你是不是也有这样的困惑：报表越做越多，但每次新需求都要从头开始？业务部门问“收入到底怎么定义的”，你翻遍所有报表也找不到统一答案？更头疼的是，AI 工具来了，但连它都搞不清你的数据逻辑——因为你的模型本身就没个准谱。
这不是你一个人的问题。最近，我和微软 Power BI 产品管理总监 Mohammad Ali 聊了聊，他直指要害：Power BI 的下一次进化，核心不在可视化，而在语义模型的重生。
为什么语义模型突然成了香饽饽？
Mohammad 在 Build 大会后提到，AI 和 BI 的融合时代，有两件事正在发生质变。第一件，就是语义模型的“文艺复兴”。
你可能觉得，语义模型不就是之前的“数据模型”换个叫法吗？还真不是。区别在于：
- 给机器看：AI Agent（智能体）要能听懂你的数据，前提是模型里有清晰的定义——什么是“收入”、什么是“活跃用户”、表和表之间什么关系
- 给人看：业务同事自己用自然语言问问题时，得有一个统一、可信的“口径”兜底，而不是每个报表各说各话
换句话说，语义模型不再只是技术底层的“管道”，而是人和 AI 共同依赖的“业务词典”。以前我们建模型是为了做报表，现在建模型是为了让整个组织（包括 AI）都能“说同一种语言”。
AI 时代，Power BI 的交互方式要变了？
聊到未来，Mohammad 毫不回避一个敏感问题：Power BI Desktop 会不会变成“提示词优先”的界面？
他的态度很务实：传统的拖拽式操作不会一夜消失，但**“自然语言生成报表”会越来越成为入口**。你对着工具说“帮我看看华东区上季度毛利趋势”，它直接给你把图表和洞察摆出来——这在技术上已经不是问题。
但难点在哪？在于模型本身够不够“懂业务”。如果底层模型一团乱麻，AI 再聪明也答非所问。所以 Desktop 的界面会演化，但前提是语义模型得先立住。
语义模型 vs 本体（Ontology）：到底选哪个？
这是很多人最纠结的问题。Mohammad 给了一个很实用的判断标准：
- 语义模型：适合结构化数据、明确的 KPI 和报表场景，是 Power BI 的看家本领
- 本体（Ontology）：适合跨系统、多源异构数据的关系建模，更像是一个“企业知识图谱”
简单说
如果你主要做财务、销售、运营这类指标分析，语义模型足够；如果你要打通 ERP、CRM、IoT 多个系统的实体关系，那本体更合适。
但别急着二选一——两者可以共存。先用语义模型把核心指标定死，再用本体去扩展跨域关联。关键是别“一招鲜”，得看场景。
国内用户怎么看？
说实话，国内很多团队做 Power BI 项目，最缺的不是可视化技巧，而是建模阶段的业务梳理。业务方说不清口径，开发方急着交付，最后模型就成了“一次性用品”。
Mohammad 提到的“语义模型重生”，对我们其实是个提醒：AI 时代，模型质量决定了你能走多快。与其追新功能，不如先把模型基础打牢——这可能是 Power BI 未来几年最值得投入的方向。
下一步行动
如果你想让自己的 Power BI 项目跟上这波进化，可以试试：
- 挑一个核心业务域（比如收入或成本），重新梳理指标定义和关系
- 在模型里给每个关键度量值加上清晰的描述和业务口径
- 试试用自然语言提问的方式，看模型能否给出靠谱回答
Power BI 的下一次进化，不是等来的，是先把地基打扎实。
