Miksi tekoäly antaa kaksi eri vastausta samaan kysymykseen? Fabric IQ rakentaa yritykselle yhteisen kielen

Tuttu tilanne?

Kaksi tekoälyavusteista raporttia antaa eri luvun samaan kysymykseen. Syy ei useinkaan ole se, että tekoäly olisi väärässä, vaan se, että samaa dataa tulkitaan eri järjestelmissä eri tavalla. Yhdessä järjestelmässä "aktiivinen asiakas" tarkoittaa asiakasta, joka on ostanut viimeisen 12 kuukauden aikana. Toisessa taas asiakasta, jolla on voimassa oleva sopimus. Kun tekoälyagentti kytketään tällaiseen ympäristöön, se perii saman epäselvyyden.

Sama ilmiö toistuu monessa muodossa. Tekoälyllä voi olla pääsy raakadataan ja tauluihin, mutta se ei silti tiedä, mitä esimerkiksi "customer_id" tarkoittaa toisen järjestelmän datassa, tai onko "Revenue" sama asia kuin "Turnover". Datasta on vaikea tehdä luotettavia johtopäätöksiä ilman yhteistä tulkintaa.

Juuri tämän ongelman ratkaisemiseksi Microsoft rakensi Fabric IQ:n.

Mikä Fabric IQ on?

Fabric IQ on kokoelma työkaluja Microsoftin Fabric-data-alustalla. Niiden tehtävä on ratkaista juuri edellä kuvattu ongelma: rakentaa organisaation olemassa olevalle datalle yhteinen merkitys, jota sekä ihmiset että tekoälyagentit tulkitsevat samalla tavalla.

Fabric IQ ei tuo lisää raakadataa eikä korvaa nykyisiä tietovarastoja, raportointityökaluja tai toiminnanohjausjärjestelmiä. Se asettuu niiden päälle semanttiseksi kerrokseksi ja kokoaa organisaation dataan jo rakennetut liiketoimintamääritelmät yhteen, kaikkien käytettäväksi. Semanttinen kerros auttaa tekoälyä ymmärtämään liiketoiminnassa käytettyjä käsitteitä ja määrittelyjä ja niiden välisiä suhteita organisaation liiketoimintakontekstissa. Kyse ei siis ole ainoastaan uudesta teknologiasta, vaan organisointiperiaatteesta: sama tieto, sama tulkinta, kaikkialla.

Fabric IQ:n sisältä löytyy useita teknisiä komponentteja, mutta liiketoiminnan näkökulmasta riittää ymmärtää kuusi ydintoiminnallisuutta:

• Ontologia – yhteinen sanasto koko yritykselle. Fabric IQ:n ytimessä on kirjoittaa auki, mitä yrityksen keskeiset käsitteet – kuten "asiakas", "tilaus" tai "kate" – tarkalleen tarkoittavat ja miten ne liittyvät toisiinsa  ilman, että jokainen järjestelmä joutuu määrittelemään niitä erikseen. Kun "aktiivinen asiakas" määritellään kertaalleen, sama määritelmä pätee automaattisesti kuukausiraportissa, myynnin ennustetyökalussa ja asiakaspalvelun tekoälyavustajassa.
  
  
• Graafi – suhteiden näkyväksi tekeminen. Perinteiset taulukkomuotoiset raportit näyttävät hyvin yksittäisiä lukuja, mutta huonommin sitä, miten asiat liittyvät toisiinsa laajemmin – esimerkiksi miten yksi myöhästynyt toimitus vaikuttaa useaan asiakkaaseen ja laskutukseen. Fabric IQ:n graafiominaisuus tekee tällaiset moniulotteiset suhteet selailtaviksi, mikä auttaa analyytikkoa (tai tekoälyagenttia) jäljittämään syy-seuraussuhteita, joita perinteisestä raportista ei näe.
  
  
• Data-agentit – kysy datasta suoraan luonnollisella kielellä. Fabric IQ:n data-agentit ovat tekoälypohjaisia "virtuaalianalyytikoita", jotka osaavat vastata liiketoimintakysymyksiin hyödyntäen ontologiassa määriteltyjä käsitteitä. Kun kysymys "Paljonko kate-% oli viime kuussa Pohjoismaissa?" nojaa samaan määritelmään kuin virallinen raportti, vastaus on luotettavampi kuin ilman yhteistä käsitteistöä toimivasta tekoälychatista saatu tieto.
  
  
• Operaatioagentit – automaattinen valvonta hallitusti. Siinä missä data-agentit vastaavat kysymyksiin, Fabric IQ:n operaatioagentit seuraavat dataa jatkuvasti taustalla ja voivat nostaa esiin poikkeamia tai jopa käynnistää ennalta sovittuja toimenpiteitä – esimerkiksi hälyttää, kun varastotaso alittaa rajan tai koota yhteenvedon poikkeavista kululaskuista. Koska ne toimivat samojen sääntöjen ja käsitteiden varassa kuin muukin organisaatio, niiden toiminta on selitettävissä ja jäljitettävissä.
  
  
• Planning – budjetointi ja ennustaminen samalla data-alustalla. Planning on suoraan Fabriciin rakennettu ratkaisu, jolla organisaatiot voivat rakentaa, hallita ja analysoida budjetteja ja ennusteita samalla alustalla, jota käytetään myös datan, analytiikan ja tekoälyn hyödyntämiseen.
  
  
• Semanttinen malli (Power BI) – yksi versio totuudesta raportointiin. Power BI:n semanttinen malli kokoaa datan, mittarit, dimensiot, hierarkiat ja käyttöoikeudet hallituksi kokonaisuudeksi, jota raportit ja analyysit hyödyntävät yhdenmukaisesti. Kun esimerkiksi liikevaihto tai kate määritellään mallissa kerran, sama laskentalogiikka voidaan tarjota luotettavasti eri käyttäjille ja käyttötarkoituksiin.

Microsoft julkisti Fabric IQ:n yleisesti saatavaksi kesäkuussa 2026. Yllä esitellyistä toiminnallisuuksista kaikki ovat vielä blogin julkaisuhetkellä esikatselutilassa, paitsi Planning, joka on jo julkaistu yleisesti saataville. Julkaisujen edetessä saadaan myös lisätietoa eri osa-alueiden hinnoittelusta.

Esimerkki Fabric IQ:n ontologian käyttöliittymästä

Keskeiset hyödyt liiketoiminnalle

Suurin hyöty ei ole yksittäinen uusi ominaisuus, vaan se, että tekoälystä tulee aidosti luotettavampi kumppani päätöksenteossa. Kun käsitteet ovat yhteisiä, useampi ihminen voi luottaa samaan lukuun ilman erillistä tarkistuskierrosta. Uusia raportteja ja tekoälyavustajia voidaan ottaa käyttöön nopeammin, koska perusmääritelmiä ei tarvitse rakentaa joka kerta uudestaan – ja johdon on helpompi perustella päätöksiä, kun taustalla oleva logiikka on läpinäkyvä ja hallittu.

Toinen hyöty liittyy hallintaan: Fabric IQ:n avulla käsitteiden, sääntöjen ja käyttöoikeuksien hallinta voidaan keskittää yhteen paikkaan. Tämä vähentää päällekkäistä ylläpitoa ja auttaa varmistamaan, että samaa tietoa tulkitaan samalla tavalla eri järjestelmissä, raporteissa ja tekoälyratkaisuissa. Samalla syntyy uusi vastuu: käsitteiden määrittely vaatii selkeän omistajan. Jos kukaan ei aidosti omista määrittelyä, "yhteinen kieli" jää puolitiehen ja vanhat ristiriidat siirtyvät vain uuteen työkaluun.

Fabric-käyttäjän ei tarvitse aloittaa tyhjältä pöydältä

Jos organisaatiossa on jo käytössä Fabric ja Power BI, niiden kanssa tehty työ ei mene hukkaan. Power BI:n semanttiset mallit – mittarit, dimensiot ja hierarkiat, jotka on jo rakennettu raportointia varten – toimivat usein luontevana lähtökohtana Fabric IQ:n ontologialle. Myös organisaation olemassa olevat käyttöoikeus- ja tietoturvakäytännöt madaltavat kynnystä ottaa Fabric IQ käyttöön, koska niitä ei tarvitse rakentaa alusta.

Mitä kannattaa tehdä jo nyt?

Vaikka osa Fabric IQ:n toiminnallisuuksista on vielä esikatselussa, voi sen käyttöön jo valmistautua. Koska Fabric IQ nojaa vahvasti yhteisiin käsitteisiin, suurin osa valmistelutyöstä ei vaadi uutta teknologiaa – se vaatii organisoitumista. Seuraavat kolme konkreettista askelta kannattaa aloittaa jo ennen kuin ratkaisu on täysin kypsä:

1. Nimeä omistajuudet yrityksen keskeisille käsitteille. Kuka päättää, mitä "asiakas" tai "kate" virallisesti tarkoittaa, kun eri järjestelmät ovat tähän asti tulkinneet niitä eri tavoin?
   
   
2. Kartoita, missä käsitteet jo elävät. Power BI:n raporteissa, Excel-laskelmissa, toiminnanohjausjärjestelmässä – jotta yhtenäistämistyö osataan kohdistaa oikein.
   
   
3. Valitse yksi rajattu, mutta liiketoiminnalle merkityksellinen pilottikohde – esimerkiksi yhden liiketoiminta-alueen kannattavuusraportointi – jonka avulla voidaan testata yhteisen käsitteistön hyödyt käytännössä ennen laajempaa käyttöönottoa.

Näiden askelmerkkien perusteella ymmärtänet jo, että kyse ei ole pelkästään IT-projektista, vaan siitä, miten yritys määrittelee ja omistaa oman liiketoimintansa kielen tekoälyn aikakaudella. Fabric IQ auttaa viemään tämän tekoälylle koneluettavaan muotoon.

Tekoäly ei opi ymmärtämään liiketoimintaa pelkästä datasta. Se tarvitsee kontekstin.

Efima auttaa rakentamaan luotettavan perustan tekoälyn hyödyntämiselle yhdistämällä syväosaamista niin datan- ja tiedonhallinnasta, liiketoimintaprosesseista sekä Microsoft-teknologioista. Tavoitteemme on, että tekoälyratkaisut eivät jää irrallisiksi kokeiluiksi, vaan ne voidaan kytkeä luotettavaksi osaksi liiketoimintaa ja skaalata uusiin käyttötapauksiin. Keskustellaan, mistä teidän organisaatiossanne kannattaa aloittaa.