Power BI Next Step 2026: Agentisk analyse forudsætter et solidt fundament
På tværs af de syv sessioner, vi deltog i, tegnede der sig et sammenhængende billede: Agentisk analyse er på vej fra demo til drift, men succes afhænger af en semantisk model og en rapportarkitektur, der er bygget til formålet.
Fra assistent til agent
Keynoten satte rammen for dagen. Skiftet går fra, at Copilot besvarer spørgsmål om en rapport, til at en agent udfører et afgrænset stykke arbejde mod den semantiske model. Kravene er dermed ændret: agenten skal kunne læse modellen, den skal være underlagt rettigheder, den ikke kan omgå, og resultatet skal kunne verificeres af et menneske.
Verifikation bliver en kernekompetence
Sessionen om DAX-debugging var dagens mest operationelt anvendelige. Værktøjskassen er i store træk uændret — DAX query view, variable, systematisk gennemgang af filterkontekst og Performance Analyzer — men anvendelsen har fået ny vægt. AI genererer sandsynlig DAX hurtigt, men sandsynlig er ikke det samme som korrekt. Godkendelse kræver således evnen til at gennemskue det genererede udtryk, eller opdages fejl på total- og/eller mellemniveau typisk først i produktion.
Maskinlæsbare artefakter er forudsætningen
Sessionen om agentisk udvikling pegede på den tekniske forudsætning: agenter kræver artefakter, de kan læse og skrive. Det er netop, hvad PBIR og TMDL leverer. PBIR-sessionen omsatte det til praksis med én JSON-fil pr. visual, diffs der kan reviewes, scriptede masserettelser på tværs af sider samt genbrugelige visual-definitioner. Rapportudvikling bevæger sig dermed tættere på klassisk softwareudvikling med versionsstyring, code review og automatisering som naturlige discipliner.
Drift og modeldesign afgør resultatet
Memory-sessionen gennemgik de typiske årsager til fejlede refreshes: VertiPaq-komprimering, høj kardinalitet i kolonner og det forhold, at en refresh i spidsbelastning kan kræve op mod det dobbelte af modellens hukommelsesforbrug. Refresh-sessionen anviste håndteringen — incremental refresh-politikker, custom partitions via XMLA samt Direct Lake, hvor framing over OneLake fjerner refresh-problemstillingen frem for at optimere den. Parametersessionen supplerede med field parameters og Variable Libraries som middel til at lade én rapport dække flere behov i stedet for at blive klonet.
Konklusion
Den gennemgående pointe fra konferencen var, at agentisk analyse ikke primært er et AI-projekt. Det er et model-, governance- og platformprojekt. Organisationer, der investerer i semantiske modeller, dokumentation, versionsstyring og driftssikkerhed i dag, står stærkest, når agentiske løsninger bliver en integreret del af den daglige analysepraksis.
Tre anbefalinger til at tage med hjem
Gennemgå kardinalitet og kolonneforbrug i jeres største modeller. Fjern ubenyttede kolonner og høj-kardinalitets nøgler, før I overvejer at opskalere kapaciteten.
Vurder Direct Lake for de modeller, hvor refresh-vinduet er kritisk og fastlæg en eksplicit partitioneringsstrategi for dem, som forbliver i Import mode.
Indfør PBIR i versionsstyring, og etabler et review-flow for AI-genereret DAX / TMDL, så genereret kode gennemgås, før den deployes.