Data Platform · Microsoft Fabric
Microsoft Fabric Data Agents entwickeln für echte Self-Service-Analytics
Kurz gesagt
Einen Microsoft Fabric Data Agent entwickelt man, indem man ein gepflegtes Semantic Model anbindet, Instructions und bis zu 100 Beispiel-Fragen je Quelle hinterlegt und den Agent testet, bevor er in Teams oder M365 Copilot veröffentlicht wird. Er beantwortet dann Fragen an Ihre Unternehmensdaten in natürlicher Sprache, direkt auf OneLake, read-only und an Ihre Berechtigungen gebunden, individuell auf Ihr Semantic Model gebaut statt generisch. Laut Sigma Computing verlieren 76 % der Data-Experten 20 bis 49 % ihrer Zeit an Ad-hoc-Reports (2025).
Microsoft Partner
KI-Engineering
EU-Region · DSGVO
Warum der Ad-hoc-Stau im Data-Team teuer wird
Jede Datenfrage der Fachabteilung landet beim Data-Team. Laut Sigma Computing bekommen 53 % der Data-Experten bis zu vier Rückfragen pro erledigter Anfrage, bevor die eigentliche Analyse überhaupt beginnt.
Data-Team als Flaschenhals
Jede Kennzahl muss angefragt, priorisiert und in SQL oder DAX übersetzt werden. Reporting frisst die Zeit, die für echte Analyse fehlt.
Self-Service-BI überfordert
Power-BI-Berichte beantworten die vorgedachten Fragen. Die spontane Frage der Fachabteilung, warum der Deckungsbeitrag in einer Region gefallen ist, steht nicht im Dashboard.
Generische Chatbots kennen Ihre Daten nicht
Ein SaaS-Chatbot ohne Zugriff auf Ihr Semantic Model rät. Ohne Ihre Begriffe, Ihre Berechtigungen und Ihr Datenmodell sind die Antworten nicht belastbar.
Ihre Vorteile in Zahlen
Was ein Data Agent bringt, hängt weniger am Modell als an der Vorarbeit beim Entwickeln: sauberes Semantic Model, klare Instructions, gute Beispiel-Fragen.
76 % der Data-Teams im Ad-hoc-Stau
76 % der Data-Experten verlieren 20 bis 49 % ihrer Zeit an Ad-hoc-Reports. Ein Data Agent nimmt genau diese wiederkehrenden Standardfragen ab. (Sigma Computing 2025)
5 Quellen je Agent
Ein Agent bündelt bis zu fünf Quellen, u.a. Lakehouse, Warehouse, Power-BI-Semantic-Model, KQL-Datenbank und Mirrored Database, mit Routing-Regeln, welche Frage welche Quelle trifft. (Microsoft Learn, Data Agent 2026)
0 Schreibzugriffe
Der Agent erzeugt ausschließlich Lese-Abfragen und kann keine Daten ändern oder löschen. Row-Level- und Column-Level-Security des Nutzers bleiben gewahrt. (Microsoft Learn, Data Agent 2026)
F2 Mindest-Kapazität
Ein Data Agent läuft ab der kleinsten bezahlten Fabric-Kapazität F2. Kein separates SaaS-Abo, keine zusätzliche Lizenz, der Agent lebt in Ihrer bestehenden Fabric-Umgebung. (Microsoft Learn, Data Agent 2026)
Ab wann sich ein Fabric Data Agent lohnt
Ein Fabric Data Agent lohnt sich, sobald Ihre Daten bereits in Fabric liegen, ein gepflegtes Semantic Model existiert und Ihre Fachabteilung regelmäßig Fragen stellt, die heute im Data-Team landen.
F2
kleinste bezahlte Fabric-Kapazität als Basis
1
gepflegtes Semantic Model als Fundament
> 5
wiederkehrende Datenfragen pro Woche aus der Fachabteilung
Anwendungsbeispiele
Use Case 01
Controlling fragt Kennzahlen in Sprache
Die Fachabteilung fragt den Deckungsbeitrag je Kunde im Quartal gegen Vorjahr in natürlicher Sprache. Der Agent übersetzt nach DAX gegen das Semantic Model.
Antwort in Sekunden statt Ticket ans Data-Team.
Use Case 02
Vertrieb ohne SQL-Kenntnisse
Der Agent routet Umsatzfragen ans Warehouse und Kundenstammdaten ans Lakehouse, jeweils an die Berechtigung des Fragenden gebunden.
Row-Level-Security bleibt gewahrt, jeder sieht nur seine Daten.
Use Case 03
Data Agent in Teams und M365 Copilot
Der veröffentlichte Agent wird in Microsoft Teams, M365 Copilot oder Copilot Studio eingebettet, dort wo ohnehin gearbeitet wird.
Daten kommen zum Nutzer, nicht der Nutzer zum Dashboard.
Use Case 04
Baustein einer Multi-Agent-Architektur
Über die öffentliche Data Agent API wird der Agent in eigene Anwendungen und Orchestratoren eingebunden, als governierte Daten-Zugriffs-Komponente.
Eine geprüfte Datenquelle für mehrere KI-Anwendungen.
Integration in Ihre Umgebung
Passt das in unsere Fabric-Landschaft, und was ist mit Governance und Sprache?
Datenquellen
Lakehouse und Warehouse · Der Agent liest Tabellen aus Lakehouse und Warehouse per NL2SQL. Einzelne Dateien wie CSV müssen vorher als Tabelle bereitstehen.
Semantic Model · Gegen Power-BI-Semantic-Models fragt der Agent per NL2DAX. Die Antwortqualität hängt direkt am gepflegten Modell.
KQL und Mirrored DB · Echtzeit-Daten aus dem Eventhouse per NL2KQL, gespiegelte Fremd-Datenbanken als weitere Quelle, bis zu fünf je Agent.
Governance und Betrieb
Berechtigungen · Der Agent antwortet mit den Credentials des Nutzers. Row-Level- und Column-Level-Security greifen, niemand sieht mehr als erlaubt.
Purview · Microsoft Purview DLP kann Antworten einschränken. Teile dieser Governance-Integration sind Stand 2026 noch in Vorschau.
ALM · Git-Integration und Deployment-Pipelines trennen Dev, Test und Prod. Diagnostics protokollieren, was der Agent beantwortet.
Wie ein Data Agent funktioniert
1
Datenmodell prüfen
Wir prüfen Semantic Model, Tabellen und Namensgebung. Ohne sauberes Modell keine belastbaren Antworten.
2
Quellen anbinden
Bis zu fünf Quellen werden ausgewählt und die relevanten Tabellen je Quelle freigegeben.
3
Instructions schreiben
Ziel, Fachbegriffe und Routing-Regeln werden als Instructions hinterlegt: welche Frage welche Quelle trifft.
4
Beispiel-Fragen trainieren
Bis zu 100 Frage-Query-Paare je Quelle schärfen die Übersetzung auf Ihre Begriffe.
5
Testen und härten
Fragen der Fachabteilung werden durchgespielt, Instructions und Beispiele nachgeschärft, Berechtigungen geprüft.
6
Veröffentlichen
Der Agent wird publiziert und in Teams, M365 Copilot oder eigene Anwendungen per API eingebunden.
Warum Pexon statt Inhouse-Entwicklung
Inhouse-Team
–Klickt den Agent schnell zusammen, aber ohne saubere Instructions bleibt er unzuverlässig.
–Die Engineering-Arbeit an Semantic Model, Beispiel-Fragen und Routing wird unterschätzt.
–Die Englisch-Einschränkung fällt spät auf und trifft die deutschen Fachnutzer.
SaaS-Chatbot-Anbieter
–Generisches Produkt ohne Zugriff auf Ihr Semantic Model und Ihre Berechtigungen.
–Ihre Daten verlassen die Fabric-Governance, DSGVO wird zur offenen Frage.
–Kein Routing auf Ihre Quellen, die Antworten bleiben oberflächlich.
Mit Pexon
✓Pexon Consulting entwickelt als Microsoft-Partner mit KI-Engineering-Fokus Ihren Data Agent DSGVO-konform in der EU-Region, inklusive Semantic Model, Instructions und Beispiel-Fragen, an denen die Qualität hängt.
✓Individuell auf Ihre Daten, kein SaaS-Abo, der Agent lebt in Ihrer Fabric-Kapazität.
✓Wir lösen die Englisch-Einschränkung im Design und binden den Agent dort ein, wo gearbeitet wird.
In vier Phasen zur produktiven Lösung
1
Woche 1
Datenmodell-Check
Semantic Model, Tabellen und Begriffe prüfen, Use-Cases der Fachabteilung sammeln.
2
Woche 2
Agent bauen
Quellen anbinden, Instructions und erste Beispiel-Fragen schreiben.
3
Woche 3
Testen und härten
Fragen durchspielen, Antwortqualität schärfen, Berechtigungen und Sprache absichern.
4
Woche 4
Veröffentlichen
In Teams oder M365 Copilot einbinden, Nutzer schulen, Diagnostics aktivieren.
Pilot zum Festpreis
Wir bauen einen produktiven Data Agent auf einem Ihrer bestehenden Semantic Models, mit Instructions, Beispiel-Fragen und Einbindung in Teams.
Ihre Investition
ab 7.500 EUR
Data-Agent-Pilot · 3 bis 4 Wochen
Enthält:
Umfang · Ein Data Agent auf einem gepflegten Semantic Model plus bis zu zwei weiteren Quellen, Instructions, Beispiel-Fragen und Einbindung in Teams.
Voraussetzung · Fabric-Kapazität ab F2 und ein bestehendes, gepflegtes Semantic Model. Zeigt der Datenmodell-Check in Woche 1 Aufräumbedarf, sagen wir das offen und rechnen den Aufwand transparent ab, bevor es weitergeht.
Danach · Weitere Agents und Quellen als Festpreis je Agent nach dem Piloten. Abnahme über einen definierten Fragen-Katalog Ihrer Fachabteilung.
100 % unverbindlich, ohne Verpflichtung
Häufige Fragen
Was ist ein Fabric Data Agent?
Ein Data Agent ist ein konfigurierbares Fabric-Artefakt, das Fragen an Ihre Daten in natürlicher Sprache beantwortet, read-only und an Ihre Berechtigungen gebunden. Er startete 2024 als AI Skills, wurde 2025 in Data Agents umbenannt und ist seit 2026 allgemein verfügbar.
Was unterscheidet ihn von einem SaaS-Chatbot?
Der Data Agent greift direkt auf Ihre OneLake-Daten und Ihr Semantic Model zu, mit Ihren Begriffen, Ihrem Routing und Ihrer Row-Level-Security. Ein generischer Chatbot ohne diesen Kontext rät. Ihre Daten bleiben in der Fabric-Governance in der EU-Region, der Agent nutzt Azure OpenAI und trainiert nicht auf Ihren Daten.
Was kostet die Entwicklung eines Data Agents?
Ein Data-Agent-Pilot auf einem bestehenden Semantic Model startet bei 7.500 EUR und dauert 3 bis 4 Wochen. Voraussetzung ist eine Fabric-Kapazität ab F2. Weitere Agents und Quellen rechnen wir als Festpreis je Agent nach dem Piloten ab.
Können unsere Leute auf Deutsch fragen?
Offiziell unterstützt Microsoft nur Englisch für Fragen, Instructions und Beispiele. In unseren Tests funktionieren deutsche Kennzahl-Fragen, sofern die Instructions englisch sind und Ihre Begriffe im Semantic Model hinterlegt sind, bei komplexen Formulierungen kann Englisch nötig sein. Was in Ihrem Fall zuverlässig geht, prüfen wir im Piloten an Ihrem Fragen-Katalog.
Wo passt ein Data Agent nicht?
Der Agent liest nur strukturierte Daten, also Tabellen, keine PDFs, Word-Dateien oder freien Text. Ohne gepflegtes Semantic Model bleiben die Antworten unzuverlässig. Und er ist read-only mit einer Antwortgrenze von 25 Zeilen mal 25 Spalten, kein Werkzeug für vollständige Datenexporte.
Wie stellen Sie die Antwortqualität sicher?
Über saubere Instructions, bis zu 100 Beispiel-Fragen je Quelle und einen Test gegen einen realen Fragen-Katalog mit dokumentierter Trefferquote bei der Abnahme. Jede erzeugte Abfrage ist über Diagnostics nachvollziehbar, sodass sich eine Antwort prüfen lässt. Freitext-Interpretation kann irren, deshalb grenzen wir den Agent auf klar modellierte Kennzahlen ein, statt ihm alles zu erlauben.
Nachricht senden
Kein passender Termin? Schreiben Sie uns, wir melden uns innerhalb von 24 Stunden.
Antwort innerhalb von 24 Stunden
Unverbindliches Erstgespräch
Persönlicher Ansprechpartner
Phillip Pham
CEO @ Pexon Consulting
Aktualisiert am 16. Juli 2026
Sie suchen einen Partner für Ihr Projekt?
Wir analysieren Ihren individuellen Bedarf, geben erste Empfehlungen zu Umsetzungsstrategien und bieten Ihnen transparente Einblicke in unsere Methoden, Technologien und Referenzen.
Vertrieb kontaktieren
400+Projekte seit 2020
100+Kunden im DACH-Raum
ISO27001 zertifiziert
3Hyperscaler Partner