如果你所在的组织正在使用 Power BI，那么有一件事你可能自己都没意识到：你手里已经握着一套很多追逐 AI 的公司梦寐以求的基础设施。它不是某个新采购的平台，也不是需要从零搭建的数据中台，而是你每天打开报表时，默默支撑着每一个数字的那层东西——语义模型（Semantic Model）。
过去几年，业界谈 AI 落地必谈“数据底座”“知识图谱”“指标中台”，但大多数企业真正缺的，不是更多的技术概念，而是一个能把业务口径统一起来、让机器理解“你们公司到底怎么算账”的机制。而 Power BI 用户，其实早就把这个机制建好了，只是它一直藏在报表背后，没人叫它“AI 语义层”。
你已经在不知不觉中建好了语义层
每一个你打开过的 Power BI 报表，都构建在一个语义模型之上。无一例外。报表是你能看到的部分，而语义模型是让这些数字可信的底层机制。它做的事情，是把原始数据翻译成业务含义。
想想看：在你们公司，“收入”到底是什么意思？是含税还是不含税？按订单确认还是按收款确认？汇率用哪天的？折算方式是什么？又比如“活跃客户”，是 90 天内有登录算活跃，还是 180 天内有下单才算？退货是冲减本季度销售，还是冲减原购买季度的销售？
这些决策，当年不是停留在会议纪要里，而是被编码进了语义模型：指标定义、客户与订单和产品之间的关系、从区域到国家到洲的层级汇总逻辑。正因为有了这层编码，两个不同部门的人打开同一张报表，看到的数字才是一致的；CFO 才敢把季度仪表板拿到董事会上去讲。
很多人不知道的是，Power BI 的建模过程比想象中更“重”。一个 .pbix 文件里，除了可视化图表，还包含了数据获取方式（Import、DirectQuery 或较新的 DirectLake）、Power Query 清洗步骤、表结构，以及每一个度量的定义。发布到服务后，这个文件被拆成两部分：可视化部分成为用户打开的报表，其余所有逻辑则构成了语义模型。换句话说，你们公司的每一个报表作者，这些年都在不知不觉地构建语义模型——只是他们从没用过这个词。
大多数业务用户没听过“语义模型”这个术语，这很正常。它之所以工作良好，恰恰因为你不需要去思考它。但它代表的是你们公司多年来关于“如何衡量业务”的共识沉淀。而这份沉淀，恰好就是 AI 最需要的东西。
通用大模型不懂你的业务，但你的语义模型懂
大语言模型（LLM）在语言能力上很出色，但在“了解你的业务”这件事上，它其实相当平庸。你问一个通用 AI：“我们上个季度的流失率是多少？”它面对的是你们分析师当年争论过的同一个歧义：流失的定义是什么？哪些客户算数？是按月度流失年化，还是按季度直接计算？
如果 AI 靠猜来回答这些问题，它给出的答案会流畅、自信，但错误。而且是最糟糕的那种错误——看似合理，没人会去质疑，直到这个数字出现在某次决策里。
这正是 Fabric IQ 要解决的问题。它是微软 Fabric 的语义层，核心任务是把 AI“锚定”在你们的业务语言上。它把你组织里已经定义好的概念，开放给 AI 代理（AI Agent）和 Microsoft 365 Copilot。这样，当有人用自然语言提问时，答案是基于你的定义计算出来的，而不是基于统计猜测。
关键在于：Fabric IQ 不需要你推倒重来。它直接构建在你已有的 Power BI 语义模型之上。你现有的模型可以无缝成为 Fabric IQ 的业务词汇表——你为报表定义过的“客户”“收入”“毛利”，现在可以直接服务于对话式查询、自动化流程和 AI 代理。定义一次“客户”，处处可用。
而且，语义模型能提供给 AI 的上下文远不止指标定义。模型里可以携带同义词，比如“收入”“销售额”“营收”都能映射到同一个度量，不管谁来问，结果一致。模型也可以为 AI 做主动准备：作者添加描述、同义词、带标准答案的示例问题，这样 Copilot 处理常见问题时，会像你们最资深的分析师一样回答。Fabric IQ 还能把连接在模型上的报表作为上下文读取。你报表可视化上的命名，记录了你企业实际怎么说话。如果数据库里存的是 SalesAmt，但每张仪表板上都显示为“金额”，AI 就会学会在跟用户对话时用“金额”这个词。多年的报表建设，本质上就是多年的词汇训练。
这里有个实操层面的提醒，免得有人急着启动迁移项目：这一切都不需要重建模型。Fabric IQ 直接兼容你现在运行的 Power BI 语义模型，包括 Import 和 DirectQuery 模式。Direct Lake 模型确实存在于 Fabric 中，也值得关注，但 AI 集成本身不强制你做任何升级。
同一个数字，到处都一样
每个数据负责人都害怕一个场景：高管问 Copilot“本季度收入是多少”，得到一个数字；打开仪表板，看到的是另一个数字。然后就是一场关于“哪个数才对”的会议，两个系统的可信度同时受损。
把 AI 接入现有语义模型的价值，就在于这场会议根本不会发生。报表和 AI 代理读的是同一套定义：同样的筛选条件、同样的汇率逻辑、同样的财年日历。当数字在构造上就是一致的，你就不需要每次都对 AI 的回答和仪表板做一遍核对。
更进一步说：一个产出数字和报表不一致的 AI 系统，比没有 AI 更糟糕。你花了好几年建立对 BI 数字的信任，最快摧毁它的方式，就是引入第二个略有不同的“真相版本”，还给它一个自信的声音。
面向“前沿企业”的启示
微软的 Work Trend Index 提出了“前沿企业”（Frontier Firm）的概念：那些围绕人机协作重构工作方式的组织。不管这个标签本身如何，方向是明确的——AI 代理会越来越多地参与日常运营和决策。而代理要发挥作用，前提是它必须理解你的业务语言，而不是靠泛化能力去猜。
如果你已经在用 Power BI，那么通往 AI 语义层的路，比你想象的要短得多。你不需要新建一套指标平台，不需要重新梳理口径，不需要再花几个月做数据治理项目。你只需要意识到：那些已经跑了好几年的语义模型，就是你 AI 战略里最被低估的资产。
报表是给人看的，语义模型是给机器看的。现在，是时候让机器也看懂你的业务了。
