Kennis · Fabric & AI-versneld

Fabric-migratie met AI-agents: van een jaar naar enkele weken, zo werkt het echt

Een datawarehouse-migratie stond jarenlang gelijk aan een project van negen tot achttien maanden. Met agentic AI-tooling kan het in weken. Dat klinkt als een marketingclaim, dus laat ik precies zijn over wat er veranderd is, en wat niet.

Waarom migraties zo lang duurden

Een klassieke migratie bestaat voor het grootste deel uit repetitief werk: honderden tabellen, views, stored procedures en ladingen die stuk voor stuk geconverteerd, getest en gedocumenteerd moeten worden. Het werk is niet moeilijk, het is veel. En omdat het veel is, wordt het verdeeld over mensen met wisselende ervaring, wat weer reviewwerk en herstelwerk oplevert.

De doorlooptijd zat dus nooit in de denkkracht, maar in de uitvoering. Precies dat deel is nu te automatiseren.

Wat de AI-agent doet

Bij migraties naar Microsoft Fabric zet ik AI-coding agents in voor vier taken:

  • Code-conversie. Bestaande SQL, ETL-logica en ladingen omzetten naar het doelplatform, inclusief de platformspecifieke eigenaardigheden.
  • Datavalidatie. Geautomatiseerde vergelijking tussen oud en nieuw: rijaantallen, totalen, steekproeven op recordniveau. Elke afwijking wordt gelogd en verklaard.
  • Testen. Testscripts genereren en uitvoeren, ook voor de randgevallen waar in een handmatige migratie zelden tijd voor is.
  • Documentatie. Elke geconverteerde component wordt beschreven: wat doet hij, waar komt de data vandaan, wat is er veranderd ten opzichte van de oude situatie.

Wat de senior engineer doet

Hier zit het verschil tussen een snelle migratie en een snel probleem. De agent produceert, de mens beoordeelt. Concreet betekent dat:

  • De referentiearchitectuur wordt vooraf door een mens ontworpen. Keuzes over capaciteitsplanning, de indeling van het lakehouse en Direct Lake versus import maak ik zelf.
  • Elke geconverteerde component gaat door senior review voordat hij in de doelomgeving landt.
  • Afwijkingen uit de datavalidatie worden door een mens beoordeeld: is dit een fout, of was het oude cijfer eigenlijk fout?

Die laatste vraag komt vaker voor dan je denkt. Een migratie is vaak het eerste moment in jaren waarop iemand systematisch oud en nieuw vergelijkt, en dan blijkt het oude datawarehouse zelf fouten te bevatten die nooit iemand zag.

Wat het oplevert, in de praktijk

Een migratie die vroeger al snel op een jaar werd begroot, kan nu in enkele weken. De werkverdeling maakt het verschil: de agent verwerkt het volume, de senior beoordeelt de uitkomsten. De businesscase verandert daarmee fundamenteel: een migratie is geen meerjarenbeslissing meer, maar een kwartaalbeslissing.

Waar het níet sneller wordt

Eerlijkheid hoort erbij. Vier dingen worden niet sneller door AI:

  • Besluitvorming. Als de organisatie drie weken doet over een akkoord, helpt geen enkele agent.
  • Toegang tot bronsystemen. Het regelen van accounts, toegangsrechten en netwerkverbindingen kan veel tijd kosten. Je bent vaak afhankelijk van interne IT-afdelingen of leveranciers. Begin hier vroeg mee: zolang de toegang ontbreekt, kan ook een AI-agent niet aan de slag met de brondata.
  • Datakwaliteitsproblemen in de bron. Die migreer je mee, of je lost ze op. Dat laatste kost tijd, en die tijd is goed besteed.
  • Adoptie. Een nieuw platform waar niemand mee werkt, is een snelle mislukking. Reken op begeleiding na livegang.

Zelf aan de slag, of laten doen?

Beide kan. Ik voer migraties uit en train ook teams die het zelf willen leren. Zie de training agentic development voor data teams. En wil je weten wat dit voor jouw omgeving betekent, vraag dan de Data & AI quickscan aan.

Weten wat een AI-versnelde migratie voor je omgeving betekent?

De Data & AI quickscan brengt in kaart wat je nu gebruikt en waar de kansen liggen. Je krijgt een kort rapport met een voorstel voor de eerste stap.

Vraag de Data & AI quickscan aan