Twee jaar geleden bouwde je een datawarehouse in Microsoft Fabric door in te loggen op de portal en te klikken. Vandaag werken onze engineers in Visual Studio Code, met een AI-assistent ernaast en de hele oplossing vastgelegd als code. Dat klinkt als een technisch detail, maar het verandert wat een opdrachtgever mag verwachten van doorlooptijd, kwaliteit en onafhankelijkheid.
Wat er precies veranderd is
Microsoft heeft in 2026 een aantal bouwstenen tot standaard gemaakt die deze manier van werken mogelijk maken. Drie daarvan zijn voor de praktijk het belangrijkst.
1. AI-assistenten praten met Fabric via een open standaard
Het Model Context Protocol (MCP) is een open standaard die AI-assistenten op een uniforme manier toegang geeft tot externe systemen. Microsoft heeft de Fabric MCP-server algemeen beschikbaar gemaakt: een assistent kent daarmee de Fabric-API's, kan bestanden in OneLake beheren en opdrachten uitvoeren via de Fabric CLI. Microsoft vergelijkt het zelf met USB — één aansluiting in plaats van een lade vol adapters. De server werkt met Visual Studio Code, GitHub Copilot, Claude en Cursor.
2. Skills en MCP zijn twee verschillende dingen
Dit onderscheid is in de praktijk het nuttigst om vast te houden. Skills leggen kennis en werkwijzen vast: hoe bouw je een medallion-architectuur, welke afspraken gelden er in deze omgeving, wat is een goed semantisch model. MCP-servers geven daadwerkelijk toegang tot systemen. Skills zeggen wat er moet gebeuren en waarom; MCP maakt het uitvoerbaar. Microsoft publiceert inmiddels zelf een open verzameling Fabric-skills — inclusief skills voor medallion-architectuur — die te gebruiken zijn met GitHub Copilot, Claude en de CLI.
3. Een assistent kan een compleet rapport opbouwen
Met Agent Skills voor Power BI kan een AI-assistent het hele traject doorlopen: van ruwe data naar een semantisch model naar een werkend rapport, op basis van een beschrijving of zelfs een schermafbeelding. Dat werkt omdat Power BI-rapporten als projectbestanden (PBIP) op te slaan zijn — als code dus, en daarmee leesbaar en bewerkbaar voor zowel mens als machine.
Hoe wij dit toepassen
Wij zetten dit niet in om sneller code te produceren, maar om minder tijd kwijt te zijn aan routinewerk. In de praktijk ziet dat er zo uit:
- Alles in versiebeheer. Pipelines, notebooks, semantische modellen en rapporten staan in Git. Elke wijziging is terug te zien en terug te draaien.
- Een mens beoordeelt elke wijziging. De assistent stelt voor, wij accorderen. Niets gaat ongezien naar productie.
- Geautomatiseerde uitrol. Van ontwikkel- naar test- naar productieomgeving via deployment pipelines, niet via handwerk.
- Vastgelegde afspraken per klant. Elke omgeving krijgt haar eigen skills, zodat iedereen die eraan werkt dezelfde standaard aanhoudt — ook het team van de klant zelf.
De belangrijkste vraag: is dit veilig?
Dat is terecht de eerste vraag die opdrachtgevers stellen. Het antwoord zit in het beveiligingsmodel van Fabric zelf. Een AI-assistent authenticeert via Microsoft Entra ID en werkt onder de identiteit van de ingelogde gebruiker — hij kan dus nooit meer dan die persoon zelf mag. Elke handeling komt in de auditlogs, dezelfde logs die ook portal- en API-acties vastleggen. Ingrijpende bewerkingen worden apart gemarkeerd en voorgelegd ter bevestiging. En er gaan geen bulkgegevens de deur uit: data blijft binnen de omgeving en haar eigen beveiligingsgrenzen.
Waarom uw datafundament hierdoor belangrijker wordt
Er is een misverstand dat AI het bouwen van een goed datamodel overbodig maakt. Het tegenovergestelde is waar. Microsoft verwoordt het scherp: AI zonder semantische context is een zelfverzekerde gokker. Zet een taalmodel voor ruwe tabellen en het produceert antwoorden die er overtuigend uitzien — tot ze dat niet zijn. Het verschil zit in een goed onderhouden semantisch model: measures, relaties, hiërarchieën en definities die weergeven hoe uw organisatie werkelijk werkt.
Naarmate meer mensen hun vragen aan een assistent stellen in plaats van aan een rapport, wordt een rommelig fundament dus juist een groter probleem. Daar ligt wat ons betreft de kern van het werk: niet het bouwen van dashboards, maar het leggen van een fundament waarop zowel uw mensen als uw AI kunnen vertrouwen.
Wat dit betekent als u nu voor een keuze staat
Staat u aan het begin van een Fabric-traject, of onderhoudt u een omgeving die organisch gegroeid is? Dan is dit een goed moment om te kijken hoe uw oplossing is vastgelegd en of uw semantische laag klaar is voor de vragen die er de komende jaren op afkomen. Wij denken daar graag vrijblijvend over mee.
Lees meer over onze werkwijze of over Microsoft Fabric & AI. Of neem contact op voor een gesprek.