Microsoft Fabric i AI — czym jest platforma i kiedy ma sens w firmie?

01Co to jest Microsoft Fabric?

Microsoft Fabric jest platformą do pracy z danymi: od ich pobrania i przygotowania przez analizę po raportowanie. Wspólną podstawą przechowywania i dostępu jest OneLake — logiczne jezioro danych wykorzystywane przez elementy platformy.

Najważniejsze pojęcia można wyjaśnić przez ich rolę w rozwiązaniu, zamiast zaczynać od listy produktów. Poniższe zestawienie to uproszczona mapa obszarów, a nie projekt architektury dla każdej organizacji.

02Czym Fabric różni się od samego Power BI?

Power BI może działać bez wdrażania całej platformy Fabric. Jeżeli firma ma kilka dobrze przygotowanych źródeł i potrzebuje przede wszystkim czytelnego raportu, rozbudowa środowiska nie musi być pierwszym krokiem.

Fabric warto rozważyć, gdy problem zaczyna się wcześniej niż na ekranie raportu. Wówczas przedmiotem projektu nie jest pojedynczy panel, lecz sposób dostarczania wiarygodnych danych do wielu zastosowań.

• Te same dane są pobierane i przekształcane osobno przez kilka zespołów.
• Ręczne eksporty stały się elementem krytycznego procesu.
• Potrzebna jest wspólna historia danych, kontrola jakości i odpowiedzialność za błędy.
• Raportowanie i rozwiązania AI mają korzystać z tych samych, uzgodnionych informacji.

03Copilot: pomoc w przygotowywaniu i analizowaniu danych

Określenie „AI w Fabric” obejmuje różne zastosowania, które warto rozdzielić przed rozmową o wdrożeniu. Pierwsze to wsparcie pracy specjalistów: Copilot może pomagać w zapytaniach, kodzie przetwarzania i wyjaśnianiu rozwiązań. Zakres zależy od elementu Fabric.

To pomoc autorowi, nie potwierdzenie poprawności wyniku. W naszej rekomendacji wygenerowany kod nadal przechodzi przegląd logiki, bezpieczeństwa i zgodności z wymaganiami. Warto sprawdzić go na przykładach o znanym wyniku, zamiast oceniać wyłącznie to, czy się wykonuje.

W Power BI Copilot może też wspierać analizowanie i podsumowywanie raportów. Przygotowanie modelu i kontekstu biznesowego wpływa na interpretację. Dlatego przed pilotażem należy uporządkować nazwy, relacje oraz znaczenie miar, a nie oczekiwać, że pytanie samo usunie niejednoznaczności.

04Agent danych: pytania do wybranego zakresu informacji

Fabric data agent odpytuje między innymi wybrane hurtownie, tabele lakehouse i modele Power BI. Autor określa źródła i instrukcje; udostępnienie nie nadaje dodatkowych uprawnień. Stan na 2 listopada 2026 r.: agent jest ogólnie dostępny, wybrane rozszerzenia Purview pozostają preview.

Nie należy utożsamiać go z uniwersalnym czatem do wszystkich firmowych materiałów. Dla planowanego zastosowania najpierw ustalmy, jakie pytania są potrzebne i które przygotowane dane mają być podstawą odpowiedzi.

• Działa do odczytu, bez aktualizowania danych.
• Oficjalnie obsługuje język angielski.
• Nie czyta bezpośrednio PDF, DOCX ani TXT.
• Pliki CSV i JSON w lakehouse trzeba udostępnić jako tabele.

05Modele predykcyjne: przewidywanie zamiast opisywania historii

Osobnym zastosowaniem AI jest uczenie maszynowe, na przykład na potrzeby prognozowania popytu lub wykrywania nietypowych zdarzeń. Fabric Data Science udostępnia narzędzia do przygotowania danych, eksperymentów, trenowania modeli i przekazywania przewidywań do raportów.

Nie oznacza to, że trafna prognoza powstaje po włączeniu jednej funkcji. Rekomendujemy ustalenie celu, miary błędu i sposobu porównania z prostszym rozwiązaniem. Jeżeli model nie pomaga podejmować lepszej decyzji niż dotychczasowa metoda, sama jego złożoność nie uzasadnia utrzymania.

Przykładowo prognozę popytu warto sprawdzać na okresach niewykorzystanych przy uczeniu, z uwzględnieniem horyzontu planowania i dostępnych wówczas informacji. Po uruchomieniu potrzebna jest osoba odpowiedzialna za ocenę jakości oraz reakcję na zmianę warunków biznesowych. To zalecenia projektowe, nie obietnica skuteczności konkretnego modelu.

06Dlaczego przygotowanie danych jest ważniejsze niż sam czat?

Wyobraźmy sobie pytanie o marżę za ostatni miesiąc. Płynna odpowiedź jest użyteczna dopiero wtedy, gdy można ustalić jej znaczenie i porównać wynik z zatwierdzonym raportem. Nie powinno się pozostawiać modelowi językowemu decyzji o firmowych zasadach rachunku marży.

W naszym podejściu dane przygotowane pod AI są nie tylko dostępne technicznie. Mają uzgodnione znaczenie, oczekiwaną aktualność, właściciela oraz zasady dostępu. Definicje i przykłady testowe stanowią część rozwiązania, nie dokumentację do uzupełnienia po pilotażu.

• Co oznacza marża i które koszty obejmuje?
• Czy porównywany miesiąc jest zamknięty i według jakiej daty ujmujemy dokumenty?
• Jak ujmowane są korekty oraz opóźnione księgowania?
• Czy wszystkie wymagane źródła zostały załadowane?
• Jakie waluty i kursy stosujemy?
• Jaki zakres danych może zobaczyć pytający i kto zatwierdza wynik?

07Przykład: wspólny proces raportowania i analizy

Rozważmy scenariusz demonstracyjny, a nie opis konkretnego klienta ani referencję wdrożenia. Firma łączy sprzedaż z ERP, koszty z systemu finansowego i prognozy z plików Excel. Każde źródło ma właściciela i uzgodniony okres, aby nie zestawiać danych tylko dlatego, że mają podobne nazwy kolumn.

Pierwszy etap to powtarzalne pobieranie danych. Następnie proces sprawdza kompletność plików, kody produktów, duplikaty oraz porównywalność okresów. Dopiero na tej podstawie powstaje model ze wspólnymi wskaźnikami, a raport pokazuje wyniki i wyjątki wymagające wyjaśnienia.

Warstwę AI można dołożyć później do analizy wybranego zakresu. Reprezentatywne pytania porównujemy z zatwierdzonymi odpowiedziami, również dla różnych odbiorców. Projekt ma dwa osobne kryteria sukcesu: czy dane są poprawne oraz czy AI prawidłowo z nich korzysta. Zgodny raport nie dowodzi automatycznie poprawności każdej odpowiedzi agenta.

08Licencje i koszty — co sprawdzić przed rozpoczęciem?

Wymagania Copilota sprawdzono 2 listopada 2026 r. Sama licencja Power BI Pro lub Premium Per User nie wystarcza. Potrzebna jest odpowiednia płatna pojemność Fabric F2 lub wyższa albo Power BI Premium P1 lub wyższa, obsługiwany region, konfiguracja tenantu i dostępu. Pojemność trial nie zapewnia Copilota.

F2 jest progiem dostępności, nie rekomendacją rozmiaru dla każdej firmy. Copilot zużywa zasoby pojemności. Pilotaż powinien więc oceniać również obciążenie i wpływ na pozostałe procesy, a nie jedynie atrakcyjność odpowiedzi.

Dla każdej wybranej funkcji należy ponownie sprawdzić dokumentację, status GA lub preview oraz wymagania danego scenariusza. W ocenie projektu uwzględnijmy także zasady przetwarzania danych, zakres odbiorców i właściciela kosztów. Ten poradnik nie zastępuje indywidualnego doboru licencji ani pojemności.

09Od czego zacząć bez migracji całej firmy?

Najbezpieczniejszym punktem startu jest jeden ograniczony proces. Wybierzmy odbiorców, problem i mierzalny warunek powodzenia, następnie sprawdźmy dane oraz odpowiedzialność. Dopiero po tej diagnozie dobieramy architekturę i funkcję AI, zamiast rozpoczynać od uruchamiania całej platformy.

W pilotażu warto zapisywać nie tylko dobre odpowiedzi, lecz także odmowy, niejasne pytania i błędy. Dla informacji finansowych lub kadrowych ustalmy sposób eskalacji do osoby, która może potwierdzić interpretację. Odbiorcy powinni wiedzieć, kiedy korzystają z zatwierdzonego raportu, a kiedy z generowanej odpowiedzi.

Fabric może połączyć raportowanie i AI na wspólnej podstawie danych. O wartości rozwiązania decyduje jednak to, czy firma szybciej otrzymuje informacje, którym może zaufać, oraz czy potrafi bezpiecznie utrzymać cały proces po zakończeniu pilotażu.