MCP in Power BI: Erfahrungen aus der Praxis

10.02.2025

In meinem letzten YouTube-Tutorial habe ich mich sehr ausführlich mit dem Power BI MCP Server beschäftigt. Dabei ging es mir weniger um einen schnellen Überblick, sondern um eine ehrliche Praxis-Erfahrung: Was kann MCP heute wirklich, wo hilft es konkret und wo sollte man sehr genau hinschauen.

Der MCP Server verbindet Large Language Models mit dem semantischen Modell in Power BI. Damit wird erstmals möglich, per natürlicher Sprache direkt mit dem Datenmodell zu arbeiten. LLMs können über den MCP Server mit Power BI kommunizieren. Fast wie im echten Leben. MCP wird zum Vermittler zwischen zwei Welten.

Tabellen erstellen, Beziehungen prüfen, Spalten umbenennen, Beschreibungen ergänzen, Measures vorschlagen oder Calculation Groups anlegen – alles direkt im Modell, nicht auf einer abstrahierten Ebene und vor allem durch Anweisungen in natrülicher Sprache.

Das ist technisch gesehen ein großer Schritt. Aber wie so oft ist die eigentliche Frage nicht, ob etwas möglich ist, sondern wie und unter welchen Voraussetzungen es sinnvoll eingesetzt werden kann.

Ich habe MCP genutzt, um ein bestehendes Modell systematisch aufzubereiten und „visualization-ready“ zu machen. Viele Tätigkeiten, die im Alltag gerne verschoben werden, lassen sich damit deutlich beschleunigen:

• fehlende Kalender
• Tabellen erstellen
• Beziehungen prüfen und nach Best Practices ausrichten
• konsistente Benennung von Tabellen und Spalten
• Ergänzung von Beschreibungen für Tabellen, Spalten und Measures
• Setzen von Default-Summarizations und Data Categories
• Aufbau von Calculation Groups für Zeitintelligenz
• Strukturierung über Display Folders

Das sind keine spektakulären Aufgaben, aber sie sind zentral für Data Health und Wartbarkeit. MCP nimmt hier Arbeit ab, die sonst viel Zeit kostet und deshalb oft zu kurz kommt. In diesem Kontext ist das Tool wirklich hilfreich.

Gleichzeitig zeigt sich im Arbeiten mit MCP auch klar, wo die Grenzen liegen. MCP führt Anweisungen aus, aber es versteht keinen fachlichen Kontext. Und vor allem wird nicht immer umgesetzt, was behauptet wird. Das merkt man unter anderem daran, dass:

• Key Columns lt. MCP gesetz wurde, dann aber in den Properties fehlen
• Spalten sichtbar oder unsichtbar gemacht werden, ohne den Analysekontext zu berücksichtigen
• beim Bereinigen des Modells Felder vorgeschlagen werden, die fachlich relevant sind
• Dokumentationen technisch sauber, aber fachlich unpräzise sind. Ein Data Catalog mit einen Measure, das statische Beschreibungen enthält war nicht ganz das, was ich haben wollte.

Das ist kein Bug, sondern eine logische Konsequenz. MCP kann Regeln anwenden, Muster erkennen und Vorschläge machen. Es kann aber nicht beurteilen, warum etwas so modelliert ist oder welche Auswirkungen eine Änderung später im Reporting oder im Business hat.

Deshalb gilt sehr klar: Alles, was MCP verändert, muss überprüft werden. Ohne Ausnahme.

 Richtig eingesetzt kann MCP ein sehr wertvolles Werkzeug sein, insbesondere in diesen Bereichen:

• Modellpflege und technische Qualitätssicherung
• konsequente Umsetzung von Best Practices
• Dokumentation von Modellen und Measures
• Enablement von BI-Teams
• Vorbereitung von Modellen für Copilot- oder KI-Szenarien

Vor allem im Kontext von Data Health sehe ich großes Potenzial. MCP senkt die Hürde, Dinge zu tun, die fachlich längst klar sind, aber im Alltag oft liegen bleiben und Anwender:innen oft lästig sind.

Es gibt zwei Aspekte, die aus meiner Sicht zwingend adressiert werden müssen.

Sicherheit

MCP arbeitet über ein LLM. Das bedeutet, dass Modellinformationen verarbeitet und weitergegeben werden. Wer mit sensiblen Unternehmensdaten arbeitet, muss sehr genau prüfen, unter welchen Bedingungen MCP eingesetzt wird, welche Daten betroffen sind und welche Alternativen es gibt, etwa über eigene LLMs oder Azure-Setups.

Kontrollillusion

MCP wirkt sehr kompetent. Genau das kann trügerisch sein. Wer nicht versteht, was im Modell passiert, wird Fehler nicht erkennen. MCP ersetzt kein BI-Wissen und keine Modellierungskompetenz. Es verstärkt vorhandene Kompetenz oder macht deren Fehlen sichtbar.

MCP ist kein Autopilot für Datenmodelle. Es ist auch kein Ersatz für saubere Semantik, klare Governance oder fachliche Verantwortung. Im Gegenteil: Es funktioniert nur dann gut, wenn diese Grundlagen bereits vorhanden sind.

Für mich ist MCP vor allem ein Spiegel. Es zeigt sehr schnell, wie stabil ein Modell wirklich ist, wie klar Standards definiert sind und wie ernst Data Health genommen wird.

Oder anders gesagt: MCP macht schlechte Modelle nicht gut. Es macht sichtbar, wie gut oder schlecht ein Modell aufgestellt ist. Und wer "Model Health" vorher nicht priorisiert hat, dem hilft MCP auch nicht weiter. Modelle können zwar dann schneller erstellt werden, aber wer will schon Chaos skalieren?

MCP ist ein starkes Werkzeug, wenn man es als das nutzt, was es ist: eine Unterstützung. Kein Entscheider. Kein Ersatz für Fachlichkeit. Kein Freifahrtschein für Automatisierung ohne Verantwortung.

Klarheit entsteht nicht durch neue Tools. Aber gute Tools zeigen sehr schnell, wo Klarheit fehlt.

Wenn du überlegst, MCP einzusetzen, stell dir diese Fragen:

• Würde ich diese Änderung auch selbst im Modell umsetzen?
• Verstehe ich, was technisch passiert?
• Ist es nur einen technische Spielerei, oder generiert der Einsatz echten Mehrwert?

Wenn du MCP bis jetzt noch nicht getestet hast, dann findest du hier einen Einstieg:

Unlock Power BI's Full Potential with MCP Server

Ich wünsche dir viel Freude beim Testen!