Jouw eerste Fabric Data Agent

Maar eerst vooraf

Anno nu, begin maart 2026, zijn Fabric Data Agents nog in preview. Preview‑functionaliteiten worden door Microsoft met beperkte mogelijkheden beschikbaar gesteld, zodat gebruikers ze vroegtijdig kunnen uitproberen en feedback kunnen geven. Niet alle organisaties staan het gebruik van preview-functionaliteiten toe, of enkel in ontwikkel- of sandbox-omgevingen. Houdt hier rekening mee bij jouw organisatie.

Wat heb je nodig?

Om je eerste Fabric Data Agent te bouwen, zijn een aantal randvoorwaarden van toepassing. Uiteraard moet je beschikken over toegang tot Microsoft Fabric, het AI powered SaaS dataplatform van Microsoft. Daarnaast kun je beperkt kiezen uit een lijst met bronnen voor je agent en dien je wellicht een aantal tenant-instellingen aan te passen. Een gebruiker met de rol ‘Fabric Administrator’ is hiertoe bevoegd.

Randvoorwaarden aan het gebruik van Fabric Data Agents:

• Een betaalde Fabric‑capaciteit (F2 of hoger), dit is de motor die alle AI‑ en data‑processen verwerkt.
• Fabric Data Agent‑tenantinstellingen staan ingeschakeld, zodat je binnen de organisatie überhaupt agents kan aanmaken en beheren.
• Minimaal één databron met data uit onderstaande lijst:
• een Fabric warehouse
• een Fabric lakehouse
• Een Semantisch model (Power BI datamodel)
• een KQL‑database
• een Ontologie
• Power BI‑semantische modellen via XMLA‑endpoints zijn ingeschakeld wanneer je deze modellen als databron wilt gebruiken.

Fabric Data Agents werken het meest optimaal binnen een omgeving die volledig Engels is. Stel je een vraag in het Nederlands, dan zal de agent ook proberen te antwoorden in het Nederlands. De achterliggende modellen zijn echter minder nauwkeurig dan bij een volledig Engelstalige oplossing en communicatie!

Actuele vereisten

De volledige en meest recente lijst van vereisten vind je altijd in de officiële Microsoft‑documentatie: How to create a Data Agent

Bepaal je databron

De databron vormt het hart van je Fabric Data Agent. Alles wat je agent straks kan begrijpen, beantwoorden en analyseren, begint bij de kwaliteit en het type bron dat je kiest binnen je Fabric‑platform. Niet elke bron werkt hetzelfde, en elk type heeft unieke voordelen én beperkingen. Door bewust te kiezen, leg je de basis voor een agent die snel, accuraat en relevant reageert.

Verschillende typen databronnen

• Semantisch model — rijk aan betekenisvolle definities
  Een semantisch model bevat organisatiebrede definities zoals een dimensioneel model inclusief relaties, KPI’s en vooraf gedefinieerde berekeningen (measures). Dat is een groot voordeel: je agent kan direct gebruikmaken van deze consistente, gevalideerde meetwaarden. Het nadeel is dat de vertaling van natuurlijke taal naar DAX soms minder snel verloopt, waardoor de performance iets kan achterblijven.
• Warehouse of Lakehouse — krachtig en performant
  Je kunt zowel een Fabric warehouse als Lakehouse kiezen als bron voor jouw agent. Hoe beter je data is opgeschoond, gemodelleerd en gedocumenteerd, hoe beter je agent ermee kan werken. Qua performance gaat een agent goed op een verbinding met jouw Warehouse of Lakehouse.
• KQL‑database — ideaal voor real‑time scenario’s
  Wanneer je werkt met streaming data, logs of andere real‑time informatiestromen, is KQL een uitstekende keuze. Je agent kan hiermee direct inspelen op actuele gebeurtenissen en snelle analyses uitvoeren.

Houd de scope klein

Een makkelijke valkuil is om één grote agent te bouwen die toegang heeft tot alle data. Dat klinkt aantrekkelijk, maar in de praktijk gaat de kwaliteit van de antwoorden dan vaak omlaag. Een agent werkt het best wanneer de scope helder en beperkt is. Eén agent per domein — bijvoorbeeld Finance, HR of Sales — levert doorgaans veel betere resultaten op dan één allesomvattende superagent. Uiteindelijk kun je die losse agents ook nog laten samenwerken om toch de combinatie te maken!

Optimaliseer je databron

Een goed gekozen databron is een sterke start, maar pas wanneer je deze bron optimaliseert, haal je het maximale uit je Fabric Data Agent. De functie Prep data for AI in Power BI helpt je om je data zó voor te bereiden dat AI‑modellen niet alleen sneller en nauwkeuriger werken, maar ook beter aansluiten op de context van jouw organisatie. Hoe duidelijker en consistenter je data is, hoe slimmer en betrouwbaarder je agent wordt. Je kunt aan de slag met beschrijvingen van tabellen en velden, synoniemen toevoegen aan velden of bepaalde velden uitsluiten voor je agent. Less is more!

Waarom datavoorbereiding zo belangrijk is

Wanneer data ongestructureerd, dubbelzinnig of slecht beschreven is, moet een AI‑model veel raden. Dat leidt tot generieke antwoorden, onnauwkeurige interpretaties of zelfs misleidende conclusies. Door je data actief te verrijken en te verduidelijken, creëer je een fundament waarop AI kan bouwen. Je helpt het model om:

• jouw bedrijfscontext beter te begrijpen
• de juiste informatie te prioriteren
• consistente en betrouwbare antwoorden te geven
• sneller geaccepteerd te worden door gebruikers, omdat de output herkenbaar en bruikbaar is

De Prep data for AI uitvoeren kun je op twee plekken doen:

• Power BI Desktop — ideaal tijdens het modelleren en voorbereiden van je dataset.

• Power BI Service — handig wanneer je al gedeployde modellen wilt verrijken of aanpassen.

Beide omgevingen bieden dezelfde mogelijkheden, dus je kunt kiezen wat het beste past bij je workflow.

Houd rekening met verwerkingstijd

Aanpassingen die je maakt via Prep data for AI worden niet altijd direct zichtbaar in Copilot‑resultaten. Soms duurt het een paar minuten voordat de wijzigingen volledig zijn verwerkt. Als je geen effect ziet, wacht dan even en probeer het opnieuw.

Bouw je data agent

Het bouwen van een Fabric Data Agent gebeurt volledig in de online Fabric omgeving, dus in de Power BI Service (ook wel Fabric Service genoemd). Dit is de plek waar je databronnen samenkomen, waar je instructies toevoegt en waar je je agent uiteindelijk publiceert. Het proces is overzichtelijk, maar elke stap heeft impact op hoe slim, snel en bruikbaar je agent straks wordt.

Stappen om je agent te bouwen

• Kies voor een nieuwe data agent — In de Fabric omgeving start je met het aanmaken van een nieuwe agent. Dit vormt het lege canvas waarop je verder bouwt.

• Selecteer je databron(nen) — Je kiest één of meerdere bronnen uit je Fabric platform. Denk aan een semantisch model, warehouse, lakehouse of KQL database. De kwaliteit en structuur van deze bron bepalen voor een groot deel de kwaliteit van je agent.

• Geef de agent instructies mee — Dit is waar je de intelligentie vormgeeft. Je beschrijft wat de agent moet doen, welke tone of voice hij moet hanteren, welke beperkingen gelden en welke context belangrijk is. Goede instructies maken een wereld van verschil.

• Test de agent — Je probeert verschillende vragen en scenario’s uit om te zien hoe de agent reageert. Dit is hét moment om te finetunen: werkt de logica, begrijpt hij de context, interpreteert hij je data correct?

• Publiceer de agent — Zodra je tevreden bent, publiceer je de agent zodat anderen binnen je organisatie ermee kunnen werken. Bij het publiceren kun je er voor kiezen om je Fabric Data Agent ook in Copilot 365 beschikbaar te stellen. De agent is daarmee ook te benaderen van buiten Microsoft Fabric.

Optimaliseer je agent

Wanneer je agent eenmaal draait, rest nog het finetunen. De kwaliteit van de antwoorden die je agent geeft, bepaalt uiteindelijk of gebruikers hem vertrouwen en daadwerkelijk inzetten in hun dagelijkse werk. Daarom is het essentieel om de prestaties van je agent systematisch te evalueren en te verbeteren. Binnen je agent heb je de mogelijkheid om diagnostics te downloaden welke je meer inzicht geven.

De uitkomsten van je evaluaties zijn waardevolle input voor twee optimalisatierichtingen:

• Betere instructies voor je agent — Soms blijkt dat je agent extra context, beperkingen of voorbeelden nodig heeft om vragen correct te interpreteren. Door je instructies te verfijnen, stuur je het gedrag van de agent veel preciezer aan.
• Optimalisatie van je databron — Wanneer antwoorden onvolledig of onnauwkeurig zijn, ligt de oorzaak vaak in de structuur, beschrijving of kwaliteit van de onderliggende data. Door je databron te verbeteren, maak je je agent automatisch slimmer.

Door deze cyclus van testen, analyseren en optimaliseren regelmatig te doorlopen, groeit je agent uit tot een betrouwbaar en waardevol onderdeel van je dataplatform.

Het evalueren kan ook via de Fabric SDK. Meer informatie vind je daarover op de website van Microsoft: Evaluate your data agent – Microsoft Fabric.

Succes!

Hopelijk heeft bovenstaand blog je meer inzicht gegeven in de bouw van jouw eerste (of misschien wel tweede of derde!) Fabric Data Agent. Heb je je bronnen goed op orde, dan ga je snel veel plezier beleven aan deze nieuwe manier van interacteren met je data. Veel succes en bovenal plezier!

We staan op de Power BI Gebruikersdagen, standnummer 22. 

Anino Loche en Bob Woets nemen je mee in de wereld van Data Agents!