Hoe AI Power BI-ontwikkeling versnelt (en waarom het om meer gaat dan tijdwinst)

Waarom Power BI-ontwikkeling een lange, bochtige weg is

De traditionele oplevercyclus van Power BI ziet er vertrouwd uit:

1. Verkenning en vereisten verzamelen

2. Datamodellering

3. Visueel ontwerp

4. Een eerste oplevering

5. Feedbackrondes en aanpassingen

6. Goedkeuring

Bij een rapport van gemiddelde complexiteit, bijvoorbeeld drie of vier pagina's, vijf tot acht KPI's en twee databronnen, duurt die cyclus vier tot zes weken in onze ervaring. Soms langer, als betrokkenen moeilijk op één lijn komen of de briefing blijft veranderen.

Als u het opsplitst, stapelt de tijd zich op in verschillende kleine stappen:

• Mondelinge vereisten vertalen naar een datamodel

• Het eerste visuele ontwerp bouwen

• Wachten op feedback en het ontwerp daarna aanpassen

Elke heen-en-weerronde tussen consultant en betrokkene kost dagen. En omdat het eerste ontwerp meestal te ruw is om zinvol op te reageren, gaat minstens één volledige ronde naar ‘goed genoeg om te bespreken’ in plaats van ‘goed genoeg om te gebruiken’.

Met een nieuwe generatie BI-tools verandert AI twee van die fasen, met een versterkend effect.

Wat AI in de workflow verandert

1. De vertaalslag kost minder tijd

In deze fase vertalen we een zakelijke briefing, zoals ‘Ik wil de omzet per regio zien, vergeleken met vorig jaar, met een markering voor onderpresterende gebieden’, naar DAX-measures en een eerste visuele indeling. We vertrekken daarbij van een bestaand datamodel.

Vroeger kostte dat een dag, soms twee, afhankelijk van de complexiteit van de data.

Met AI-ondersteuning, meer bepaald Claude Code, duurt die stap nu enkele uren. Het resultaat is niet perfect, maar wel goed genoeg om meteen op te reageren. Dat is belangrijker dan het klinkt. Als een betrokkene binnen een dag na de briefing iets op het scherm ziet in plaats van na een week, is de feedback anders: specifieker en eerlijker, omdat die persoon op iets concreets reageert in plaats van zich iets te moeten voorstellen op basis van een geschreven specificatie.

2. Aanpassingen gaan veel sneller

Zodra het eerste ontwerp er is, duurt elke aanpassingsronde, zoals een measure bijwerken, een visual wijzigen of een filter toevoegen, geen halve dag meer maar eerder een uur.

Let wel: de consultant blijft het beoordelingswerk doen, zoals nagaan of een wijziging zinvol is, controleren of de DAX klopt en zorgen dat het rapport een samenhangend verhaal vertelt. Maar het uitvoerende productiewerk neemt sterk af.

Het probleem van ‘dat bedoelde ik niet’

Wie al meer dan een handvol BI-projecten heeft opgeleverd, kent het patroon:

1. De klant keurt de scope goed.

2. Het team bouwt wat is afgesproken.

3. Het resultaat wordt opgeleverd.

4. En dan: ‘Dit is niet helemaal wat ik in gedachten had.’

We weten dat niemand hier oneerlijk is. Het gaat om het verschil tussen wat mensen kunnen verwoorden vóór ze iets zien en wat ze werkelijk willen. Een zakelijke gebruiker die zegt ‘Ik wil een omzetdashboard’, weet vaak niet hoe dat eruit moet zien:

• Een staafdiagram of een lijngrafiek

• Cijfers per dag of per maand

• Een regionale uitsplitsing per land of per verkoopgebied…

tot die de verkeerde versie ziet.

Als een oplevercyclus vier weken duurt, komt dat inzicht laat en kost het veel. Duurt die drie dagen, dan komt het vroeg en kost het bijna niets: de persoon ziet de verkeerde versie, zegt ‘Eigenlijk bedoelde ik X’, u past het in een namiddag aan en blijft binnen budget. Hetzelfde gesprek vier weken na de projectstart betekent een scopewijziging, een langere doorlooptijd… en spanning in de relatie.

Hier wordt de tijdwinst iets waardevollers dan uitgespaarde uren. Ze verandert de samenwerking:

• Betrokkenen geven eerlijkere feedback omdat ze niet bang zijn dure consultanttijd te verspillen met ‘domme’ opmerkingen.

• Consultants kunnen ruwer werk vroeger tonen, waardoor problemen sneller aan het licht komen.

• De oplevering wordt iteratief op een manier die traditionele projectplanningen gewoon niet toelaten.

Zo lijkt AI-ondersteunde dashboardontwikkeling voor Power BI op alle vlakken winst op te leveren. Maar zoals overal in leven en werk lost AI niet alles op.

Wat AI niet oplost

1. De datalaag moet nog altijd kloppen

AI genereert in seconden een DAX-measure, maar als het onderliggende model inconsistenties bevat, is die measure consequent fout. Een rapport met omzetcijfers die niet aansluiten bij de spreadsheets van het financiële team, wordt niet betrouwbaar omdat het sneller is gebouwd. Snelheid versterkt wat er al is, goed of slecht.

Daarom moet het datamodel eerst komen. Het zit niet in de bovenstaande ramingen. De doorlooptijd van drie dagen begint pas wanneer er al een getest en gevalideerd sterschema is:

• Relaties tussen tabellen bevestigd

• Bedrijfslogica vastgelegd

• Waarden gecontroleerd tegenover de verwachtingen van het bedrijf

Die stap moet afgerond zijn voordat de snelheidswinst mogelijk wordt.

Een sterschema bouwen is ander werk dan measures en rapporten maken. De benodigde tijd hangt rechtstreeks af van de bestaande data-infrastructuur: schone, consistente bronsystemen versnellen het werk, terwijl versnipperde of slecht gedocumenteerde data het veel trager en minder voorspelbaar maken. Onze ervaring is dat het datamodel bij de projectstart zelden optimaal is. Een eerlijke raming mag dat niet negeren.

Zodra het model goed zit, gaat de rest snel. Dat punt bereiken is het moeilijkere en minder voorspelbare deel van het werk. Het verdient een eerlijke beoordeling vóór u een opleverplanning maakt.

2. Betrokkenen op één lijn brengen blijft mensenwerk

AI kan een visual ontwerpen, maar beoordelen of die het juiste verhaal voor het juiste publiek vertelt, is een echte adviesvaardigheid. De belangrijke vragen hebben geen antwoord dat u zomaar met een prompt krijgt:

• Welke beslissing ondersteunt dit dashboard?

• Wie gebruikt het en hoe?

• Wat zou iemand op basis van dit cijfer tot actie aanzetten?

Ook de eerste briefing moet nog altijd bruikbaar zijn. Als de klant niet kan verwoorden welk probleem die probeert op te lossen, levert AI-ondersteunde ontwikkeling het verkeerde rapport op… drie keer sneller.

De rol van de consultant verschuift

Een vraag die we in verschillende vormen krijgen: als AI sneller dashboards kan bouwen, zijn er dan minder consultants nodig?

Het eerlijke antwoord is dat het werk verandert, niet verdwijnt. Het uitvoerende werk neemt af: vereisten omzetten in code, eerste indelingen genereren, aanpassingsrondes doorlopen…

Daartegenover staat dat het werk toeneemt dat altijd al moeilijker en waardevoller was:

• De juiste vraag formuleren

• Nagaan of de data vertellen wat het bedrijf denkt dat ze vertellen

• Betrokkenen begeleiden bij een tool die ze nog nooit hebben gebruikt

• Zorgen dat het dashboard echt wordt gebruikt in plaats van één keer geopend en daarna vergeten

Onze ervaring is dat klanten die sneller dashboards krijgen, er meer vragen: als opleveren eenvoudiger wordt, groeit de behoefte aan inzicht. De adviesrelatie wordt daardoor meer doorlopend en minder transactioneel.

Hoe AI-ondersteunde Power BI-ontwikkeling er in de praktijk uitziet

Neem een operationeel team dat zicht nodig heeft op doorvoer, kosten en vertragingen in drie bedrijfseenheden. Om hun nieuwe rapporten te bouwen, ziet de workflow er nu ongeveer zo uit:

Let op: De onderstaande planning vertrekt van één aanname: het datamodel met sterschema is al correct en gevalideerd. Zo niet, dan komt dat werk eerst. De duur daarvan verschilt te sterk per project om er een cijfer op te plakken.

1. Dag één: een verkennende sessie van twee uur. We vertrekken met een heldere briefing en toegang tot de databronnen.

2. Dag twee: het eerste ontwerp wordt opgeleverd. Drie tot vier rapportpagina's, de belangrijkste measures gebouwd en een visuele indeling waarop de klant kan reageren. Vroeger kostte dit een week.

3. Dag drie of vier: feedbacksessie. De klant bekijkt het ontwerp en reageert. We passen het tijdens de sessie of nog diezelfde dag aan.

4. Einde van week één: een rapport dat de klant als het zijne herkent, opgebouwd rond de eigen taal en beslissingen, klaar voor interne beoordeling.

De tweede week, vroeger een tweede aanpassingsronde, gaat nu naar documentatie, opleiding en afspraken voor het beheer, zodat het rapport correct blijft wanneer de data veranderen. In die verschuiving van aanpassen naar daadwerkelijk gebruik zit de echte waarde.

Een praktische opmerking over tools

De AI-ondersteuning waarop we in deze workflow het meest steunen, is Claude Code, om datamodellering en het genereren van DAX te versnellen. Power BI Copilot neemt een deel van het visuele ontwerp en de aanpassingen binnen rapporten voor zijn rekening. Beide werken op een ander niveau: Claude Code bij de ontwikkeling, Copilot bij de eindgebruiker.

Geen van beide vervangt het data-engineeringwerk dat vooraf nodig is: schone, beheerde data in een betrouwbare bron. Geen van beide vervangt evenmin het gesprek met de betrokkene dat de uitkomst betekenis geeft. Ze verkleinen de afstand tussen die twee.

Overweegt u AI-ondersteunde BI-ontwikkeling voor uw organisatie? Dan is een gesprek over uw huidige oplevercyclus en waar de tijd werkelijk naartoe gaat meestal het nuttigste vertrekpunt.

Neem contact op