Tämä ei ole klikkiotsikko. Se on Microsoftin oma varoitus Power BI Copilotin dokumentaatiossa:
"Inaccuracy can occur because semantic models have missing values, and since AI is generating the summary, it can try to fill the holes and fabricate data."
— Microsoft Power BI Copilot -dokumentaatio, 2026
Copilot ei valehtele tarkoituksella. Se tekee parhaansa puutteellisella datalla — ja paras arvaus voi olla väärä luku esitettynä varmuudella. MIT:n tammikuussa 2025 julkaiseman tutkimuksen mukaan tekoälymallit käyttävät todennäköisimmin varmaa kieltä ("ehdottomasti", "varmasti") juuri silloin kun ne ovat väärässä.
Johto lukee Copilotin tuottaman yhteenvedon ja tekee päätöksiä sen perusteella. Luku on väärä. Kukaan ei tiedä.
Perinteisessä BI:ssä huono data tuottaa väärän luvun — ja se näkyy. Raportti näyttää tyhjää, nolla tai selvästi virheellisen arvon. Virhe on havaittavissa.
Tekoälyn kanssa tilanne on eri. Copilot ei näytä tyhjää — se täyttää aukon plausiibelilla arvauksella ja esittää sen samalla varmuudella kuin oikean luvun. Virhe ei näy pinnalta. Se vaatii validointia.
Vanha BI-virhe: raportti näyttää tyhjää. Uusi AI-virhe: raportti näyttää väärän luvun — uskottavasti.
Jotta tekoäly — Copilot tai muu — toimii luotettavasti, datamallin täytyy täyttää tietyt perusvaatimukset. Nämä eivät ole tekoälyyn liittyviä vaatimuksia — ne ovat hyvän BI-rakentamisen perusteita joita olisi pitänyt noudattaa muutenkin.
Copilot lukee mittarien nimet ja kuvaukset. "Myynti_2" ja "Myynti_uusi" ovat sama asia ihmiselle — tekoälylle ne ovat kaksi eri mittaria. Nimeä selkeästi ja kirjoita kuvaus jokaiselle mittarille.
Tekoäly ei tiedä mistä data tulee tai onko se luotettavaa. Se luottaa siihen mitä sille annetaan. Validoi data ennen malliin viemistä — ei jälkeen.
Monimutkaiset kiertotiet ja "tämä toimii mutta en tiedä miksi" -ratkaisut hajoavat tekoälyn kanssa. Puhtaaseen malliin tekoäly osaa luottaa — sotkuiseen ei.
Power BI Copilot kunnioittaa Purview sensitivity labeleita — Restricted-tason data on estetty Copilotilta. Tämä on turvallisuusmääritys jonka pitää olla kunnossa ennen käyttöönottoa.
Copilot ei ole syy rakentaa kunnollinen datamalli — kunnollinen datamalli on syy ottaa Copilot käyttöön. Järjestys on tärkeä.
Jos Power BI on rakennettu kiireessä, scopea on laajennettu ilman suunnittelua, tai mittarien nimeäminen on epäjohdonmukaista — Copilot tuottaa epäluotettavia tuloksia. Parempi rakentaa pohja ensin.
EY:n 2025 tutkimuksessa 41% yrityksistä joilla oli AI-toteutusongelmia mainitsi datan laadun suurimpana ongelmana. Tekoäly ei ratkaise datan laatu-ongelmaa — se pahentaa sitä kun virheet muuttuvat näkymättömiksi.
490€ katsastuksessa arvioin mallin laadun ja kerron mitä pitää korjata ennen kuin tekoälytyökalut otetaan käyttöön luotettavasti.
WhatsApp — jutellaan