Claude och Power BI - så används AI i analysarbete

AI har på kort tid blivit ett naturligt stöd i många delar av arbetet med Power BI. Idag används AI framför allt för att effektivisera enklare och mer repetitiva uppgifter där mycket tid annars läggs på manuellt arbete.

Det kan handla om att skapa DAX mått, skriva Power Query kod, dokumentera datamodeller eller få förslag på visualiseringar och dashboards. För många utvecklare fungerar AI redan som ett extra stöd i det dagliga arbetet och hjälper till att snabbare testa idéer och lösa problem.

Nästa steg i utvecklingen

Utvecklingen går nu mot att AI i större utsträckning ska kunna förstå och bygga själva rapporterna. Det handlar inte längre bara om att generera kod utan om att förstå affärslogik, samband och hur information bör presenteras. Detta område brukar beskrivas som Agentic AI och ställer högre krav på datakvalitet och tydliga modeller. Ju bättre struktur och logik som finns i grunden desto bättre blir resultaten från AI verktygen. AI fungerar särskilt bra i miljöer där det redan finns etablerade arbetssätt och tydliga mönster att utgå från.

Vad är Claude?

En av de AI-modeller som används allt mer inom BI och analys är Claude från företaget Anthropic.

Claude fungerar på många sätt liknande ChatGPT men har blivit uppskattad för sin förmåga att hantera analys, textförståelse och kodgenerering. Inom Power BI används den bland annat för att skapa DAX mått, skriva SQL frågor, bygga Power Query transformationer och dokumentera lösningar.

Många använder också Claude för att felsöka kod eller ta fram första versioner av rapportlogik och analyser.

Vad fungerar bäst att skapa med AI?

Det finns vissa områden där AI redan idag fungerar väldigt bra inom Power BI och BI utveckling generellt. Exempel på detta är standardmått i DAX som KPIer, YTD beräkningar och kumulativa mått. AI är också effektivt för Power Query transformationer, SQL frågor och dokumentation. Utöver det används AI allt oftare för att föreslå visualiseringar, förbättra dashboards och identifiera prestandaproblem i rapporter och modeller.

Risker att vara medveten om

Samtidigt finns det risker som företag behöver vara medvetna om. AI kan generera kod som ser korrekt ut men som innehåller logiska fel eller lösningar som påverkar prestandan negativt. Det finns också en risk att användare förlitar sig för mycket på resultaten utan att förstå hur beräkningarna faktiskt fungerar. Därför är det viktigt att AI genererat innehåll granskas av personer med rätt kompetens och förståelse för både data och affärslogik.

Datasäkerhet och governance

När AI används i BI arbete blir datasäkerhet en central fråga. Företag behöver ha tydliga riktlinjer för vilken information som får delas med externa AI tjänster. Känslig information, personuppgifter och affärskritisk data bör inte skickas till publika AI verktyg utan tydligt godkännande och kontroll. Många organisationer väljer därför företagsanpassade AI lösningar där data inte används för träning av modeller och där säkerhet och behörigheter kan hanteras internt. Det blir också allt viktigare att arbeta med dataklassificering, governance och tydliga policys kring hur AI får användas i verksamheten.

Ett nytt arbetssätt inom BI

AI förändrar inte bara verktygen utan också själva arbetssättet inom BI. Fokus flyttas allt mer från teknisk implementation till att formulera rätt affärsfrågor och tolka resultaten på rätt sätt. Det gör att kompetens inom verksamhet, analys och datalogik blir minst lika viktig som den tekniska utvecklingen framåt.

‍