Geverifieerde antwoorden en AI-instructies

Wat zijn geverifieerde antwoorden en AI-instructies?

Vraag een assistent naar de omzet van vorig kwartaal en je krijgt binnen enkele seconden een cijfer. Of dat het cijfer is dat je boekhouding omzet noemt, hangt af van een paar dingen die niemand ooit heeft opgeschreven: welke measure meetelt, op welke datum dat kwartaal loopt, en of de creditnota's er al af zijn. Geverifieerde antwoorden en AI-instructies zijn de twee plekken waar je die dingen eindelijk wel vastlegt, op het model zelf, zodat de assistent antwoordt zoals jullie bedrijf het bedoelt en niet zoals het taalmodel het gokt.

Een geverifieerd antwoord is een vastgelegde vraag. Iemand kiest een vraag die mensen echt stellen, koppelt die aan een bepaalde visual of query, en vanaf dan geeft die vraag altijd datzelfde resultaat. In Power BI selecteer je een visual, voeg je de zinnen toe die het antwoord moeten oproepen, en wordt dat koppel bewaard op het semantisch model in plaats van op het rapport. Zo geldt het meteen in elk rapport op dat model, in het Copilot-paneel, in de losstaande chat en in elke Fabric data agent die het model gebruikt. Copilot legt elke vraag die binnenkomt eerst naast die triggerzinnen, en bij een match geeft hij het vastgelegde antwoord terug, met een vinkje en de zin waarop hij gematcht heeft.

AI-instructies zijn vrije tekst op datzelfde model. Je schrijft er uit wat jullie termen betekenen, welke tabel voorrang krijgt bij welk soort vraag, hoe een periode gelezen moet worden, en wat er moet gebeuren als een vraag dubbelzinnig is. Microsoft noemt dat veld AI instructions en beperkt het tot 10.000 tekens. Google heeft hetzelfde idee op een Looker Explore data agent, waar het veld instructions heet. In beide gevallen is het gewoon een tekstvak, en de assistent leest het voor hij een query bouwt.

Een geverifieerd antwoord is gegarandeerd, een instructie enkel waarschijnlijk

Een geverifieerd antwoord is exact. De query erachter is door een mens gebouwd en door een mens nagekeken, en wie de triggerzin raakt, krijgt die query en niets anders. De prijs is dat het niet meeschuift. Microsoft is er duidelijk over wat nog als match telt: synoniemen, een andere woordvolgorde en een extra filter in de vraag matchen wel, maar een veld toevoegen of weglaten, een dimensie omwisselen of de measure vervangen matcht niet. Staat je triggerzin op snowboardverkoop per maand, dan matcht snowboardverkoop doorheen de tijd en matcht skibroekverkoop per maand niet. Het geverifieerde antwoord houdt stand voor de vraag die je vastgelegd hebt en laat los bij de vraag ernaast.

Een instructie is precies de omgekeerde ruil. Ze werkt door op elke vraag die de term raakt die je gedefinieerd hebt, ook op de vragen die je nooit had zien aankomen. Wat ze niet doet, is iets garanderen. De formulering van Microsoft zelf is het waard om te herhalen, want ze is ongewoon recht voor de raap voor productdocumentatie: AI-instructies zijn ongestructureerde begeleiding die het taalmodel interpreteert, en er is geen garantie dat het ze exact volgt. Schrijf een instructie dat omzet altijd netto na creditnota's betekent en ze wordt meestal gevolgd, niet altijd.

Daar volgen nog drie verschillen uit, en samen bepalen ze in welke laag een probleem thuishoort.

• Bereik. Een geverifieerd antwoord dekt één vraag en haar directe herformuleringen. Een instructie dekt elke vraag die op de term botst die je gedefinieerd hebt.

• Wat het breekt. Een geverifieerd antwoord breekt op een hernoeming, op een verborgen veld, of op een vraag die er een dimensie bij zet. Een instructie breekt wanneer een tweede instructie ertegenin gaat.

• Wat de lezer ziet. Een geverifieerd antwoord komt binnen met een vinkje en de zin waarop het gematcht heeft. Een instructie is onzichtbaar voor de mensen die vragen stellen.

Het zijn dus geen alternatieven, het zijn lagen. Instructies dragen de woordenschat en de standaardkeuzes over het hele model. Geverifieerde antwoorden dekken de twintig vragen die elke week terugkomen en elke keer identiek moeten zijn.

Eén dubbelzinnige vraag, allebei de mechanismen toegepast

Neem een groothandel met vijftig mensen. Iemand typt: hoeveel hebben we vorige maand verkocht?

In die zin zitten vier beslissingen verstopt. Verkocht kan besteld, geleverd of gefactureerd betekenen. Vorige maand kan de kalendermaand zijn of de laatste dertig dagen. Het totaal kan bruto zijn, of netto na creditnota's en kortingen. En het model heeft drie datumkolommen die alle drie de periode kunnen dragen: besteldatum, leverdatum en factuurdatum. Een assistent zonder begeleiding kiest één combinatie uit de tientallen die mogelijk zijn, en het cijfer dat eruit komt oogt even overtuigend als het juiste.

Zo ziet de versie met een geverifieerd antwoord eruit. Je neemt de visual waar de boekhouding al op vertrouwt, het staafdiagram per maand op de measure Netto-omzet over factuurdatum, en je legt die vast. Triggerzinnen: hoeveel hebben we vorige maand verkocht, omzet vorige maand, wat was onze omzet vorige maand, maandelijkse omzet, verkoop per maand. Wie één van die zinnen typt, of iets dat er dicht genoeg bij komt, krijgt die grafiek met een vinkje erbij. Vraag je naar één regio, dan houdt het antwoord stand, want een regiofilter dat je als beschikbaar voor gebruikers hebt ingesteld, kan vanuit de vraag zelf toegepast worden. Vraag je hoeveel hebben we vorige maand verkocht per vertegenwoordiger, dan laat het geverifieerde antwoord los, want dat voegt een dimensie toe die de vastgelegde visual niet heeft. Je zit weer bij een gegenereerd antwoord.

Nu de versie met instructies. In de AI-instructies op het model schrijf je:

• Omzet, verkoop en opbrengst verwijzen allemaal naar de measure Netto-omzet, dat is de gefactureerde omzet na creditnota's en kortingen.

• Gebruik de factuurdatum voor alle omzetvragen. Gebruik de besteldatum alleen als de vraag over bestellingen gaat, en de leverdatum alleen als ze over leveringen gaat.

• Vorige maand is de vorige volledige kalendermaand, geen rollende dertig dagen. Ons boekjaar begint in januari.

Dat dekt de oorspronkelijke vraag, en meteen ook omzet per klant vorig kwartaal, welke productgroep is dit jaar het hardst gegroeid en elke andere vraag die op dezelfde drie beslissingen botst. Het kost je drie zinnen in plaats van een gebouwde en nagekeken visual. Wat je inlevert is de garantie. Op de dag dat het model die zinnen net iets anders leest, staat er niets op het scherm dat de lezer waarschuwt.

Het meeste hiervan is datawerk, geen AI-werk

Bijna niets hiervan gaat over het taalmodel, en daarom komt het bij een datateam terecht. Het is de modelleerdiscipline die je sowieso al moest hebben. Wat verandert, is het publiek. Tot nu toe was een rommelig model een probleem tussen jou en de analist die er omheen werkte. Een assistent leest dat model voor aan het hele bedrijf, dus elke bocht die je ooit hebt afgesneden komt terug als een fout antwoord bij een collega die het niet kan nakijken.

Noem de dingen zoals mensen ze noemen. De gegenereerde query wordt gebouwd op je objectnamen. TR_AMT en DIM_GEO_01 zeggen het model niets, Totale omzet en Verkoopregio zeggen alles. In de richtlijn van Microsoft voor Fabric data agents staat nietszeggende naamgeving bij de dingen die het vaakst mislopen, samen met dubbele measures die allemaal naar verkoop klinken.

Haal de kolommen die niet voor gebruikers bedoeld zijn uit het zicht. Sleutelkolommen, hulpkolommen voor sorteervolgorde, tussenmeasures die er alleen staan om een visual zich netjes te laten gedragen. Met een AI data schema geef je de assistent een deelverzameling van het model, en dat versmallen is de eerste stap die Microsoft aanraadt. Het voorbeeld van Microsoft is een model waar Total Revenue, Gross Sales, Net Sales en Sales After Returns naast elkaar staan: de assistent kiest Gross Sales, het team bedoelt Net Sales, en de andere drie uit het schema halen lost het op zonder één instructie te schrijven.

Beslis welke datum de periode draagt. Eén datumtabel, gekoppeld aan de feiten, met de kalender die het bedrijf echt gebruikt. Heeft een feitentabel meerdere datums, dan zegt een instructie welke de standaard is. Onduidelijke datumvelden staan om precies die reden in de lijst van Microsoft met dingen die het vaakst mislopen.

Leg de synoniemen vast. Jullie zeggen verkoop, het model zegt omzet. Iemand zegt closers, het model zegt verkopers. Synoniemen op het object dekken de gevallen die één op één zijn. Een instructie dekt de gevallen met een voorwaarde eraan vast, zoals een topverkoper die pas telt vanaf 100 procent van zijn doel.

Niets daarvan is prompten. Het is een data catalog-oefening op één model, en wie het werk voor AI-ready data al gedaan heeft, heeft het grootste deel binnen.

Wie is eigenaar van een geverifieerd antwoord?

Een geverifieerd antwoord is een belofte met een vinkje ernaast, en daardoor het enige onderdeel hiervan dat luid kan mislukken. Er lopen twee dingen mis, en allebei doen ze dat in stilte.

De visual en het geverifieerde antwoord groeien uit elkaar. In Power BI kopieert het geverifieerde antwoord de visual op het moment van instellen en leidt het daarna zijn eigen leven op het model. Pas je de visual in het rapport aan, of gooi je hem weg, dan blijft het geverifieerde antwoord teruggeven wat het toen vastgelegd heeft. Microsoft schrijft het met zoveel woorden: de visuals van geverifieerde antwoorden zijn niet gesynchroniseerd met of gekoppeld aan de visuals op de rapportpagina. Twee mensen op hetzelfde model kunnen zo bij twee verschillende grafieken uitkomen, één uit het rapport en één uit de chat.

Een hernoeming breekt het in stilte. Hernoem je een tabel, kolom of measure waar een geverifieerd antwoord naar verwijst, dan moet je dat antwoord opnieuw openen en bewaren voor de wijziging effect heeft. Verberg je een veld dat het gebruikt, dan komt het geverifieerde antwoord helemaal niet meer terug. Copilot zegt de gebruiker niet dat er niets gematcht heeft. Hij genereert gewoon een nieuw antwoord, zonder vinkje, en de meeste lezers merken niet welk van de twee ze gekregen hebben.

Elk geverifieerd antwoord heeft dus een eigenaar met naam nodig, en elke wijziging aan het model vraagt een ronde langs de antwoorden die eraan hangen. Het onderhoud bepaalt of dit een jaar aan modelwijzigingen overleeft. Een geverifieerd antwoord zonder eigenaar wordt een zelfverzekerd fout antwoord met een groen vinkje erop.

Hoe weet je of het werkt?

Aan de demo zie je het niet. Schrijf dertig tot vijftig echte vragen op in de woorden die je collega's gebruiken, zet het juiste antwoord ernaast, en laat de lijst lopen. Laat ze opnieuw lopen na elke modelwijziging, elke schemawijziging en elke reeks nieuwe instructies. Geef er een score aan, en leg de lat op wat je van een nieuwe analist in zijn tweede maand zou verwachten.

Dat is een eval-set onder een andere naam, en de leveranciers beginnen er gereedschap voor te leveren. Fabric heeft een Python-SDK voor data agents die automatische evaluaties draait tegen vraag-en-antwoordparen waarvan het juiste antwoord vastligt, en die de score terugrapporteert.

Waar moet je op letten bij geverifieerde antwoorden en AI-instructies

Een groot deel hiervan zit nog in preview. In september 2026 is Prep data for AI in Power BI, waar AI data schemas, geverifieerde antwoorden en AI-instructies allemaal onder vallen, een preview-functie, net als een model markeren als Approved for Copilot. Bij Google zijn de Looker Explore data agents met hun instructies en verified queries algemeen beschikbaar, terwijl de dashboard data agents in preview zitten. Eén afhankelijkheid zet je best in je agenda: Power BI Q&A moet aanstaan voor je de tabbladen van Prep data for AI kan aanklikken, en Microsoft heeft aangekondigd dat Q&A in december 2026 verdwijnt, met een vervangende instelling erna.

Een term kan maar één betekenis hebben per model. Microsoft zegt uitdrukkelijk dat je hetzelfde woord geen twee definities kan geven voor twee doelgroepen. Als engineering met gebruik het aantal kliks bedoelt en product de betalende klanten, moet er één inbinden, of heb je twee modellen nodig. Dat is een governance-gesprek, geen instelling die je aanvinkt.