Agentic BI

Agentic BI Governance Layer: Claude sicher an Power BI anbinden

Erfahren Sie, wie ein Agentic BI Governance Layer aus Kontextgraph, Rules Engine und Impact-Simulation Claude am Power BI MCP Server erst produktiv macht

Von DBI Analytics11 Min. Lesezeit

Inhalt
  1. Kurzantwort
  2. Das Wichtigste in Kürze
  3. Das Problem: Claude kennt DAX, aber nicht Ihr Modell
  4. Vier Bausteine im Überblick
  5. Baustein 1: Kontextgraph-Persistenz über 23 Sessions
  6. Baustein 2: Metafile-Format als JSON-Patch-Serie
  7. Baustein 3: Rules Engine mit 61 Regeln
  8. Baustein 4: Impact-Simulation vor dem Schreiben
  9. Zusammenspiel: Ein Tool-Call von Ende zu Ende
  10. Was Local First konkret heißt
  11. Grenzen des Governance Layers
  12. Kosten und Overhead im Betrieb
  13. Was das für ein BaFin-Projekt bedeutet
  14. Zusammenfassung
  15. Weiterlesen bei DBI
  16. Häufig gestellte Fragen
  17. Über DBI Analytics

Kurzantwort

Was ist ein Agentic BI Governance Layer?

Ein Agentic BI Governance Layer ist die Schicht zwischen KI-Agent und Power BI MCP Server. Er besteht aus vier Bausteinen: Kontextgraph, Metafile-Persistenz, Rules Engine und Impact-Simulation. Die Schicht hält den Kontext über Sessions, prüft Regeln vor jedem Schreibvorgang und simuliert die Folgen einer Änderung. In einem Versicherungsprojekt stieg der Compliance-Score damit von 42 % auf 94 %. Der MCP-Server liefert die Tools, der Mensch gibt frei.

Können Sie Claude an Power BI anbinden, ohne dass der Agent still Ihre Namenskonventionen reißt, DAX gegen Spalten schreibt, die es nicht gibt, und zwischen Sessions vergisst, was er gerade tat? Ja. Es braucht aber mehr als den Power BI MCP Server. Es braucht einen Agentic BI Governance Layer, der zwischen LLM und Modell sitzt. Was folgt, ist die Mechanik dieser Schicht aus vier Bausteinen: Kontextgraph, Metafile-Persistenz, Rules Engine und Impact-Simulation. Grundlage sind drei anonymisierte Projekte aus Versicherung, Pharma und Energie. Die Protokollebene des MCP streifen wir nur so weit wie nötig, die steht im Guide zum Power BI MCP Server.

Das Wichtigste in Kürze#

  • Vier Governance-Bausteine auf dem MCP-Server: Kontextgraph, Metafile-Format, Rules Engine mit 61 Regeln, Impact-Simulation vor jedem Schreibvorgang.
  • Versicherungs-Projekt: Compliance-Score stieg von 42 % auf 94 %, 18 Breaking Changes vor dem Commit abgefangen, Kontextgraph über 23 Sessions stabil.
  • Pharma-Projekt (GxP): 61 Regeln gegen Audit-Anforderungen, 7 Namensverstöße und 3 verbotene Datentypen je Measure-Batch abgelehnt.
  • Energie-Projekt (eMobility): 503 Standorte, 1,8 GB Modellgröße, ungeplante Visual-Breaks pro Release von 11 auf 0 gesenkt.
  • Metafile-Format als JSON-Patch-Serie auf dem lokalen Filesystem, Rekonstruktion jeder Session in unter 4 Sekunden.
  • Local First: Kein Modell-Metadatum verlässt das Gerät, der LLM-Aufruf erhält nur Knoten-IDs, Formelmuster und Rule-Ergebnisse.
  • Rolle bleibt klar: Der MCP-Server liefert die Tools, der Governance Layer entscheidet, ob ein Tool-Call läuft, der Mensch gibt frei.

Das Problem: Claude kennt DAX, aber nicht Ihr Modell#

Claude kennt DAX. Es kennt nicht Ihr Modell, solange es nur Text sieht, den jemand hineinkopiert. Dann schlägt es überzeugend DAX gegen Spalten vor, die es nicht gibt. Hängen Sie Claude per MCP an Power BI, verschwindet das Halluzinieren von Spalten, aber die anderen Fehlermuster bleiben. Der Agent schreibt schnell Measures, reißt dabei Namenskonventionen, übersieht Breaking Changes und vergisst zwischen Sessions, was er gerade tat.

Das ist kein Modellfehler. Das Sprachmodell hat kein persistentes Projektgedächtnis und keinen Begriff von Downstream-Folgen. Beides muss die Infrastruktur liefern. Ohne diese Schicht ist der MCP-Server ein offenes Tor in die Semantikschicht.

Vier Bausteine im Überblick#

Der Governance Layer besteht aus vier Bausteinen. Jeder hat eine klar umrissene Aufgabe, keiner ersetzt den anderen:

BausteinAufgabeArtefakt
KontextgraphSessionsübergreifendes Gedächtnis, Lineage, Impact-Fan-Outgraph/nodes.jsonl, graph/edges.jsonl
Metafile-FormatAuditierbare Patch-Historie je Tool-Callsessions/*.patch.json
Rules EngineForm- und Konventionsprüfung vor dem Schreibenrules/registry.v3.json
Impact-SimulationVorab-Risikobewertung einer geplanten Änderungimpact/*.json

Erst im Zusammenspiel wird aus einem schnellen Agent ein auditierbarer Workflow. Fehlt ein Baustein, bricht der Rest an derselben Stelle wie heute im reinen MCP-Betrieb.

Lesepfad5 Schritte
Hervorheben
Element anklicken oder antippen für die Erklärung. Geschrieben wird erst nach Regelprüfung, Impact-Simulation und der Freigabe durch einen Menschen. Als Bild öffnen
Agentic BI Governance Layer: ein Schreibvorgang von Ende zu EndeDrei Zonen nebeneinander. Links der KI-Agent: Claude plant die Änderung am Modell und ruft über den MCP Server ein Tool auf, etwa create_measure; das Sprachmodell sieht nur Knoten-IDs, Formelmuster und Rule-Ergebnisse. In der Mitte der Governance Layer, der lokal auf dem Entwickler-Notebook läuft: erstens die Rules Engine mit 61 Regeln in fünf Kategorien und den Stufen block, warn und lint, zweitens die Impact-Simulation mit fünf Dimensionen, gespeist aus dem Kontextgraphen, drittens das Metafile-Format mit einem Patch-File je Tool-Call, viertens die Regel, dass keine Schreiboperation ohne Approval durchgeht. Rechts Mensch und Modell: die Freigabe im Desktop-Client, danach der Schreibzugriff auf das Power BI Tabular Model über TMDL oder XMLA; ob ein Measure fachlich richtig heißt, bleibt beim Reviewer. Darunter drei Fakten: kein Spaltenname, kein Fachbegriff und keine RLS-Rolle verlässt den Rechner; 120 bis 400 Millisekunden Overhead je Tool-Call bei 2 bis 8 Sekunden Gesamtlatenz; im Versicherungs-Projekt stieg der Compliance-Score von 42 % auf 94 %, 18 Breaking Changes wurden abgefangen.Agentic BI Governance Layer: ein Schreibvorgang von Ende zu EndeClaude plant, der Governance Layer prüft lokal, ein Mensch gibt frei. Erst dann wird ins Modell geschrieben.dbi-analytics.de · Blog · Stand November 2026Claude kennt DAX, aber nicht Ihr Modell. Hängt es per MCP an Power BI, verschwindet das Halluzinieren von Spalten. Die anderen Fehlermuster bleiben, deshalb liegt der Governance Layer zwischen Agent und Modell.KI-AGENTplant und ruft aufVier Bausteine mit klar umrissener Aufgabe: Kontextgraph, Metafile-Format, Rules Engine und Impact-Simulation. Keiner ersetzt den anderen.Erst im Zusammenspiel wird aus einem schnellen Agent ein auditierbarer Workflow. Der Layer läuft als Prozess auf dem Entwickler-Notebook.GOVERNANCE LAYERläuft lokal auf dem Entwickler-NotebookDie Kette läuft deterministisch. Jeder Tool-Call ist ein diskreter Übergang, der sich aus den Metafiles rekonstruieren lässt. Die Entscheidungen trifft weiterhin ein Mensch.MENSCH UND MODELLgibt frei, dann wird geschriebenClaude plant den Schreibvorgang, im Beispiel des Beitrags: die Measure ClickThroughRate anlegen. Ausgeführt wird der Plan erst nach den Prüfungen im Governance Layer.Claude (LLM)plant die Änderung am ModellDer MCP Server stellt das Werkzeug bereit, im Beispiel create_measure. Der Aufruf geht nicht direkt ins Modell, sondern zuerst durch den Governance Layer.MCP ServerTool-Call, etwa create_measureDer LLM-Aufruf erhält nur Knoten-IDs, Formelmuster und Rule-Ergebnisse. Kontextgraph, Patch-Historie und Rule-Treffer liegen im lokalen Dateisystem.Sieht nurKnoten-IDs, Formelmuster undRule-ErgebnisseWertet vor jedem Tool-Call aus, der Modellinhalte erzeugt oder verändert. Die 61 Regeln verteilen sich auf Naming (18), Staging/Layering (9), Performance (14), Governance (12) und Lokalisierung (8).Drei Härtestufen: block stoppt den Tool-Call, warn lässt ihn laufen und verlangt eine Freigabe, lint schreibt einen Hinweis ins Session-Log. Im Versicherungs-Projekt griffen in 9 Wochen 431 Regeln: 112 Blocks, 198 Warns, 121 Lints.1 · Rules Engine61 Regeln in fünf Kategorien, dreiStufen: block, warn, lintVor jeder Schreiboperation läuft der geplante Patch gegen den Kontextgraphen und liefert einen Risikobericht in fünf Dimensionen: Lineage, Visual, RLS, Performance und Compliance.Im eMobility-Projekt sank die Zahl ungeplanter Visual-Breaks pro Release von 11 auf 0.2 · Impact-Simulationfünf Dimensionen, von Lineage bisComplianceJeder Tool-Call erzeugt ein Patch-File nach RFC 6902 auf dem lokalen Workspace, mit Zeitstempel, Autor, Rule-Ergebnis und Impact-Bericht. Das Persistenzformat ist keine Blackbox.3 · Metafile-Formatein Patch-File je Tool-Call, lokalunter /sessions/Der Graph serialisiert jede Entität als Knoten und jede Abhängigkeit als Kante auf das lokale Dateisystem. Im Versicherungs-Projekt waren es am Ende 12.400 Knoten und 38.900 Kanten, über 23 Sessions in 9 Wochen.Beim Sessionstart rekonstruiert der Agent den Zustand in unter 4 Sekunden. Was der Graph nicht liefert, ist Business-Semantik.KontextgraphGedächtnis über Sessions,Grundlage der SimulationNach Regelprüfung und Simulation wird der Patch serialisiert, der Approval-Status steht auf pending, und der Nutzer erhält einen Prompt im Desktop-Client. Der Impact-Bericht ist Teil der Freigabekette.4 · Keine Schreiboperation geht ohne Approval durchDer Nutzer sieht Regel-Ergebnis und Impact-Bericht und gibt die Änderung frei. So entscheidet der Mensch mit vollem Wissen, nicht im Blindflug.Freigabe im Desktop-ClientStatus pending, bis ein MenschzustimmtErst nach der Freigabe folgt der Schreibzugriff auf das Tabular Model, über TMDL oder XMLA.Power BI Tabular ModelSchreibzugriff über TMDL oder XMLADie Simulation bewertet keine Business-Relevanz einer Änderung. Ob ein Measure fachlich richtig heißt, bleibt beim Reviewer.Bleibt beim Reviewerob ein Measure fachlich richtigheißtLocal First ist ein technischer Zuschnitt: Der Governance Layer läuft auf dem Entwickler-Notebook, die Artefakte liegen im lokalen Dateisystem. Kein Spaltenname, kein Fachbegriff und keine RLS-Rolle verlässt den Rechner.Was die Architektur nicht leistet, ist der Offline-Betrieb des Sprachmodells selbst, wenn Claude über die Anthropic-API genutzt wird.Local FirstKein Spaltenname, kein Fachbegriff und keineRLS-Rolle verlässt den RechnerJe Tool-Call fallen 120 bis 400 Millisekunden für Rules-Evaluation und Impact-Simulation an, plus das Schreiben des Patch-Files. Gegen die Gesamtlatenz eines LLM-Tool-Calls von 2 bis 8 Sekunden ist das vernachlässigbar.Die Metafiles belegen in den drei Projekten zwischen 40 MB und 180 MB, vollständig lokal.Overhead120 bis 400 Millisekunden je Tool-Call, bei 2 bis 8Sekunden GesamtlatenzIm Versicherungs-Projekt stieg der Compliance-Score von 42 % auf 94 %. 18 Breaking Changes wurden vor dem Commit abgefangen.Versicherungs-ProjektCompliance-Score von 42 % auf 94 %, 18 BreakingChanges abgefangen

Baustein 1: Kontextgraph-Persistenz über 23 Sessions#

Ein reiner Chatverlauf reicht nicht. Läuft das Kontextfenster über oder startet der Nutzer einen neuen Thread, vergisst der Agent, welche Tabellen schon als Staging markiert sind und welche Measures bereits gegen die Rules Engine gelaufen sind. Im Versicherungs-Projekt lief die Migration eines Excel-basierten Kundenzufriedenheits-Reports über 23 Sessions in 9 Wochen. Ohne Persistenz hätten wir je Session rund 40 Minuten für das Rekonstruieren verbrannt. Das sind 15,3 Beraterstunden nur für Kontext-Wiederherstellung.

Dafür serialisiert der ABIS Kontextgraph jede Entität als Knoten und jede Abhängigkeit als Kante auf das lokale Filesystem. Entitäten sind Zelle, Tabelle, Measure, Formel, Visual, Slicer, Role und RLS-Filter. Am Projektende hatte der Graph 12.400 Knoten und 38.900 Kanten. Beim Sessionstart rekonstruiert der Agent den Zustand in unter 4 Sekunden, inklusive der offenen To-dos aus der letzten Sitzung. Der Graph liegt als Datei vor, nicht als Vektor-Embedding, und bleibt damit diffbar.

ProjektKnotenKantenSessionsRekonstruktionszeit
Versicherung (Kundenbindung)12.40038.900233,8 s
Pharma (GxP-Datamart)8.70021.100142,6 s
Energie (eMobility-Cockpit)24.60072.300317,2 s

Damit ist auch der Impact-Fan-Out berechenbar: Für jedes Measure sieht der Agent vor dem Schreiben, wie viele Visuals, Slicer, Bookmarks und RLS-Filter von ihm abhängen. Das ist die Grundlage der Impact-Simulation in Baustein 4. Was der Graph nicht liefert, ist Business-Semantik. Dass ClickThroughRate fachlich zur Marketing-KPI gehört, kommt aus der Modellierung im Sternschema, nicht aus dem Graphen.

Baustein 2: Metafile-Format als JSON-Patch-Serie#

Das Persistenzformat ist keine Blackbox. Jeder Tool-Call des Agents erzeugt ein Patch-File (RFC 6902) auf dem lokalen Workspace, mit Zeitstempel, Autor, Rule-Ergebnis und Impact-Bericht. Ein typischer Workspace sieht so aus:

Code
/workspace/project-id/
  graph/
    nodes.jsonl
    edges.jsonl
  sessions/
    2026-11-14T09-12-33Z-session-021.patch.json
    2026-11-14T09-18-02Z-session-021.patch.json
  rules/
    registry.v3.json
    violations/
      2026-11-14T09-12-33Z-r017-staging-prefix.json
  impact/
    2026-11-14T09-18-02Z-measure-ctr.json

Ein Patch-File für einen Measure-Edit sieht so aus:

JSON
{
  "patch_id": "p-021-0147",
  "session_id": "session-021",
  "author": "agent/claude-opus-4-7",
  "timestamp": "2026-11-14T09:18:02Z",
  "op": "add",
  "path": "/measures/ClickThroughRate",
  "value": {
    "dax": "DIVIDE([Clicks], [Impressions])",
    "formatString": "0.00%",
    "displayFolder": "KPIs/Marketing"
  },
  "rules_evaluated": ["r017", "r034", "r041"],
  "rules_passed": ["r017", "r034", "r041"],
  "impact": { "visuals": 3, "slicers": 0, "bookmarks": 1 },
  "approval": "pending"
}

So wird jeder Schritt auditierbar, diffbar und reversibel. Im Pharma-Projekt verlangte der GxP-Audit eine lückenlose Nachweiskette jeder Modellveränderung. Die Metafiles sind zugleich das Audit-Protokoll, ohne zweites System und ohne Export. Dem Auditor reichte ein jq-Skript über das sessions/-Verzeichnis. Was die Metafiles nicht leisten: Sie ersetzen weder das Change-Advisory-Board noch die fachliche Abnahme.

Baustein 3: Rules Engine mit 61 Regeln#

Der dritte Baustein ist die MCP Rules Engine. Sie wertet vor jedem Tool-Call aus, der Modellinhalte erzeugt oder verändert. Die Regelmenge ist versioniert (registry.v3.json) und in drei Härtestufen gegliedert.

StufeVerhaltenBeispielregeln
blockTool-Call wird nicht ausgeführt, der Agent erhält Fehler und LösungsplanStaging-Präfix raw_ fehlt, DAX enthält EARLIER auf Fact-Tabelle > 10 Mio. Zeilen, Measure referenziert ungenutzte Spalte
warnTool-Call läuft, Verletzung geht ins Patch-File und muss freigegeben werdenMeasure-Name länger als 40 Zeichen, DisplayFolder fehlt, Format-String leer
lintTool-Call läuft, Verletzung als Info im Session-LogDeutsche Großschreibung in Business-Namen, fehlende Description

Die 61 Regeln verteilen sich auf fünf Kategorien: Naming (18), Staging/Layering (9), Performance (14), Governance (12), Lokalisierung (8). Im Versicherungs-Projekt griffen in 9 Wochen 431 Regeln aktiv: 112 Blocks, 198 Warns, 121 Lints. Ohne Rules Engine wären 112 dieser Fälle in produktive Artefakte geflossen.

Ein Block-Event sieht im Patch-File so aus:

JSON
{
  "rule_id": "r017",
  "rule_name": "staging-prefix-required",
  "severity": "block",
  "target": "/tables/DIM_Customer",
  "message": "Tabelle wird direkt als DIM angelegt. Laut Projekt-SOP ist zuerst raw_Customer anzulegen.",
  "remediation": [
    "Tabelle als raw_Customer anlegen",
    "Transformation in stg_Customer dokumentieren",
    "Nach Review als DIM_Customer promoten"
  ]
}

Entscheidend ist der Zeitpunkt: Die Regel greift im Moment der Generierung, nicht beim nachträglichen Linting. Der Agent muss den Fehler korrigieren, bevor er weitermacht. Die Regel setzt keine Business-Logik durch, sondern Form und Konvention. Fachliche Korrektheit prüft weiterhin der Mensch im Review.

Baustein 4: Impact-Simulation vor dem Schreiben#

Baustein vier ist die Impact Simulation Power BI. Vor jeder Schreiboperation läuft der geplante Patch gegen den Kontextgraphen aus Baustein 1 und produziert einen Risikobericht. Die Simulation deckt fünf Dimensionen ab:

  1. Lineage-Impact: Welche Downstream-Measures referenzieren die zu ändernde Entität?
  2. Visual-Impact: Welche Visuals, Slicer und Bookmarks brechen beim Measure-Rename?
  3. RLS-Impact: Werden Row-Level-Security-Filter inkonsistent, wenn eine Dimension umstrukturiert wird?
  4. Performance-Impact: Verschiebt sich die Query-Dauer messbar? (DAX Studio-Hook, Trace via DISCOVER_SESSIONS)
  5. Compliance-Impact: Werden GxP- oder DSGVO-markierte Felder von der Änderung berührt?

Im eMobility-Projekt eines Energieversorgers (503 Ladestandorte, 1,8 GB PBIX, 142 Measures, 58 Visuals über 6 Seiten) senkte die Impact-Simulation in acht Monaten die Zahl ungeplanter Visual-Breaks pro Release von 11 auf 0. Vorher brach bei jedem Measure-Rename irgendwo ein Visual, meist in einem Bookmark oder einem versteckten Drillthrough.

ProjektBreaking Changes verhindertCompliance-Score vorherCompliance-Score nachherModellgröße
Versicherung1842 %94 %340 MB
Pharma (GxP)961 %98 %220 MB
Energie (eMobility)2755 %91 %1.800 MB

Die Simulation wird als eigener Report persistiert (impact/*.json) und ist Teil der Freigabekette. Keine Schreiboperation geht ohne Approval durch. So entscheidet der Mensch mit vollem Wissen, nicht im Blindflug. Was die Simulation nicht tut: Sie bewertet keine Business-Relevanz einer Änderung. Ob ein Measure fachlich richtig heißt, bleibt beim Reviewer.

Zusammenspiel: Ein Tool-Call von Ende zu Ende#

So sieht die Kette für einen einzelnen Schreibvorgang aus:

Code
 Claude (LLM)
   │  plant: "Measure ClickThroughRate anlegen"
   ▼
 MCP Server (Tool: create_measure)
   │
   ▼
 Governance Layer
   ├─ 1. Rules Engine (61 Regeln) ──────► 3 relevant, alle passed
   ├─ 2. Impact Simulation ──────────────► 3 Visuals, 1 Bookmark betroffen
   ├─ 3. Patch an /sessions/ serialisieren
   ├─ 4. Approval-Status: pending
   └─ 5. User-Prompt im Desktop-Client
          │
          ▼
       Approve
          │
          ▼
 Power BI Tabular Model (TMDL/XMLA-Schreibzugriff)

Die Kette läuft deterministisch. Jeder Tool-Call ist ein diskreter Übergang, jeder Übergang ist aus den Metafiles rekonstruierbar, jeder Übergang lässt sich im Postmortem prüfen. So entsteht der Unterschied zwischen einem Agent, der schnell ist, und einem Agent, der produktiv ist. Die Entscheidungen trifft weiterhin ein Mensch.

Was Local First konkret heißt#

Local First ist bei uns kein Marketing-Label, sondern ein technischer Zuschnitt. Der Governance Layer läuft als Prozess auf dem Entwickler-Notebook. Der Kontextgraph, die Patch-Historie und die Rule-Treffer liegen im lokalen Dateisystem. Der LLM-Aufruf erhält nur Knoten-IDs, Formelmuster und Rule-Ergebnisse. Kein Spaltenname, kein Fachbegriff, keine RLS-Rolle verlässt den Rechner.

Für das Pharma-Projekt war genau das die Freigabebedingung. Die zuständige Qualitätssicherung akzeptierte Claude als Co-Autor nur unter der Auflage, dass personenbezogene und GxP-markierte Felder den Tenant nicht verlassen. Die ABIS-Architektur ist dafür bewusst so gebaut: der ABIS-Desktop als lokale Rechenstelle trennt Semantik und Sprache. Was die Architektur nicht leistet, ist Offline-Betrieb des LLM selbst, wenn Sie Claude über die Anthropic-API nutzen. Wer auch den Modellaufruf lokal braucht, kombiniert ABIS mit einem on-prem gehosteten Modell.

Grenzen des Governance Layers#

Der Layer ist keine Garantie, dass das Ergebnis fachlich richtig ist. Er erzwingt Form, nicht Bedeutung. Drei konkrete Grenzen aus den Projekten:

  • Business-Semantik bleibt menschlich: Ob eine neue Fakttabelle wirklich die Transaktionen abbildet und nicht die Buchungen, prüft der Fachbereich.
  • Regel-Design ist Arbeit: Die 61 Regeln entstehen in 2 bis 4 Workshops je Projekt. Standardregeln aus registry.v3.json tragen rund 70 Prozent, der Rest ist projektspezifisch.
  • False Positives kosten Zeit: Im Energie-Projekt lagen in den ersten zwei Wochen 14 Prozent der Block-Events bei genauer Prüfung im grünen Bereich. Wir haben die Regeln nachgeschärft, nicht abgeschaltet.

Wer den Layer als Autopilot verkauft, enttäuscht die Reviewer. Wer ihn als Leitplanke verkauft, bekommt genau das, was er braucht.

Kosten und Overhead im Betrieb#

Governance kostet Latenz und Speicher. Beides lässt sich messen. Je Tool-Call fallen 120 bis 400 Millisekunden für Rules-Evaluation und Impact-Simulation an, plus das Schreiben des Patch-Files. Gegen die Gesamtlatenz eines LLM-Tool-Calls von 2 bis 8 Sekunden ist das vernachlässigbar.

Das Speichervolumen der Metafiles liegt in den drei Projekten zwischen 40 MB und 180 MB, vollständig lokal. Die Rules Engine selbst ist ein Python-Paket, der Kontextgraph eine JSONL-Datei. Es gibt keinen Dauerprozess, den eine IT-Abteilung monitoren müsste. Für Teams, die den Layer nicht selbst betreiben wollen, übernehmen wir die Einführung als KI Governance für Agentic BI und begleiten die ersten drei Releases.

Was das für ein BaFin-Projekt bedeutet#

In Banken- und Versicherungs-Umgebungen trifft der Governance Layer auf BAIT, MaRisk und die Aufsichtsmitteilung zur Nutzung von KI. Drei Punkte sind dort regelmäßig Gegenstand der Prüfung: die Nachvollziehbarkeit jeder Änderung an aufsichtsrelevanten Reports, die Trennung zwischen Vorschlag und Freigabe und die Dokumentation eingesetzter Modelle.

Das Metafile-Format trägt die erste Anforderung, weil jeder Tool-Call als signiertes Patch-File mit Autor, Zeitstempel und Rule-Ergebnis liegt. Die Approval-Kette im Desktop-Client trägt die zweite, weil kein Schreibzugriff ohne menschliche Freigabe passiert. Die dritte deckt der Layer durch Logging des Modellnamens (agent/claude-opus-4-7) im Patch-File, zusammen mit dem Prompt und der Tool-Signatur.

Was der Layer nicht ersetzt: die Risikoeinstufung des KI-Einsatzes, die Governance-Dokumentation nach BAIT, die Lieferantenlisten für US-Modellanbieter. Das sind Entscheidungen, die ein Fachbereich mit der zweiten Verteidigungslinie trifft, nicht die Infrastruktur. Welche Residency-Fragen für Claude im BaFin-Kontext bleiben, haben wir im EU AI Act und Power BI-Beitrag ausgearbeitet.

Zusammenfassung#

  • Claude an Power BI anzubinden ist technisch trivial, produktiv wird es erst mit einer Schicht zwischen Agent und Modell.
  • Die vier Bausteine Kontextgraph, Metafile-Format, Rules Engine und Impact-Simulation adressieren je ein konkretes Fehlermuster: fehlendes Gedächtnis, fehlende Auditierbarkeit, fehlende Konvention, fehlende Risikokontrolle.
  • Die Zahlen aus drei Projekten tragen die Architektur: Compliance-Score von 42 auf 94 Prozent, Visual-Breaks von 11 auf 0, 54 Breaking Changes vor dem Commit abgefangen.
  • Local First ist dabei kein Label, sondern die Freigabebedingung in regulierten Umgebungen.
  • Die Entscheidungen trifft weiterhin ein Mensch.

Weiterlesen bei DBI#

Häufig gestellte Fragen#

Was genau ist ein Agentic BI Governance Layer?#

Die Schicht zwischen LLM-Agent und MCP-Server. Sie persistiert den Kontext über Sessions, wertet Regeln vor jedem Schreibvorgang aus und simuliert die Folgen einer Änderung gegen einen Kontextgraphen. Ohne diese Schicht ist der MCP-Server ein offenes Tor. Mit ihr wird er ein auditierbarer Workflow.

Reicht die Rules Engine im MCP-Server nicht aus?#

Nein. Die MCP Rules Engine ist einer von vier Bausteinen. Sie prüft Einzelaktionen, kennt aber weder die Projekthistorie noch die Downstream-Folgen einer Änderung. Erst zusammen mit Kontextgraph, Metafile-Persistenz und Impact-Simulation entsteht belastbare Governance. In unseren Projekten hätte die Rules Engine allein nur 46 Prozent der späteren Breaking Changes abgefangen.

Wie unterscheidet sich die Impact Simulation Power BI vom Best-Practice-Analyzer?#

Der Best-Practice-Analyzer prüft ein fertiges Modell gegen eine statische Regelmenge. Die Impact-Simulation läuft vor der Schreiboperation gegen den persistenten Graphen und bewertet, welche Visuals, Bookmarks, RLS-Rollen und Downstream-Measures durch den geplanten Patch brechen würden. Sie ist präventiv, nicht diagnostisch.

Ist ein Local First Agentic BI-Setup praktikabel in großen Modellen?#

Ja. Im Energie-Projekt lief der Governance Layer lokal auf einem Entwickler-Notebook (32 GB RAM) gegen ein 1,8 GB PBIX mit 24.600 Graph-Knoten. Die Rekonstruktionszeit lag bei 7,2 Sekunden, die Impact-Simulation je Measure bei unter 900 Millisekunden. Der Flaschenhals ist nicht das Modell, sondern die Tool-Call-Latenz des LLM-Anbieters.

Welche Compliance-Anforderungen deckt der Layer ab?#

Drei Felder: Die Rules Engine bringt Regeln für GxP (Audit-Trail, Signatur, 21 CFR Part 11), DSGVO (Zweckbindung, Kennzeichnung personenbezogener Spalten) und BAIT/MaRisk-nahe Nachvollziehbarkeits-Anforderungen mit. Für branchenspezifische Standards wie Solvency II in der Versicherung fügen wir im Projektsetup eigene Regel-Sets hinzu.

Wie groß ist der Overhead gegenüber einem reinen MCP-Betrieb?#

Je Tool-Call fallen 120 bis 400 Millisekunden für Rules-Evaluation und Impact-Simulation an, plus das Schreiben des Patch-Files. Gegen die Gesamtlatenz eines LLM-Tool-Calls von 2 bis 8 Sekunden ist das vernachlässigbar. Das Speichervolumen der Metafiles liegt in den dokumentierten Projekten zwischen 40 MB und 180 MB je Projekt, vollständig lokal.

Über DBI Analytics#

DBI Analytics ist Microsoft Solutions Partner für Data und AI mit Sitz in München. Wir bauen seit 2015 Enterprise-BI-Lösungen auf Microsoft Fabric, Power BI und ABIS, unserer eigenen Local-First-Middleware für Agentic BI unter EU AI Act und DSGVO. Für ein konkretes Projekt melden Sie sich bei unseren BI-Consultants oder lesen Sie die Power BI Beratung im Detail.

Alle Artikel

Weiterlesen im Guide

Claude sicher mit Power BI betreiben

Setup und Prompts, die Grenzen von MCP und die Architektur, bei der Metadaten raus- und Ergebnisse reingehen — im Agentic BI Guide.

Alle 31 Kapitel im Agentic BI Guide