und die Copilot-Verankerung funktionieren mit kuratierten, gut modellierten Gold-Tabellen deutlich besser als mit rohem Bronze. 2026 erlaubt etwa das Eventhouse Remote MCP, dass Agenten Echtzeitdaten per natürlicher Sprache und KQL abfragen, und workspaceübergreifendes MLflow-Logging unterstützt durchgängiges MLOps — all das setzt jedoch voraus, dass die zugrunde liegenden Daten zuvor über die Medallion-Schichten vereinheitlicht und geregelt wurden.

Was sind die häufigsten Fehler bei der Umsetzung einer Fabric-Medallion-Architektur?

Wiederkehrende Fehler sind, Bronze als abfragbare Analyseschicht statt als unveränderliche Landezone zu behandeln, Geschäftslogik in Silber einzubauen, sodass Gold nichts Eigenes mehr leistet, Datenqualitätsprüfungen zwischen den Schichten zu überspringen und Governance zu spät anzugehen. Ein weiterer Fehler ist Überengineering der Schichtung für winzige Datenmengen, bei denen ein einzelnes kuratiertes Lakehouse genügen würde. Das Medallion-Muster ist Mittel zu Nachvollziehbarkeit und Vertrauen, kein Selbstzweck.

Wie hängt die Medallion-Architektur mit der EU-Datengovernance wie der DSGVO zusammen?

Die Schichtung unterstützt die Compliance unmittelbar, weil jeder Übergang eine Gelegenheit für Kontrollen bietet: Pseudonymisierung oder Maskierung beim Wechsel von Bronze nach Silber, Erfassung der Datenherkunft zur Rechenschaftspflicht und Zugriffsbeschränkung, sodass die meisten Nutzer nur Gold sehen. Die mandantenweite Governance von OneLake, Vertraulichkeitsbezeichnungen und die Purview-Integration setzen diese Kontrollen einheitlich durch. Für europäische Unternehmen unter der DSGVO erleichtert die klare Trennung zwischen rohen personenbezogenen Daten und geschäftsfertigen Aggregaten die Nachweispflichten zu Datenminimierung und Zweckbindung erheblich.