商傳媒｜葉安庭／綜合外電報導
隨著人工智慧（AI）應用日益普及，企業現有的資料架構正迎來轉型挑戰。特別是對於長期仰賴 Power BI 語義模型的企業而言，其專有設計在整合 AI 代理程式與多元 BI 工具時，逐漸顯露侷限性。
一份報導指出，Power BI 的匯入模式、DAX 查詢生成及星狀結構假設，當多個語義模型疊加使用時，會產生相容性問題。對於將 Power BI 作為唯一資料介面的組織而言，Power BI 語義模型確實是儲存指標定義和業務邏輯的合適選擇。一名 Microsoft Fabric CAT 團隊工程師指出，若企業將 Power BI 作為唯一的終端資料消費工具，其語義模型確實是儲存指標定義與業務邏輯的理想選擇。
然而，在多數企業環境中，資料堆疊並非僅圍繞單一工具建構。Power BI 通常與 Tableau、Excel、各種 AI 代理程式（如 ChatGPT、Claude、Copilot、Gemini）以及 Databricks 的機器學習管線並行運作。當語義層僅存在於 Power BI 內部時，其功能便受限於 Power BI 本身，無法為非 Power BI 的應用程式提供一致的資料服務，容易導致資料不一致、延遲和理解上的偏差。
人工智慧代理程式在金融服務、零售、醫療保健和製造業等領域積極驅動即時決策，它們透過語音指令、對話機器人或客戶端工具查詢資料。這些 AI 消費介面皆不使用 XMLA 協定，也無法呈現 Power BI 的視覺化報表，更無法從 DAX 優化或匯入模式快取中受益。當 AI 代理程式需要查詢特定指標（例如依地區劃分的營收）時，它需要權威的指標定義、正確的聚合邏輯以及企業級的資料治理。
由於 Power BI 語義模型內的治理、安全性與指標定義皆以 DAX 表達，並由 Power BI 引擎強制執行，這些邏輯無法輕易地移植。若組織遷移至不同的 BI 平台，或透過新的 AI 介面路由查詢，這些定義必須在目標系統中從頭重建。這意味著，將業務邏輯鎖定在 Power BI 語義模型內的企業，將面臨龐大的重建成本，尤其在 AI 代理程式、語音介面和多工具環境日益普及的趨勢下，問題將更為突出。
為因應此挑戰，市場上出現了通用語義層架構的概念。例如 Model Context Protocol（MCP）這類開放標準，能讓 AI 代理程式探索、查詢並理解受治理的資料來源。透過將業務邏輯、指標定義和安全策略以開放、可移植的格式表達，通用語義層能讓每個新的資料消費介面都能以極低的成本連接，並確保資料的一致性。例如 Strategy Mosaic 這類產品便宣稱可作為通用語義層，連結超過 200 種資料來源，並能同時為 Power BI、Tableau、Excel 和 AI 代理程式提供受治理的業務邏輯，且可透過原生 XMLA/DAX 連線與 Power BI 協同運作。
一個具備未來前瞻性的語義層架構應具備四大特性：前端無關性、透過協定實現 AI 原生、語義層級的治理強制執行，以及跨工具週期的耐用性。這類架構的核心原則是分離：語義層擁有邏輯，而前端應用程式則不直接擁有。對於追求獨立性與擴展性的企業而言，目標是將受治理的業務邏輯傳遞至所有消費者使用的系統中，而非讓其受限於單一工具。
