Badanie dotyczy wykorzystania generatywnej sztucznej inteligencji (GenAI) do automatycznej oceny jakości modeli danych w systemach klasy Business Intelligence, na przykładzie środowiska Microsoft Power BI. W wielu firmach kluczowe decyzje opierają się na raportach budowanych na złożonych modelach danych. Błędy w relacjach między tabelami, agregacjach czy nazewnictwie miar mogą prowadzić do mylnych wniosków, a ich ręczne wykrywanie jest pracochłonne i podatne na pomyłki. Dodatkowo błędnie zbudowane modele zużywają nadmiarowo zasoby obliczeniowe. Autorzy zaprojektowali „asystenta jakości” opartego na GenAI, który analizuje techniczny opis modelu danych (tabele, relacje, miary) – bez dostępu do samych danych. Narzędzie porównuje model z wbudowaną bazą dobrych praktyk, wykrywa typowe problemy (np. brakujące lub błędne relacje, niespójne nazwy miar, nieoptymalne obliczenia) i generuje zrozumiały raport z priorytetami poprawek. Asystent został zoptymalizowany do pracy ze standardowym formatem programu Power BI, dzięki czemu analitycy mogą wywołać analizę po wgraniu pliku raportowego bez potrzeby jego modyfikacji. Skuteczność rozwiązania oceniono w studium przypadku dużej sieci detalicznej. Dwadzieścia modeli produkcyjnych poddano ocenie dwóch zespołów: grupa eksperymentalna korzystała z asystenta GenAI, a grupa kontrolna wyłącznie z tradycyjnych narzędzi Power BI. Porównano m.in. czas pracy, liczbę wykrytych problemów oraz subiektywną ocenę użytkowników. Wyniki pokazują znaczące korzyści. Czas pełnej oceny modelu skrócono z około 5 godzin do 15 minut, a koszty odświeżania modeli po poprawkach spadły o 17%. Satysfakcja użytkowników wzrosła o 41%, a klarowność rekomendacji o 48%. Odsetek osób ufających raportom wzrósł z 68% do 91%. Badanie wskazuje, że generatywna SI może pełnić rolę automatycznego audytora modeli danych, odciążając zespoły BI, podnosząc jakość raportowania i zwiększając zaufanie do danych w organizacji.