Power-BI-Semantikmodelle für Copilot bauen

Power BI Copilot liest nicht Ihre Daten. Es liest Ihr Modell — die Namen, Beschreibungen, Beziehungen und Measures Ihres Semantikmodells — und nutzt diese Metadaten, um eine Frage in natürlicher Sprache in DAX zu übersetzen. Diese eine Tatsache übersehen die meisten Teams, und sie erklärt, warum zwei Organisationen mit demselben Copilot auf denselben Daten völlig unterschiedliche Antwortqualität erhalten.

Das Semantikmodell ist jetzt eine KI-Schnittstelle, nicht mehr nur eine Berichtsschicht. Das verändert, wie es entworfen werden sollte.

TL;DR / Die wichtigsten Erkenntnisse

Copilot schlussfolgert über die Metadaten Ihres Semantikmodells, nicht über die Rohdaten. Benennung, Beschreibungen und Beziehungen sind damit genauigkeitskritisch, nicht kosmetisch.
Das Copilot Tooling Format (allgemein verfügbar seit Mai 2026) macht Semantikmodelle zu einem Git-freundlichen, textbasierten Artefakt, das Sie diffen, prüfen und in der CI validieren können.
Die häufigste Ursache falscher Copilot-Antworten ist Mehrdeutigkeit: vage Measure-Namen, fehlende Beschreibungen, redundante Tabellen und fehlende Synonyme.
Ein für Copilot gehärtetes Modell verbessert sich auch für menschliche Berichtsautoren — es gibt keinen Zielkonflikt.
Behandeln Sie das Semantikmodell als fachliche Schnittstelle der Gold-Schicht in einer Fabric/OneLake-Medaillon-Architektur und versionieren Sie es wie Code.

Warum Modellqualität jetzt ein KI-Problem ist

Fünfzehn Jahre lang war ein schlampiges Semantikmodell überlebensfähig. Ein menschlicher Berichtsautor, der drei Spalten namens Amount, Amount2 und amt_net sah, konnte einen Kollegen fragen, die Quelle prüfen oder aus dem Kontext schließen. Copilot kann das nicht. Es hat nur die Metadaten, die Sie ihm gegeben haben, und es antwortet selbstbewusst — unabhängig davon, ob diese Metadaten ausreichen.

Das ist die unbequeme Verschiebung: Copilot verwandelt latente Modellschulden in sichtbare, fachlich relevante Fehler. Ein Modell, das für geschulte Analysten "gut genug" funktioniert, kann peinlich falsche Zahlen liefern, sobald ein CFO eine Frage in einfacher Sprache eintippt. Wir haben das in Kundenprojekten selbst erlebt — die Daten waren korrekt, die Pipelines waren korrekt, und Copilot lieferte dennoch die falsche Kennzahl, weil zwei Measures fast identische Namen hatten und keine Beschreibungen, um sie zu unterscheiden.

Die Lösung sind nicht bessere Prompts. Es ist ein besseres Modell.

Was Copilot tatsächlich verarbeitet

Wenn ein Anwender eine Frage stellt, baut Power BI Copilot aus Ihrem Semantikmodell einen Grounding-Kontext zusammen und übergibt ihn an das Sprachmodell. Die wichtigsten Bestandteile:

Modellelement	Wofür Copilot es nutzt	Fehlerbild bei Vernachlässigung
Tabellen- & Spaltennamen	Zuordnung von Frage-Begriffen zu Objekten	Wählt bei kryptischen Namen das falsche Objekt
Objektbeschreibungen	Unterscheidung ähnlicher Objekte	Verwechselt zwei ähnliche Measures oder Spalten
Measures (und deren Beschreibungen)	Wahl der richtigen Berechnung	Berechnet ad hoc neu, oft fehlerhaft
Beziehungen	Korrektes Verknüpfen von Tabellen	Erzeugt Fan-out oder falsche Granularität
Synonyme	Treffer der Fachsprache	Findet das vom Anwender benannte Objekt nicht
Ausblende-Kennzeichen	Ausschluss technischen Ballasts	Zeigt Surrogatschlüssel und Staging-Spalten
Formatzeichenfolgen	Korrekte Darstellung von Werten	Liefert rohe Zahlen ohne Währung/Prozent

Jede Zeile dieser Tabelle ist eine Entwurfsentscheidung, die Sie steuern. Nichts davon geschieht automatisch.

Ein Copilot-taugliches Modell entwerfen

1. Objekte in Fachsprache benennen

Das Modell wird von einem CFO über Copilot gelesen, nicht nur von Ihnen. Benennen Sie fct_sales_amt in Umsatzbetrag um, dim_cust in Kunde. Verwenden Sie die Begriffe des Fachbereichs, konsistent über das gesamte Modell. Wenn verschiedene Teams "Umsatz" und "Erlös" für dasselbe sagen, wählen Sie einen kanonischen Namen und erfassen Sie den Rest als Synonyme (siehe Schritt 4).

2. Eine Beschreibung an alles Relevante schreiben

Beschreibungen sind der am wenigsten genutzte und wirkungsstärkste Hebel für Copilot-Genauigkeit. Jedes Measure, jede nicht offensichtliche Spalte und jede Tabelle sollte eine einzeilige Beschreibung tragen, die angibt, was es bedeutet und gegebenenfalls was es ausschließt. "Nettoumsatz nach Retouren und Rabatten, ohne konzerninterne Verkäufe" ist für Copilot wertvoller als jedes Prompt-Tuning. Machen Sie Beschreibungen im Review verpflichtend — ein unbeschriebenes Measure ist eine undokumentierte API.

3. Beziehungen explizit und korrekt halten

Copilot stützt sich auf Ihre Beziehungen, um Tabellen zu verknüpfen. Mehrdeutige, inaktive oder Viele-zu-viele-Beziehungen ohne klare Absicht sind eine häufige Quelle falscher Aggregate. Definieren Sie ein sauberes Sternschema, setzen Sie die korrekte Filterrichtung und verlassen Sie sich nicht darauf, dass Copilot eine Brückentabelle selbst "erkennt". Ist eine Beziehung inaktiv, dokumentieren Sie warum.

4. Synonyme für reale Fachsprache hinzufügen

Synonyme verknüpfen, wie Menschen sprechen, mit der Art, wie Ihr Modell benannt ist. Ordnen Sie "Erlös", "Verkäufe" und "Top Line" Ihrem Umsatz-Measure zu; ordnen Sie "Kopfzahl" und "VZÄ" der Mitarbeiteranzahl zu. Das ist der günstigste verfügbare Genauigkeitsgewinn und reduziert das Fehlerbild "Copilot findet es nicht" unmittelbar.

5. Alles ausblenden, was Copilot nicht sehen soll

Surrogatschlüssel, Staging-Spalten, technische Datumsschlüssel und Hilfsspalten sollten ausgeblendet sein. Ausgeblendete Objekte werden im Grounding von Copilot zurückgestuft, was seine Auswahl schärft. Eine schlanke sichtbare Oberfläche ist eine genauere Oberfläche.

6. Measures definieren, statt Copilot improvisieren zu lassen

Wenn eine Berechnung fachlich relevant ist, kodieren Sie sie als benanntes Measure mit Beschreibung. Copilot zieht ein vorhandenes Measure dem Synthetisieren von DAX vor, und ein kuratiertes Measure ist prüfbar. Hier liegt auch die Governance: Eine einzige, freigegebene Definition von "Bruttomarge %" verhindert, dass Copilot fünf leicht abweichende erfindet.

Das Copilot Tooling Format: Semantikmodelle als Code

Die größte Entwicklung des Jahres 2026 für ernsthafte Teams ist das Copilot Tooling Format, das im Mai 2026 allgemein verfügbar wurde. Es ist ein Git-freundliches, textbasiertes Metadatenformat für Semantikmodelle. Statt einer undurchsichtigen Binärdatei, die Sie nur in Power BI Desktop inspizieren können, wird Ihre Modelldefinition zu lesbarem, diff-fähigem Text.

Das ermöglicht echte ingenieurmäßige Disziplin:

Das Modell in Git ablegen — neben dem übrigen Analytics-Code.
Änderungen in Pull Requests prüfen — ein Reviewer sieht, dass jemand ein Measure umbenannt oder eine Beschreibung gelöscht hat, bevor es ausgeliefert wird.
In der CI validieren — fehlende Beschreibungen erkennen, Namenskonventionen erzwingen und den Build scheitern lassen, wenn eine Änderung das Copilot-Grounding verschlechtern würde.
Historie nachverfolgen — wissen, wer die Definition von "Nettoumsatz" wann geändert hat, was für Audit und Fehlersuche zählt.

Workflow-Aspekt	Vorher (Binärmodell)	Mit Copilot Tooling Format
Änderungsprüfung	Datei öffnen, Visuals begutachten	Diff im Pull Request
Versionshistorie	"Final_v3_wirklich.pbix"	Vollständige Git-Historie
Qualitäts-Gates	Manuell, nachträglich	Automatisierte Prüfung in der CI
Zusammenarbeit	Dateisperren, Merge-Schmerz	Branch und Merge wie Code
Nachweispflichten	Gering	Jede Änderung zugeordnet

Ein praktisches CI-Gate, das wir empfehlen: Blockieren Sie jeden Merge, der ein Measure ohne Beschreibung einführt oder ein von einem veröffentlichten Bericht referenziertes Objekt umbenennt. Allein diese zwei Regeln verhindern die Mehrheit der Copilot-Regressionen.

Wo das Modell in einer Fabric-Architektur sitzt

In Microsoft Fabric ist das Semantikmodell die fachliche Schnittstelle der Gold-Schicht. Rohdaten landen in Bronze, werden in Silber bereinigt und zu geschäftsfertigen Gold-Tabellen in OneLake kuratiert — siehe unseren Beitrag zur Fabric-Medaillon-Architektur. Das Semantikmodell definiert dann Bedeutung, Beziehungen und Measures auf diesen kuratierten Gold-Daten, und Copilot schlussfolgert über dieses — nicht über den rohen Lake.

Loading diagram...

Diese Schichtung ist wichtig, weil sie Verantwortlichkeiten sauber trennt. Das Engineering besitzt die Medaillon-Pipeline; das Semantikmodell besitzt die fachliche Bedeutung; Copilot konsumiert die fachliche Bedeutung. Wenn Sie autonome Komponenten wie Fabric Data Agents hinzufügen oder Echtzeitdaten über Eventhouse und das Remote-MCP bereitstellen, profitieren alle von derselben disziplinierten Fachschicht. Ein gut beschriebenes Semantikmodell ist der Vertrag, auf den sich jeder KI-Konsument verlässt.

Eine pragmatische Einführungs-Checkliste

Für ein Modell, das Sie in Produktion für Copilot freigeben wollen:

Alle sichtbaren Objekte in Fachsprache umbenennen; Abkürzungen entfernen.
Eine Beschreibung an jedes Measure und jede nicht offensichtliche Spalte ergänzen.
Sauberes Sternschema bauen; Richtung und Kardinalität jeder Beziehung prüfen.
Alle Schlüssel-, Staging- und Hilfsspalten ausblenden.
Synonyme ergänzen, die die Fachsprache jedes konsumierenden Teams abdecken.
Ad-hoc-Berechnungen in benannte, beschriebene Measures überführen.
Korrekte Formatzeichenfolgen setzen (Währung, Prozent, Dezimalstellen).
In das Copilot Tooling Format exportieren und in Git committen.
Eine CI-Prüfung ergänzen: scheitern bei fehlenden Beschreibungen und undokumentierten Umbenennungen.
Vor Go-live mit echten Fachfragen testen und die Fehlschläge protokollieren.

Schritt 10 ist der, den Teams überspringen. Setzen Sie einige Fachanwender zusammen, lassen Sie sie die Fragen stellen, die sie tatsächlich stellen, und behandeln Sie jede falsche Antwort als Modellfehler — meist eine fehlende Beschreibung oder ein fehlendes Synonym — nicht als Copilot-Grenze.

Fazit

Power BI Copilot ist nur so gut wie das Semantikmodell dahinter. Die Arbeit, die Copilot zuverlässig macht — klare Namen, vollständige Beschreibungen, explizite Beziehungen, Synonyme und eine ausgeblendete technische Oberfläche — ist dieselbe Arbeit, die ein Modell für Menschen gut macht. Das Copilot Tooling Format erlaubt es endlich, diese Arbeit mit der verdienten ingenieurmäßigen Disziplin durchzusetzen: Review, Versionsverwaltung und automatisierte Qualitäts-Gates.

Wenn Sie Copilot über eine Power-BI-Landschaft ausrollen und die Semantikschicht sauber gehärtet haben wollen — oder eine Fabric-Plattform, deren KI-Schicht vom ersten Tag an vertrauenswürdig ist — dann ist genau das unsere Arbeit. Mehr über unser KI- und Datenplattform-Engineering.

FAQ

Was macht ein Power-BI-Semantikmodell 'Copilot-tauglich'?

Ein Copilot-taugliches Modell hat klare, fachlich verständliche Objektnamen, vollständige Beschreibungen an Tabellen, Spalten und Measures, explizite Beziehungen, ausgeblendete technische Spalten und Synonyme für die Sprache der Anwender. Copilot schlussfolgert über diese Metadaten, um Fragen in DAX zu übersetzen — die Modellqualität bestimmt also unmittelbar die Antwortqualität. Mehrdeutige oder undokumentierte Modelle liefern selbstbewusste, aber falsche Antworten.

Was ist das Power BI Copilot Tooling Format?

Das Copilot Tooling Format ist ein Git-freundliches, textbasiertes Metadatenformat für Semantikmodelle, das im Mai 2026 allgemein verfügbar wurde. Es stellt die Modelldefinition als lesbaren, diff-fähigen Text statt als undurchsichtige Binärdatei dar. Dadurch lassen sich Änderungen in Pull Requests prüfen, in der Versionsverwaltung nachverfolgen und mit ingenieurmäßiger Disziplin behandeln. Es ist die Grundlage dafür, Semantikmodelle wie Code zu behandeln.

Braucht Copilot ein anderes Modell als meine normalen Power-BI-Berichte?

Kein anderes, aber oft ein disziplinierteres Modell. Dasselbe Semantikmodell kann sowohl menschliche Berichtsautoren als auch Copilot bedienen, doch Copilot legt Schwächen offen, die Menschen tolerieren. Vage Measure-Namen, fehlende Beschreibungen und redundante Tabellen, die ein Mensch ignoriert, führen Copilot in die Irre. Die gute Nachricht: Ein für Copilot gehärtetes Modell verbessert sich für alle Nutzer.

Wie wirken sich Synonyme und Beschreibungen auf Copilot-Antworten aus?

Synonyme verknüpfen die Wörter der Fachanwender (Umsatz, Erlös, Verkäufe) mit den Objekten Ihres Modells, und Beschreibungen geben Copilot den semantischen Kontext, um ähnliche Objekte zu unterscheiden. Zusammen verringern sie das Risiko, dass Copilot die falsche Spalte oder das falsche Measure wählt. Ohne sie rät Copilot allein anhand der Namen — die häufigste Ursache falscher Antworten in natürlicher Sprache.

Kann ich Semantikmodelle versionieren und in der CI prüfen?

Ja. Mit dem Copilot Tooling Format speichern Sie das Modell als Text in Git, prüfen Änderungen in Pull Requests und validieren in der Pipeline vor dem Deployment. Sie können fehlende Beschreibungen erkennen, Namenskonventionen erzwingen und Merges blockieren, die die Copilot-Genauigkeit verschlechtern würden. So gelangen Semantikmodelle in denselben DevOps-Workflow wie Anwendungscode.

Wo sitzt das Semantikmodell in einer Microsoft-Fabric-Architektur?

In Fabric ist das Semantikmodell die Gold-Schicht als Konsumoberfläche oberhalb von OneLake und einer Medaillon-Architektur. Bronze und Silber übernehmen Ingestion und Bereinigung; das Semantikmodell definiert die fachliche Bedeutung, Beziehungen und Measures auf den kuratierten Gold-Daten. Copilot und Data Agents schlussfolgern dann über diese Fachschicht statt über Rohtabellen.