Đây là điều Microsoft vừa nói thẳng, và nhiều người làm data ở Việt Nam sẽ không thích nghe. Semantic model (mô hình ngữ nghĩa - lớp định nghĩa logic nghiệp vụ nằm giữa dữ liệu thô và người dùng) đáng lẽ phải càng vững hơn khi AI vào cuộc, chứ không phải được phép lỏng lẻo hơn.

Bối cảnh: tháng rồi team Power BI ra bài blog "Bringing Power BI Insights to Every Copilot User". Tóm gọn mấy ý chính:

→ Microsoft 365 Copilot giờ query (truy vấn) thẳng được data Power BI, bản Preview (thử nghiệm). Hỏi "doanh thu tuần rồi bao nhiêu" ngay trong Copilot Chat, khỏi đi tìm report. Điều kiện: phải có license M365 Copilot.

→ Copilot Cowork (Preview) làm việc nhiều bước: đọc report → tóm tắt phần thay đổi → soạn mail cho sếp → đặt lịch review. Tính phí pay-per-use (trả theo lượng dùng thực tế), không phải license cố định.

→ Power BI Standalone Copilot sẽ được gom về trải nghiệm M365 Copilot. Report Copilot trong Power BI vẫn giữ, vẫn được support.

→ Bộ Fabric IQ skills chạy đằng sau mấy trải nghiệm này được Microsoft open source trên GitHub - xem được, sửa được, đem về dùng được.

🔸Phần đáng đọc nhất không nằm ở feature

Microsoft viết đại ý: nếu chĩa một language model (mô hình ngôn ngữ) vô mấy cái bảng dữ liệu thô, nó vẫn trả ra câu trả lời "nhìn thì có vẻ đúng" mà thực chất sai. Cái làm cho câu trả lời đáng tin là logic nghiệp vụ nằm trong model: measures (công thức tính đã định nghĩa sẵn), relationships (quan hệ giữa các bảng), và định nghĩa nghiệp vụ của chính công ty.

Điều này không mới - chỉ là giờ đến từ chính Microsoft, người đang bán AI.

Semantic Layer trước. AI Agent sau.

Vì sao? Vì AI không tự nghĩ ra định nghĩa "doanh thu" cho một công ty được. Nó chỉ đọc lại cái định nghĩa mà ai đó đã dựng sẵn. Nếu cái đó chưa có, hoặc mỗi phòng ban hiểu một kiểu, Copilot không sửa giùm bạn đâu - nó chỉ nhân bản sự lộn xộn đó ra nhanh hơn, với giọng điệu tự tin hơn. Đây chính là khác biệt giữa một AI trả lời sai vì thiếu dữ liệu, với một AI trả lời sai vì dữ liệu đúng nhưng logic nghiệp vụ đằng sau chưa từng được ai định nghĩa rõ. Trường hợp thứ hai nguy hiểm hơn nhiều, vì câu trả lời vẫn đọc trơn tru như thật. Người đọc báo cáo khó phát hiện ra sự khác biệt đó ngay, vì cả hai loại sai đều được trình bày gọn gàng như nhau trên màn hình chat.

🔸Thực tế thường gặp ở nhiều doanh nghiệp Việt Nam

• Tên bảng, tên cột kiểu tbl_01, col_x, doanh_thu_moi_2, doanh_thu_moi_final

• Measure thì mỗi người tự viết một công thức riêng, trùng tên mà khác kết quả

• Không có data dictionary (từ điển dữ liệu -nơi ghi rõ chỉ số này tính ra sao, ai chịu trách nhiệm)

• Schema (cấu trúc bảng và quan hệ) đổi liên tục, không ai thông báo cho ai

  
  

Bật Copilot lên trong hoàn cảnh đó thì kết quả ra sao, chắc không khó đoán. Copilot không phân biệt được measure nào đúng, measure nào lỗi thời - nó chỉ chọn một cái để trả lời, và trả lời với đúng mức tự tin như khi nó đúng. Nói cách khác, mọi vấn đề đang âm thầm tồn tại trong model sẽ không còn âm thầm nữa - nó xuất hiện thành câu trả lời sai được đưa thẳng tới người ra quyết định, nhanh hơn nhiều so với trước khi có Copilot.

🔸Vậy giờ nên chuẩn bị gì

1️⃣ Đặt tên theo ngôn ngữ nghiệp vụ, đừng đặt theo ngôn ngữ kỹ thuật - để cả người lẫn AI đều đọc hiểu ngay tên bảng, tên cột đang nói về điều gì.

2️⃣ Measure định nghĩa một lần, dùng chung, có người sở hữu rõ ràng - tránh tình trạng mỗi phòng ban tự tính ra một con số "doanh thu" khác nhau.

3️⃣ Viết description cho bảng, cột, measure. Cái này hồi giờ ai cũng lười, giờ nó thành thứ AI đọc để hiểu business.

4️⃣ Star schema (mô hình ngôi sao - bảng giao dịch ở giữa, các bảng mô tả xung quanh) cho rõ ràng, bớt quan hệ lòng vòng.

5️⃣ Governance (quản trị dữ liệu: phân quyền, sensitivity label - nhãn phân loại độ nhạy cảm) làm trước khi mở rộng ra nhiều người dùng.

✨ Tóm lại

Nhìn lại thấy khá trớ trêu: nhiều năm nay câu hỏi quen thuộc vẫn là "học modeling chi nữa, AI làm hết rồi mà". Giờ chính Microsoft đặt cược rằng cái model do doanh nghiệp tự dựng là nền móng cho toàn bộ trải nghiệm AI của họ.

AI không xoá bỏ nền tảng. Nó phóng đại nền tảng đang có. Nền tốt thì phần tốt được khuếch đại. Nền yếu thì phần yếu cũng được khuếch đại y chang, mà còn nhanh hơn nhiều - vì tốc độ trả lời của Copilot không chờ ai kiểm tra lại logic phía sau trước khi hiển thị kết quả.

Thử tưởng tượng bật Copilot lên và hỏi model hiện tại "doanh thu tháng này bao nhiêu" - nó có trả lời đúng không?

Ai đang tính xây Agentic AI Analytics cho doanh nghiệp thì bước semantic layer này là bước không được phép bỏ qua. Chương trình Agentic AI Analytics của MDA cũng bắt đầu từ đây, chứ không nhảy thẳng vào agent. Tìm hiểu về chương trình bạn sẽ học được kiến thức thật sự nền tảng & ứng dụng thực tế cao, không chỉ kiến thức bề mặt!

-----

🔔+250.000 người đăng ký theo dõi chúng tôi trên các nền tảng: https://www.mastering-da.com/newsletter

📌Các chương trình ANALYTICS ứng dụng vào AGENTIC AI - phiên bản NÂNG CẤP mới nhất 2026, kế thừa nền tảng đào tạo Analytics hàng đầu Việt Nam từ 2020, tập trung vào tư duy phân tích, năng lực ra quyết định và ứng dụng AI trong thực tế doanh nghiệp

→ Agentic AI Analytics (BI) dành cho mọi phòng ban làm việc với dữ liệu: https://www.mastering-da.com/agentic-ai-anlytics-program

→ Finance Analytics Agent Skills (FA) dành cho tài chính, kế hoạch, quản trị, CFO: https://www.mastering-da.com/finance-analytics-agent-skills-program

Tại MDA nơi tập trung vào tư duy phân tích & năng lực ra quyết định, không chỉ công cụ.

#PhuongThaoAnalytics #AI #Analytics #DataDriven #AgenticAI #MasteringDataAnalytics

Until next time, keep turning data into decisions!