FABCON Europe 2026: Data, tekoäly ja liiketoiminta yhdistyvät

FABCON Europe 2026 kokosi Barcelonaan data-alan ammattilaisia, Microsoftin tuotejohtajia, kumppaneita ja yhteisön asiantuntijoita keskustelemaan datan, analytiikan ja tekoälyn tulevaisuudesta.
Microsoft Partner Dayn keskusteluissa ja tapahtuman teknisissä sessioissa käsiteltiin muun muassa reaaliaikaista analytiikkaa, semanttisia malleja ja AI-agentteja. Kaiken keskeltä nousi kuitenkin esiin yksi yhteinen teema: datan ja tekoälyn ekosysteemi kehittyy yhä yhtenäisemmäksi, ja liiketoimintakontekstin ymmärtäminen on tärkeämpää kuin koskaan.

Microsoft Partner Day: Asiakasarvo ja konsultoinnin tulevaisuus

Viikko alkoi Microsoft Partner Daylla, jossa teknologian lisäksi keskityttiin asiakkaiden haasteisiin, liiketoimintahyötyihin ja Microsoft-kumppaneiden muuttuvaan rooliin.

Partner Dayn aikana meillä oli mahdollisuus keskustella Arun Ulag, Microsoftin Azure Datasta vastaavan Executive Vice Presidentin, kanssa konsultoinnin tulevaisuudesta maailmassa, jossa AI-agenttien rooli kasvaa.

Keskustelut herättivät pohtimaan erityisesti sitä, miten tekoäly ja automaatio muuttavat teknologiaratkaisujen toteuttamista. Kun toteutus tehostuu, konsulteilla on entistä paremmat mahdollisuudet tuottaa asiakkaille lisäarvoa liiketoimintaymmärryksen, arkkitehtuurisuunnittelun sekä sen tunnistamisen kautta, missä teknologia voi tuottaa todellista hyötyä.

Data engineereille ja arkkitehdeille tämä korostaa tarvetta osallistua asiakaskeskusteluihin jo varhaisessa vaiheessa. Onnistunut toteutus alkaa jo ennen varsinaista kehitystyötä: ongelman ymmärtämisestä, oikean lähestymistavan määrittelystä sekä liiketoiminnan ja teknologian näkökulmien yhdistämisestä.

Yhdistetystä datasta kohti kokonaisvaltaista liiketoimintaymmärrystä

Konferenssissa esitellyt uudistukset antoivat konkreettisen kuvan siitä, mihin suuntaan Microsoftin Data + AI -ekosysteemi on kehittymässä.

Arung Ulag nosti FABCON keynote yhteenvedossaan, esiin, kuinka tärkeää on yhdistää organisaation data ja liiketoimintakonteksti Microsoft Copilotin ja AI-agenttien käyttöön.

Yksi merkittävistä uudistuksista oli Fabric IQ tuleminen yleisesti saataville Microsoft Copilot Chatissa ja Coworkissa. Tämä mahdollistaa liiketoimintaan liittyvien kysymysten esittämisen luotettaviin Power BI semanttisiin malleihin ja raportteihin perustuen.

Samalla Fabric IQ Ontologyyn ja Semantic Viewsiin liittyvät kehitysaskeleet mahdollistavat liiketoiminnan määritelmien, suhteiden ja mittareiden entistä laajemman uudelleenkäytön analytiikassa, sovelluksissa ja tekoälyssä.

Ajatellaan esimerkiksi tilannetta, jossa yritys kysyy AI-agentilta, miksi tietty asiakastilaus on myöhässä. Pelkkä tilaustietojen saatavuus ei vielä riitä. Jotta vastaus olisi hyödyllinen, agentin täytyy ymmärtää, miten tilaukset liittyvät asiakkaisiin, varastotilanteeseen, toimituksiin ja liiketoimintasääntöihin..

Juuri tässä semanttisten mallien ja ontologioiden merkitys korostuu: ne yhdistävät datan sen kuvaamiin liiketoiminnan käsitteisiin.

Datakehityksestä ja analytiikasta entistä helpommin lähestyttävää

Toinen kiinnostava kehityssuunta oli tekoälyavusteisen kehitystyön kasvava rooli.

Project Osmos ja sen agenttipohjaiset datakehitysominaisuudet sekä Fabric Appsiin liittyvät uudistukset osoittivat, kuinka tekoälystä on tulossa osa dataputkien, analytiikan ja liiketoimintasovellusten rakentamista.

Kuten Bodgan Crivat nosti esiin FABCON analytiikkauudistus yhteenvedossaan, kehitys ulottuu myös GPU-kiihdytettyihin tietovarastokyselyihin, avoimempiin semanttisiin määritelmiin ja hallitun analytiikan tuomiseen osaksi päivittäisiä työnkulkuja.

Myös muut julkistukset, kuten OneLake IQ Sharing, Fabricin observability-ominaisuudet ja reaaliaikaisen analytiikan parannukset, vahvistivat kehityssuuntaa kohti entistä yhtenäisempää ekosysteemiä.

Kasvava Fabric-yhteisö, mukaan lukien Microsoft MVP ja riippumattomat asiantuntijat, toi keskusteluihin myös arvokkaita käytännön näkökulmia teknologian käyttöönottoon, datan hallintaan ja arkkitehtuurivalintoihin.

Nämä innovaatiot voivat vähentää ratkaisujen rakentamiseen tarvittavaa työtä, mutta samalla ne korostavat entisestään laadukkaan dataperustan, hyvän datan hallinnan ja oikeiden arkkitehtuuripäätösten merkitystä.

Mitä tämä tarkoittaa asiakkaille ja konsulteille?

Organisaatioille mahdollisuudet ulottuvat yksittäisten Fabric-ominaisuuksien käyttöönottoa pidemmälle. Kyse on olemassa olevien datainvestointien, liiketoimintatiedon ja tekoälyn yhdistämisestä todellisten ongelmien ratkaisemiseksi.

Konsulteille tämä tarkoittaa yksittäisiä teknologioita laajempaa näkökulmaa ja asiakkaan dataympäristön tarkastelua kokonaisuutena.

Yhä tärkeämmäksi nousevat kysymykset kuten:

  • Mitä liiketoimintaongelmaa olemme ratkaisemassa?
  • Miten liiketoiminnan käsitteet liittyvät toisiinsa?
  • Voidaanko samoja luotettavia määritelmiä hyödyntää raportoinnissa, sovelluksissa ja AI-agenteissa?

Data-ammattilaisten rooli ei ole muuttumassa vähemmän tekniseksi. Sen sijaan rooli laajenee yhdistämään teknisen osaamisen, semanttisen arkkitehtuurin, liiketoimintaymmärryksen ja arvonluonnin.

Katse tulevaisuuteen

FABCON Europe 2026 esitteli runsaasti uusia ominaisuuksia, mutta tapahtuman tärkein oppi ei liittynyt mihinkään yksittäiseen julkistukseen.

Datakehityksen, analytiikan, tekoälyn ja liiketoimintasovellusten väliset rajat hämärtyvät jatkuvasti. Kun nämä osa-alueet yhdistyvät entistä tiiviimmin, organisaatioille avautuu uusia mahdollisuuksia hyödyntää dataansa tehokkaammin ja muuttaa se konkreettiseksi liiketoimintahyödyksi.

Meille Etlialla tämä vahvistaa entisestään ajatusta siitä, kuinka tärkeää on yhdistää vahva tekninen asiantuntemus asiakkaiden liiketoiminnan syvälliseen ymmärtämiseen. Haluamme auttaa asiakkaitamme navigoimaan kehittyvien teknologioiden keskellä, tekemään perusteltuja arkkitehtuurivalintoja ja keskittymään ratkaisuihin, jotka tuottavat kestävää arvoa.

Kun teknologiaratkaisujen toteuttaminen helpottuu, todellinen erottautumistekijä on ymmärrys siitä, mitä kannattaa rakentaa, miten data kytkeytyy yhteen ja missä arvo syntyy. Kaikki lähtee liiketoiminnan ymmärtämisestä.

Miten organisaationne voisi hyödyntää Microsoft Fabricin ja tekoälyn uusia mahdollisuuksia? Olipa kyse nykyisen data-arkkitehtuurin kehittämisestä, Microsoft Fabricin käyttöönotosta tai tekoälyn hyödyntämisestä, autamme mielellämme löytämään liiketoimintaanne parhaiten sopivat ratkaisut. Ota yhteyttä, niin keskustellaan lisää!

– Raaju Srinivasa Raghavan, Partner & Senior Cloud Consultant / Data Engineer

Snowflake World Tour 2026: AI-agentit muuttavat datan hyödyntämistä – mutta laadukas data ratkaisee edelleen

Snowflake World Tour 2026 järjestettiin jälleen Tukholmassa. Tällä kertaa tapahtuma kokosi paikalle yli 2000 osallistujaa kuulemaan Snowflaken uusimmista kehitysaskelista datan ja AI:n ympärillä. Ohjelmassa oli yli 30 sessiota ja 67 puhujaa 11 eri toimialalta, puheenvuorot käsittelivät niin teknisiä ratkaisuja, asiakastarinoita kuin Snowflaken uusimpia ominaisuuksiakin. Päivän agenda oli mahdollista rakentaa omien kiinnostuksen kohteiden ympärille, ja omissa valinnoissani korostuivat erityisesti Snowflaken AI-ominaisuudet, datan hallinta ja kustannusten seuranta sekä data engineeringin kehittyminen tekoälyn myötä.

Tapahtuman perusteella kehityksen suunta on selvä: yksittäisistä AI-ominaisuuksista ollaan siirtymässä kohti agentteja ja agentic enterprise -ajattelua. AI ei pelkästään vastaa kysymyksiin vaan pystyy hyödyntämään yrityksen dataa, sovelluksia ja liiketoimintakontekstia tehtävien suorittamiseen.

Samalla yksi asia korostui lähes kaikessa: mitä enemmän vastuuta AI:lle annetaan, sitä tärkeämmiksi nousevat luotettava data, governance ja kustannusten hallinta.

Snowflake World Tour 2026 Keynote – kohti Agentic Enterprisea 

Keynotessa Snowflaken viesti rakentui vahvasti Agentic Enterprise -ajattelun ympärille. AI-agenttien hyödyntäminen ei kuitenkaan onnistu vain ottamalla käyttöön uusi AI-palvelu, vaan niiden taustalla tarvitaan luotettava data, liiketoimintakonteksti, hallinta ja integraatiot yrityksen muihin järjestelmiin.

Snowflaken agenttipohjainen ympäristö rakentuu kolmesta keskeisestä kokonaisuudesta:

  • yrityksen datasta ja kontekstista,
  • käytettävistä AI-malleista
  • sekä ohjelmistoista ja sovelluksista.

Näitä hallinnoi agenttien hallintakerros, jonka tehtävänä on yhdistää kokonaisuus hallitusti.

Tähän liittyen esiin nostettiin esimerkiksi Snowflake CoWork, joka tuo AI-agentit osaksi työntekijän päivittäistä työskentelyä, sekä enemmän kehittäjille suunnattu Snowflake CoCo, jonka tavoitteena on nopeuttaa Snowflake pohjaisten ohjelmistojen- ja dataratkaisujen kehittämistä AI-avusteisesti.

Samalla korostettiin, että tärkeässä roolissa ovat yrityksen oma data, sen liiketoimintakonteksti sekä hallintamalli, jonka avulla agenttien toimintaa voidaan kontrolloida.

Yksittäisenä erillisenä nostona keynotessa nousi esiin Snowflaken ja eurooppalaisen pilvipalveluntarjoaja STACKITin yhteistyö. Yhteistyön tarkoituksena on tarjota eurooppalaisille yrityksille paikallinen pilvipalvelu. STACKITin datakeskukset sijaitsevat Saksassa ja Itävallassa.

Luotettava data on edelleen kaiken perusta 

AI:n vahvasta roolista huolimatta yksi päivän toistuvista teemoista oli hyvin tuttu: ilman laadukasta ja hallittua dataa ei synny myöskään luotettavia AI-ratkaisuja.

Swedbankin esityksessä käytiin läpi pankin Data & AI-transformaatiota ja Snowflaken roolia sen teknisenä perustana.

Yrityksen tavoitteena on siirtyä tilanteesta, jossa data nähdään lähinnä IT:n vastuuna, malliin, jossa data on koko liiketoiminnan yhteinen resurssi. Transformaation keskeisiä tavoitteita ovat datan laadun ja saatavuuden parantaminen, manuaalisen työn vähentäminen sekä analytiikan ja AI:n tuominen lähemmäksi liiketoiminnan päivittäistä päätöksentekoa.

Esityksen ehkä tärkein viesti oli yksinkertainen: Luotettava AI edellyttää luotettavaa dataa. AI-ratkaisujen rakentaminen ei siis poista toimivan data-alustan, datan laadun tai governance-ratkaisujen merkitystä – päinvastoin niiden merkitys kasvaa.

Snowflaken hallinta ja kustannukset entistä tarkemmin kontrolliin 

Snowflakeen on tullut useita uusia ominaisuuksia kustannusten hallintaan ja kontrolliin. Kustannuksia voidaan seurata organisaatiotasolta aina yksittäisiin käyttäjiin ja tiimeihin asti. Budjetteja voidaan puolestaan määritellä esimerkiksi resursseille tai tageihin perustuen.

Myös AI:n kustannuksia voidaan seurata entistä tarkemmin. Tämä tulee olemaan tärkeää AI-palveluiden käytön kasvaessa, sillä esimerkiksi mallien ja agenttien käyttö muodostaa Snowflake-ympäristöön uuden kustannusulottuvuuden. Käyttäjäkohtaiset kiintiöt sekä mahdollisuus automatisoida toimenpiteitä budjettirajojen täyttyessä helpottavat kustannusten hallintaa.

Tavoitteena on antaa käyttäjille enemmän mahdollisuuksia rakentaa ratkaisuja, mutta organisaatio säilyttää samalla kontrollin kustannuksiin.

Semantic Views tuo yhteisen merkityksen datalle ja AI:lle 

AI:n yleistyessä semanttisen kerroksen merkitys kasvaa. Jos esimerkiksi liikevaihto määritellään eri tavalla Power BI:ssä, SQL-kyselyissä ja AI-agentille annetussa kontekstissa, voidaan samaan kysymykseen saada useita eri vastauksia.

Snowflaken Semantic Viewsin tavoitteena on ratkaista tätä ongelmaa määrittelemällä liiketoiminnan käsitteet, mittarit, dimensiot ja niiden väliset suhteet keskitetysti Snowflakeen. Semantic Studio helpottaa semanttisten mallien rakentamista. Aikaisemmin malleja rakennettiin pitkälti YAML-määritysten avulla, mutta jatkossa niitä voidaan muodostaa ja ylläpitää visuaalisemmin ja luonnollista kieltä hyödyntäen.

Mielenkiintoinen kehityssuunta on myös Snowflaken semanttisen kerroksen yhdistäminen muihin sitä hyödyntäviin työkaluihin. Esimerkkinä Power BI:n olemassa olevia malleja voidaan hyödyntää Semantic Viewin lähtökohtana ja samoja määrityksiä voidaan hyödyntää Power BI:ssä ja Excelissä.

Lopputulemana sama liiketoimintamääritelmä palvelee BI-raportointia, SQL-kyselyitä, sovelluksia ja AI-agentteja.

Snowflake CoWork ja Cortex Agentit vievät AI:n kysymyksistä toimintaan 

Snowflake CoWork oli yksi päivän näkyvimmistä AI-aiheista. Sen tavoite on toimia työntekijän henkilökohtaisena työkaluna, joka tuntee yrityksen datan ja kontekstin sekä pystyy käyttämään erilaisia työkaluja tehtävien suorittamiseen.

Keskeinen muutos aikaisempiin AI-ratkaisuihin verrattuna on siirtyminen kysymys–vastaus-mallista kohti toimintaa. Pelkästä datan analysoinnista ja vastausten tuottamisesta siirrytään kohti toimintaa: agentti voi hyödyntää muita agentteja, työkaluja ja yrityksen järjestelmiä tehtävien suorittamiseen.

Tätä kehitystä tukevat esimerkiksi CoWorkin automaatiot, käyttäjäkohtaiset skills-ominaisuudet sekä integraatiot muihin työkaluihin. Käytännössä tavoitteena on, että käyttäjän ei tarvitse itse tietää, mikä agentti tai tekninen komponentti tehtävän suorittamiseen tarvitaan, vaan CoWork pystyy ohjaamaan tehtävän oikealle agentille.

AI ei ole enää erillinen ominaisuus data-alustan päällä, vaan siitä ollaan tekemässä kiinteä osa päivittäistä työskentelyä.

Data Engineerin työ muuttuu AI:n mukana 

Päivän esityksissä nousi esiin myös Data Engineerin työnkuvan muuttuminen. AI:ta hyödyntäen pystytään automatisoimaan yhä enemmän esimerkiksi koodin kirjoittamista, rutiininomaista debuggausta, pipelinejen pohjien rakentamista sekä koodin migrointeja ja refaktorointeja.

Tämä ei kuitenkaan poista Data Engineerin tarvetta. Painopiste siirtyy enemmän järjestelmien ja ratkaisuiden kokonaisuuksien ymmärtämiseen, datatuotteiden suunnitteluun, governanceen ja liiketoiminnan ymmärtämiseen.

Data Engineerin arvo ei siis tulevaisuudessa synny pelkästään siitä, kuinka nopeasti hän pystyy tekemään pipelinejä tai kirjoittamaan SQL:ää. Yhä tärkeämmäksi nousee kyky ymmärtää, millainen ratkaisu kannattaa rakentaa, miten dataa hallitaan ja miten tekninen toteutus palvelee liiketoimintaa.

Snowflake World Tour 2026 – AI siirtyy kokeiluista osaksi data-alustaa 

Snowflake World Tour oli jälleen hyvä tilaisuus nähdä, mihin suuntaan Snowflake ja koko data-ala ovat menossa.

Tulevaisuus näyttää selkeästi agenttipohjaiselta. Samalla päivän esityksistä jäi kuitenkin vahvasti mieleen, ettei AI vähennä hyvän datan, governancen tai kustannusten hallinnan merkitystä – päinvastoin.

Mitä enemmän AI:lle annetaan mahdollisuuksia käyttää yrityksen dataa ja suorittaa itsenäisesti tehtäviä, sitä tärkeämpää on tietää, mitä data tarkoittaa, kuka sitä saa käyttää ja millä kustannuksilla.

-Asko Ovaska

Partner, Senior Data Engineer

.