Waarom de beste BI-oplossingen in 2026 nog steeds een menselijke architect nodig hebben
Toen Microsoft Copilot voor het eerst in het Fabric-ecosysteem werd geïntroduceerd, draaide het gesprek vooral om vragen zoals: “Hoe schrijf ik een DAX-measure?” of “Kan het dit rapport voor mij bouwen?”
Fast forward naar vandaag, en we zijn voorbij de fase van de nieuwigheid. Als Senior BI Consultant bij Alistar heb ik gezien dat AI weliswaar een enorme versneller is, maar dat de echte waarde niet ligt in het vervangen van de developer—maar in het versterken van de volledige BI-levenscyclus.
Als je verder wilt gaan dan basisautomatisering en enterprise-grade datasolutions wilt bouwen, is het tijd om te stoppen met Copilot (of een andere AI-agent) te behandelen als een zoekmachine en het te gaan gebruiken als een Technical Peer Reviewer.
Hier is hoe wij AI integreren in de moderne Microsoft-stack om betere en robuustere resultaten te leveren.
Het moderniseren van de “Black Box” van legacy SQL: een praktijkcase
Elke organisatie heeft er wel één: een SQL stored procedure van duizend regels, tien jaar geleden geschreven, die een cruciaal bedrijfsproces afhandelt—zoals Inventory Aging of Month-End Commissions.
Het werkt “gewoon”, maar het is een black box waar niemand aan durft te komen.
Recent werkten we met een klant om zo’n black box te migreren van een verouderde on-prem SQL Server naar een moderne Microsoft Fabric-omgeving. Zo gebruikten we AI om een beter resultaat te bereiken:
De vertaling
We gebruikten AI om 800+ regels geneste logica te analyseren. Binnen enkele minuten identificeerde het een “verborgen” recursieve loop die ervoor zorgde dat het rapport elke ochtend drie uur nodig had om te draaien.
De modernisering
In plaats van de oude code simpelweg te kopiëren, gebruikten we AI om de logica te herschrijven naar een Fabric Notebook met PySpark. Hierdoor verplaatsten we de verwerking van één database-engine naar een gedistribueerde cloudomgeving.
De Alistar-touch
Hoewel AI de nieuwe code voorstelde, ontdekten onze consultants dat de oorspronkelijke logica geen rekening hield met een retourbeleid dat in 2023 was aangepast.
We hebben dus niet alleen de technologie gemoderniseerd, maar ook de businesslogica gecorrigeerd.
Het resultaat:
Een proces dat voorheen 180 minuten duurde, wordt nu in minder dan 12 minuten uitgevoerd.
En voor het eerst in tien jaar heeft de klant een duidelijke en gedocumenteerde uitleg van hoe hun inventory-berekening daadwerkelijk werkt.
Van passieve dashboards naar “Data Activator”
Vroeger was BI vooral reactief. We bouwden rapporten die lieten zien wat er gisteren was gebeurd.
Vandaag helpen we organisaties richting Proactive BI, door AI te combineren met Data Activator.
Stel je een scenario voor waarin data niet langer passief op een dashboard staat te wachten om gelezen te worden, maar actief handelt:
- AI helpt patronen in je salesdata te identificeren
- Data Activator stelt een “Reflex” in op deze patronen
Het resultaat:
Op het moment dat een waardevolle klant stopt met bestellen, wordt automatisch een alert naar de sales lead gestuurd via Teams—nog voordat het wekelijkse rapport überhaupt wordt gegenereerd.
De kunst van de opdracht: verder dan simpele prompts
Als je een vage vraag stelt, krijg je meestal een algemeen en vaak nutteloos antwoord. Het verschil tussen een “leuke demo” en een enterprise-oplossing zit vaak in hoe je met AI communiceert. Bij Alistar zijn we daarom gestopt met simpelweg “chatten” met AI. In plaats daarvan werken we met context-rijke opdrachten.
Dit is het framework dat wij gebruiken om hoogwaardige resultaten te krijgen.
❌ De “zoekmachine”-aanpak (vermijden)
- “Hoe schrijf ik een DAX measure voor Year-over-Year growth?”
- “Vat dit SQL-script samen.”
Dit soort vragen zijn te open. De AI kent jouw:
- tabelnamen
- filterlogica
- performance-eisen
niet.
✅ De “kennisvolle consultant”-aanpak (werkt wél)
Om betere resultaten te krijgen, geven we context, rol en beperkingen mee.
Een goede opdracht ziet er bijvoorbeeld zo uit:
Rol
“Act as a Senior Power BI Developer specializing in performance optimization.”
Context
“I am working in a Fabric Lakehouse. I have a Sales table (100M rows) and a Date table. We use a non-standard fiscal year starting in July.”
Taak
“Create a DAX measure for YoY growth that remains performant when used in a matrix with three levels of hierarchy.”
Constraints
“Do not use the CALCULATE function if a simpler iterator like SUMX is more efficient here. Return the code with comments explaining the logic.”
Waarom dit belangrijk is
Door constraints toe te voegen (zoals fiscale jaren of tabelgrootte), voorkom je de hallucinaties waar eenvoudige prompts vaak last van hebben. Je vraagt niet simpelweg om code—je geeft een technische specificatie. Hierdoor is de door AI gegenereerde first draft vaak al voor 90% klaar voor productie.
De “Human-in-the-Loop” (de rol van de consultant)
Dit is de eerlijke waarheid: AI kan met veel overtuiging ongelijk hebben.
Ik heb AI DAX-measures zien voorstellen die er perfect uitzien, maar geen rekening houden met niet-standaard fiscale kalenders of specifieke belastingjurisdicties.
Bij Alistar zit onze toegevoegde waarde niet alleen in het “schrijven van de prompt”.
Die zit vooral in de verificatielaag.
Wij gebruiken AI om een eerste versie (First Draft) te genereren, maar passen vervolgens onze jarenlange ervaring toe om ervoor te zorgen dat:
Performance
De code blijft werken wanneer je data groeit van 10.000 naar 10 miljoen rijen.
Governance
Je data veilig, compliant en alleen zichtbaar blijft voor gebruikers met de juiste rechten.
Accuratesse
De cijfers op het scherm overeenkomen met de werkelijkheid van je balans.
Het Alistar-perspectief: strategie boven syntax
Het doel van Business Intelligence is niet veranderd: we zetten data om in beslissingen. AI is simpelweg het krachtigste hulpmiddel dat we ooit in onze toolkit hebben gehad. Door routinematig werk te automatiseren, krijgen we de ruimte om ons te richten op wat echt belangrijk is:
organisaties helpen winnen met hun data.
