Power BI MCP 讓 AI 直接碰模型

Microsoft 的 Power BI MCP servers 讓 AI agent 能查詢語意模型，或在本機直接編修模型。

Microsoft 把 Power BI MCP servers 放進預覽版。說白了，就是把 AI 工作切成兩條路。遠端伺服器負責查資料，本機伺服器負責改模型。

這個拆法很實際。查詢和編修，本來就是兩種風險。前者像問問題，後者像動刀。AI 可以幫忙，但權限不能亂給。

更細一點看，這次不是單純多一個 connector。它是把 Model Context Protocol 拉進 Power BI 核心工作流。這對台灣做 BI、資料工程、內部報表團隊的人，真的很有感。

兩個 server，兩種工作

這次最重要的地方，不是 Microsoft 又多了一個工具。重點是它把 AI 工作拆得很清楚。這很像真實團隊的分工，而不是把所有事情塞進同一個聊天框。

遠端 Power BI MCP server 主要用來問語意模型。你可以讓 AI 幫你查銷售趨勢、做比較、找關聯。它更像分析助理，不像模型管理員。

本機 server 則是另一回事。它會碰到 TMDL、Power BI Project files，也能處理表格、欄位、量值、關聯。這就不是聊天而已，是在改模型本體。

• 遠端：查詢 semantic models，產生 DAX
• 本機：編修 tables、columns、measures、relationships
• 兩者都在 public preview
• 兩者都走 MCP

我覺得這個切法很務實。因為資料分析跟模型維護，本來就不是同一種需求。查詢可以容忍一點延遲，編修卻不能亂來。改錯一個 measure，整份報表都可能歪掉。

所以 Microsoft 沒有把 AI 包成萬能按鈕。它反而把界線畫清楚。這點比很多「什麼都能做」的 AI 故事更像工程。

遠端 server 是查詢用，不是改模型用

遠端 server 是一個託管端點。AI agent 可以透過它查 Power BI semantic models，還能生成 DAX query。Microsoft 表示，它用的就是 Copilot for Power BI 背後那套 query generation engine。

這代表什麼？代表你在 Visual Studio Code 或其他 MCP client 裡，直接問 AI「上季營收怎麼變」之類的問題，就能拿到模型層級的答案。你不一定要自己手寫 DAX。

這對分析師很方便。尤其是那些平常會查很多臨時問題的人。以前要在報表、DAX、模型之間切來切去，現在可以先用自然語言摸到方向，再決定要不要深入。

“The Power BI MCP server enables AI agents to interact with Power BI through natural language.”

Microsoft 也把權限處理講得很直白。遠端 server 會沿用使用者的授權，透過 Microsoft Entra ID 做存取控制。你看得到的資料，agent 才看得到。

這一點很重要。因為資料工具最怕的不是慢，而是看錯資料。AI 再會講，也不能越權。這種基本盤沒守住，後面都不用談。

• Hosted endpoint，不用自己架伺服器
• 用 Entra ID 做 OAuth 驗證
• 適合 conversational querying
• 可搭配支援 MCP 的 client

如果你們團隊已經在用 Copilot 或 VS Code 類工具，遠端 server 的導入成本會很低。它比較像一個安全的入口，讓 AI 先讀資料，再談其他事。

講白了，這是給分析工作用的。不是給你拿來亂寫模型的。這種分工很合理，也比較不容易出事。

本機 server 才是模型工作重點

本機 Power BI MCP server 才是比較有料的那個。它跑在你的電腦上，可以處理 Power BI Desktop、Fabric workspace，還有 Power BI Project files。這讓 AI 真正進到模型作者的工作區。

這種設計很適合做重複性高的模型維護。像是批次改量值、調整欄位命名、補關聯、跑驗證。這些事人做很煩，AI 做剛剛好。

Microsoft 列出的能力也不少。包括 natural language model editing、bulk operations、best-practice checks、agentic development workflows、DAX query validation。講白了，就是不只改一個東西，而是能整批處理。

• 可建立或更新 tables、columns、measures、relationships
• 支援批次操作
• 可做 DAX 驗證
• 可處理 TMDL 與 Power BI Project files

本機 server 也支援 service principal。這點對企業環境很實用。因為很多自動化流程，不可能只靠某個人的帳號跑。你總不能叫一個離職員工的帳號繼續做資料工作吧。

Microsoft 還提到 transaction support 和 error handling。這種字眼看起來不性感，但很重要。因為一旦你在大模型上做批次修改，沒有交易控制就很容易翻車。

如果你有碰過幾十張表、幾百個 measure 的模型，你就知道這有多痛。AI 不是來取代你。它是來把那些重複又煩的活先扛走。

遠端和本機的差別，會影響團隊流程

這兩個 server 解的問題不同，所以導入方式也不同。遠端 server 比較像查詢入口，本機 server 比較像開發工具。這不是語意差異而已，是工作方式差很多。

如果你是分析師，你會在意的是速度、權限、答案準不準。你不想碰模型細節，只想快點拿到結果。遠端 server 就是這個用途。

如果你是模型作者，你會在意 source control、review、refactor、validation。你要的是可追蹤的變更，不是聊天機器人講得很像懂。這時候本機 server 才有價值。

• 遠端：query-first，部署簡單
• 本機：write-capable，偏開發流程
• 遠端傳輸：streamable HTTP
• 本機傳輸：stdio，設定更貼近本地環境

風險也不一樣。查詢工具可能把敏感資料問出來。編修工具則可能直接改壞模型。這兩種風險都真實存在，只是後者更容易留下爛攤子。

Microsoft 的安全建議也算老實。用 Entra ID，控好 token，必要時隔離網路，權限採 least privilege。它還提醒，某些 destructive actions 不一定會被所有 MCP client 擋下來。

這句話其實很刺耳，但很誠實。因為 MCP 再好用，也只是協定。真正決定安全的，還是權限設計和 client 行為。

跟其他 BI 工具比，差在哪裡

如果拿這次的 Power BI MCP servers 跟其他 BI 工具比，差異很明顯。很多工具都有自然語言查詢，但能直接碰 semantic model 的，沒那麼多。更少工具願意把寫入流程拆出來，讓 AI 進到模型開發。

Power BI 的優勢在於它本來就有完整的模型層。語意模型不是附屬品，而是核心。這讓 MCP server 不只是包一層聊天介面，而是真的接到資料結構。

你可以把它跟 Looker、Tableau、甚至一些內部 BI 平台比。很多平台會先做問答，再慢慢往模型管理走。Microsoft 這次是直接把兩條路分開，讓 agent 各做各的。

• Power BI：直接接 semantic model
• Looker：偏語意層查詢
• Tableau：偏視覺分析與探索
• MCP 的優勢：標準化工具接口

另一個差別是和開發流程的貼合度。Power BI Project files、TMDL、DAX 這些東西，本來就比較像工程產物。AI 進來之後，整個流程更接近軟體開發，而不是單純做報表。

這也是我覺得最有意思的地方。Power BI 一直想從報表工具往工程工具靠。MCP server 這次只是把這件事說得更明白而已。

這波對資料團隊的真正意義

如果你在做資料平台、BI、分析工程，這次更新可以先看成兩件事。第一，查詢變得更容易。第二，模型維護有機會被 AI 接手一部分。

前者會先普及。因為它風險低，導入也快。後者會慢一點。因為它牽涉權限、review、版本控制，還有團隊對 AI 的信任程度。

但方向很清楚。Microsoft 已經把 MCP 當成 Power BI 的正式整合層，而不是實驗性插件。這會讓 AI-assisted BI 更像工作流程的一部分，而不是聊天視窗裡的附加功能。

我猜短期內，最多人先用的是遠端 server。因為它最容易上手。真正會改變日常習慣的，反而是本機 server。它會讓模型作者開始把一些重工交給 agent。

如果你們團隊本來就有 TMDL、Git、PR review 這套流程，我會建議先試本機 server 的小範圍場景。像是批次改名、驗證 DAX、同步欄位描述。先從低風險任務開始，比一次把整個模型交出去安全得多。

下一步很簡單。先挑一個小模型，測一次遠端查詢，再試一次本機編修。你會很快知道，AI 在 Power BI 裡到底是助手，還是只是多一個會講話的介面。