Microsoft Fabric Update Juni 2026: SQL-Endpoint-Refresh und Semantic Model Agent API eingeführt

Zusammenfassung

Das Juni 2026 Update für Microsoft Fabric und Power BI bringt weitreichende Neuerungen für Datenarchitekten und KI-Entwickler. Im Zentrum stehen zwei technologische Entwicklungen: Die Einführung einer dedizierten „Refresh SQL Endpoint“-Aktivität in Data Factory beendet das unvorhersehbare Warten auf die Metadatensynchronisation zwischen Lakehouses und SQL-Endpunkten. Gleichzeitig werden semantische Modelle von Power BI dank der allgemeinen Verfügbarkeit von DAX User-Defined Functions (UDFs) und neuen Schnittstellen als standardisierte, reglementierte APIs für autonome KI-Agenten geöffnet.

Was ist passiert?

In den Ankündigungen zum Juni-Update von Microsoft Fabric wurden zwei Kernprobleme der modernen Datenanalyse adressiert:

Einführung von „Refresh SQL Endpoint“ (GA): Daten-Pipelines können nun den SQL-Analyse-Endpunkt eines Lakehouse explizit synchronisieren. Bisher erfolgte dieser Abgleich asynchron im Hintergrund, was Daten-Teams oft dazu zwang, künstliche Wartezeiten („Wait and Hope“) einzubauen. Der Datenabgleich wird nun über ein Service Level Objective (SLO) von 30 Sekunden für Delta-Log-Metadaten geregelt.
Semantische Modelle als Agent-APIs: Power BI-Modelle fungieren ab sofort als direkte Datenquellen und Logik-Engines für KI-Agenten (wie Microsoft 365 Copilot oder benutzerdefinierte Fabric-Anwendungen). Entwickler können über standardisierte Schnittstellen auf zertifizierte Kennzahlen (Measures) zugreifen.
DAX UDFs allgemein verfügbar (GA): Benutzerdefinierte Funktionen in DAX können jetzt typisiert, parametrisiert und wiederverwendet werden. Dies erhöht die Wartbarkeit und bietet KI-Agenten eine strukturierte mathematische Basis.
PBIR-Format als Standard: Das neue, quellcodefreundliche Power BI Report (PBIR) Format wird im Power BI Service standardmäßig aktiviert, was die Versionierung über Git und CI/CD-Pipelines erleichtert.

Warum es wichtig ist

Die Updates markieren den Übergang von der traditionellen Business Intelligence hin zur agentischen Datenanalyse. Für Entwickler und Unternehmen ergeben sich daraus drei wesentliche Konsequenzen:

Robuste Orchestrierung: Die Eliminierung von Wartezeiten in Datenpipelines erhöht die Verlässlichkeit von Echtzeit-Datenverarbeitungen.
KI-Verlässlichkeit (Trust & Governance): Indem KI-Agenten direkt auf das semantische Modell und seine zertifizierten Kennzahlen zugreifen, anstatt rohe SQL-Tabellen selbst zu aggregieren, sinkt das Risiko von Halluzinationen und Fehlkalkulationen drastisch.
Echtes Code-First BI: Die Kombination aus TMDL (Tabular Model Definition Language), PBIR und DAX UDFs macht BI-Projekte vollständig quellcodebasiert und vereinfacht die Zusammenarbeit in Teams durch Git-Integration.

Beweise

Climber BI Blog: Dokumentiert das Ende der „Wait and Hope“-Warteschritte durch die neue Pipeline-Aktivität und beschreibt die Funktionsweise der 30-Sekunden-Metadatensynchronisation.
Microsoft Fabric Updates Blog: Offizielle Dokumentation der neuen Data-Factory-Pipeline-Aktivitäten (inklusive „Refresh Materialized Lake View“ in Preview) und der neuen Systemprozedur sp_get_table_health_metrics zur Tabellenanalyse.
LinkedIn Masterclass / Microsoft Community: Entwicklerberichte über die nahtlose Einbindung von semantischen Modellen in Copilot und erste Erfahrungsberichte zur DAX UDF-Nutzung im Enterprise-Umfeld.

Analyse

Die Transformation von semantischen Modellen in Agenten-APIs verschiebt das Paradigma der Datenbereitstellung. Bislang waren BI-Modelle Endstationen für menschliche Betrachter (Dashboards). Nun werden sie zu einer maschinenlesbaren Wahrheitsebene („Single Source of Truth“ für KI). Ein kritischer Punkt bei dieser Architektur ist jedoch die Sicherheit: Das Verhalten von Object-Level Security (OLS) bei der Ausführung von DAX UDFs weist dokumentierte Lücken auf, da OLS-Beschränkungen nicht automatisch auf UDF-Ebene vererbt werden. Dies stellt ein Sicherheitsrisiko dar, wenn sensible Daten per API an externe Agenten übermittelt werden.

Praktische Erkenntnisse

Für Daten- und Analytics-Teams ergeben sich folgende konkrete Handlungsempfehlungen:

Pipeline-Wartezeiten entfernen: Ersetzen Sie in bestehenden Data Factory Pipelines alle provisorischen „Wait“-Aktivitäten durch die native „Refresh SQL Endpoint“-Aktivität direkt nach dem Lakehouse-Schreibprozess.
DAX UDFs etablieren: Nutzen Sie DAX UDFs zur Definition kritischer Kennzahlen. Dokumentieren Sie diese mit ///-Kommentaren, um sie für Entwickler und KI-Agenten gleichermaßen verständlich zu machen.
Sicherheitsaudits für OLS durchführen: Prüfen Sie vor der Freigabe semantischer Modelle für Copilot oder API-Agenten, ob Object-Level Security (OLS) und Row-Level Security (RLS) unter den genutzten UDF-Berechnungen korrekt greifen.
Auf PBIR-Format umstellen: Migrieren Sie Power BI-Berichte aktiv auf das neue PBIR-Format, um die Git-Sicherung und CI/CD-Prozesse zu optimieren.

Offene Fragen

Wie schnell wird Microsoft die OLS-Gaps bei DAX UDFs beheben, um uneingeschränkte Enterprise-Sicherheit zu garantieren?
Wann wird das PBIR-Format auch in Power BI Desktop standardmäßig ohne experimentelle Flags aktiviert?
Welche Performance-Auswirkungen haben hochfrequente API-Anfragen von autonomen Agenten auf die Kapazitätsgrenzen von Microsoft Fabric (F-SKUs)?