Нейросети для Excel и таблиц: автоматизация расчётов

Весной 2013 года аспирант Томас Херндон запросил у Кармен Рейнхарт и Кеннета Рогоффа исходный файл к статье «Growth in a Time of Debt» - той самой, на которую три года ссылались министры финансов, объясняя необходимость экономии. Файл пришёл. В нём формула среднего охватывала пятнадцать стран из двадцати: диапазон просто не дотянулся до конца списка. Пять стран выпали из расчёта, который лёг в основу политических решений на целом континенте.

Ошибка сидела в границах диапазона. Нейросеть её бы не сделала - и не нашла бы тоже. Это и есть та развилка, вокруг которой строится вся работа с ИИ в таблицах: модель хорошо придумывает и объясняет логику расчёта, но саму цифру должен считать инструмент, который на одних и тех же данных всегда возвращает один и тот же результат. Формула, макрос, Power Query, Python. А отвечает за цифру человек.

Если хочешь видеть, что нового в работе с ИИ каждый день, загляни в закрытый канал ИИмперии: там разборы, готовые промпты и связки, шаблоны ролей цифровых сотрудников.

Что нейросеть реально делает с таблицей, а что нет?

Попроси модель «посчитай сумму по этому файлу» - и получишь число. Уверенным тоном, с пояснением, иногда даже с разбивкой по месяцам. Проверишь - разойдётся на пару процентов. Тон ответа про правильность не говорит ничего.

Зато разговор о данных модели даётся отлично. Она пишет формулу, объясняет чужую, переводит задачу на язык функций, размечает колонки, придумывает структуру сводной. Всё перечисленное - язык, а язык это её работа.

Генерация логики - формула, скрипт, схема расчёта, план чистки. Сюда пускай. Исполнение - пересчёт, агрегация, соединение таблиц - оставь Excel, Power Query, SQL или Python.

Промежуточный случай - когда модель запускает код у себя. ChatGPT с анализом данных, Claude с исполнением кода, Gemini в связке с Colab: файл загружается, модель пишет Python, Python считает, ты получаешь число и график. Считает здесь код, поэтому цифре можно доверять больше. Но ошибки не исчезают, они переезжают из арифметики в трактовку: модель может неверно понять, что лежит у тебя в колонках.

Таблица вообще лучшее место, чтобы увидеть честные границы нейросетей - в тексте расплывчатый ответ ещё может сойти за глубину, а здесь результат либо сходится с фактом, либо нет.

С каких задач начать, если ты не аналитик?

Начинай с задач, где ты знаешь правильный ответ. Так проверяется не формула, а твоё умение поставить задачу. Три стартовые точки: объяснить формулу, доставшуюся от предыдущего человека; собрать расчёт, который ты сейчас делаешь глазами; привести кривую выгрузку к нормальному виду.

Дальше по возрастанию сложности:

1. Объяснение чужого файла. Скинь скриншот или текст формулы: «Объясни по шагам, что делает эта формула и на каких данных сломается». Получишь разбор и список рисков.
2. Разовый расчёт. Комиссия менеджеру по ступенчатой шкале, маржа по позициям, пересчёт остатков. Ты знаешь ожидаемый порядок цифры и сразу увидишь дичь.
3. Чистка выгрузки. Даты в трёх форматах, телефоны с плюсом и без, дубли по клиенту. Задача механическая, ошибка заметна.
4. Регулярный отчёт. Еженедельная сводка по продажам, которую ты делаешь каждую пятницу два часа.
5. Разбор данных вопросами. «Какие пять клиентов дали основной прирост и что у них общего».

Первые три можно делать сегодня, без подготовки. Четвёртая требует, чтобы структура данных не менялась от выгрузки к выгрузке. Пятая - чтобы ты доверял самим данным. Работает тот же фильтр, что и при отборе рутины под автоматизацию: часто, руками, по одному сценарию.

Как описать задачу на формулу?

«Напиши формулу, чтобы посчитать продажи по менеджеру за месяц» - на такой запрос модель угадывает. Угадывает по среднему интернету, где колонка A называется «Дата», а Excel английский.

В рабочем запросе есть четыре вещи: структура данных, желаемый результат, версия и язык интерфейса, крайние случаи.

Excel 2021, русский интерфейс, разделитель аргументов - точка с запятой. Лист «Продажи»: A - дата сделки (формат даты), B - менеджер (текст), C - сумма без НДС (число), D - статус («оплачено», «отменено», «в работе»). Нужна формула в отдельной таблице: для менеджера из ячейки G2 и месяца из H2 (первое число месяца) посчитать сумму по колонке C только по статусу «оплачено». Учти: в B бывают лишние пробелы, в A бывают пустые ячейки. Дай формулу и коротко объясни каждый аргумент.

Второй запрос выигрывает по одной причине: в нём почти нечего додумывать. Сняты четыре источника ошибок - локаль, имена колонок, условие фильтрации, грязь в данных.

Дальше проси два варианта: «Дай вариант через СУММЕСЛИМН и вариант через СУММПРОИЗВ, скажи, какой быстрее на 50 тысячах строк». Модель хорошо объясняет компромиссы, и ты заодно понимаешь, что именно вставляешь в файл.

Требования к формуле формализуются почти механически - поэтому фреймворк 4D здесь работает даже лучше, чем на текстовых задачах: описать данные, задать результат, перечислить ограничения.

Расчёты и таблицы - один участок. Рядом стоят документы, отчётность и аналитика, и данные у них общие: одна и та же выгрузка потом кормит и сводку, и рассылку, и решение по бюджету. Если хочешь разобраться, как это собирается в систему, а не в набор трюков, можешь забрать бесплатное обучение - доступ по почте, материал открывается сразу.

Почему ИИ ошибается в формулах и как это ловить?

В 2016 году в Genome Biology вышла работа про гены в научных статьях. Excel читал имя гена SEPT2 как дату и превращал в 2-Sep, MARCH1 - в 1-Mar. Автоформатирование сработало молча, без единой ошибки на экране. Искажения нашлись примерно в каждой пятой статье с приложениями в таблицах.

Типы данных - первая из четырёх причин, по которым ломается формула от ИИ. Классика поменьше: даты, приехавшие из CRM текстом. Формула выглядит правильной, СУММЕСЛИМН возвращает ноль, и полчаса уходит на поиск ошибки в логике, которой там нет. Проверяется за секунду: числа и даты по умолчанию прижимаются вправо, текст - влево.

Локаль. В русском Excel функции переведены, а разделитель аргументов - точка с запятой. Модель часто отдаёт английский вариант с запятыми. Лечится строчкой в промпте и функцией «Формулы - Вычислить формулу», которая покажет, где спотыкается.

Несуществующие функции. ВПР есть везде, ПРОСМОТРX - только в свежих версиях и в Microsoft 365. LAMBDA, ЛЕТ, динамические массивы - то же самое. Сидишь на Excel 2016 - скажи прямо, иначе получишь красивое решение, которое у тебя не запустится.

Крайние случаи. Пустые ячейки, деление на ноль, отрицательные значения, дубли ключа при связке таблиц. Модель почти никогда не спрашивает про них сама. Спрашивай ты: «На каких данных эта формула даст неверный результат?» Ответ часто интереснее самой формулы.

Все четыре ловятся одинаково - проверкой на маленьком куске данных, где ответ известен заранее. Как подавать модели фрагмент файла, чтобы она видела структуру, а не кашу, разобрано на примере Claude и Excel.

Что надёжнее сделать макросом, а не нейросетью?

В 2012 году JPMorgan потерял на позиции «Лондонского кита» больше шести миллиардов долларов. Во внутреннем отчёте по расследованию нашлась деталь: новая модель оценки риска жила в наборе таблиц Excel, значения между листами переносились копипастом вручную, а в одной формуле стояло деление на сумму двух ставок вместо их среднего. Волатильность занижалась вдвое.

Ручной перенос между листами. Не нейросеть, не сложная математика - копипаст.

Всё, что исполняется без твоего участия, повторяется без вариаций и попадает в отчётность, должен делать код. Макрос, скрипт или формула дают один и тот же результат на одних и тех же данных - это детерминированность, и в деньгах она важнее гибкости. Модель на один запрос дважды может ответить по-разному.

Задача	Чем делать	Почему
Ежедневный пересчёт отчёта по фиксированной структуре	Макрос / Office Script / Power Query	Нужен одинаковый результат, запуск по расписанию, без чата
Написать этот макрос с нуля	Нейросеть	Это генерация кода, сильная сторона модели
Сведение пяти выгрузок в одну таблицу	Power Query	Обновление в один клик, шаги видны и воспроизводимы
Понять, почему пятая выгрузка не сходится	Нейросеть	Задача на разбор и гипотезы
Расчёт зарплаты, налогов, комиссий	Формулы + проверка человеком	Цена ошибки высокая, логика должна быть читаемой
Классификация обращений по тексту	Нейросеть (через скрипт или API)	Неформализуемое правило, нужен смысл
Поиск аномалий в цифрах	Формулы для порогов, ИИ для объяснения	Порог считается точно, причина ищется словами
Красивое оформление отчёта под каждый случай	Нейросеть или руками	Вкус не автоматизируется до конца

То, что описывается неизменной инструкцией, исполняет код. Там, где условия каждый раз новые или всё держится на смысле текста, нужна модель. Два подхода сравниваются на конкретных сценариях в разборе макросы VBA против ИИ, и связка «ИИ пишет, макрос исполняет» там обычно побеждает оба варианта по отдельности.

Как разобрать грязную выгрузку: дубли, даты, лишние пробелы?

Чистка - самая благодарная задача для ИИ: механическая и проверяемая. Дай модели структуру файла и список проблем, попроси план чистки и конкретные шаги в Power Query или формулах. Порядок операций важнее самих операций - неправильная последовательность создаёт новые дубли вместо того, чтобы убирать старые.

Рабочий порядок:

1. Снимок до. Зафиксируй количество строк, сумму по ключевой числовой колонке, число уникальных клиентов. Это контрольные цифры, по ним потом сверишь результат.
2. Типы. Приведи даты к датам, числа к числам. Всё остальное делается после этого шага, иначе фильтры будут врать.
3. Пробелы и регистр. СЖПРОБЕЛЫ, приведение к нижнему регистру для ключей сопоставления. Неразрывные пробелы из веб-выгрузок отдельная беда: их видно только при подстановке.
4. Нормализация значений. «ООО Ромашка», «ООО “Ромашка”», «Ромашка ООО» - для Excel это три клиента. Здесь ИИ помогает собрать словарь замен, но окончательное решение о склейке принимаешь ты.
5. Дубли. Сначала определи, что считается дублем: полное совпадение строки или совпадение по ключу. Это разные операции с разным результатом.
6. Снимок после. Сверь с контрольными цифрами и объясни каждое расхождение - построчно, до последней строки.

Формулировка для модели: «Вот структура выгрузки из CRM и три строки примера. Составь план приведения к аналитическому виду: одна строка - одна сделка, даты в формате даты, клиенты нормализованы. Опиши шаги для Power Query по порядку и скажи, какие шаги могут потерять данные».

Последний вопрос стоит задавать всегда. Ответ обычно короткий: строки с пустым ключом, вторые экземпляры дублей, значения, не попавшие в словарь замен.

Где ИИ помогает со сводными, а где мешает?

На двух концах. Пока ты решаешь, что вообще класть в строки, колонки и значения под свой вопрос. И потом, когда сводная готова и её нужно прочитать. Саму сборку отдавать в чат смысла нет: руками она делается за полминуты.

Где помогает конкретно:

• Постановка вопроса. «У меня продажи по сделкам за год. Какие пять срезов покажут, где теряется маржа?» Модель выдаст список гипотез, часть из которых ты не держал в голове.
• Выбор метрики. Средний чек, медиана, доля повторных - модель нормально объясняет, где среднее врёт из-за одной крупной сделки.
• Вычисляемые поля. Формулировки вроде «доля от общего по строке» или «нарастающий итог по месяцам» проще получить описанием, чем вспоминать, где это в интерфейсе.
• Чтение результата. Скинь скриншот готовой сводной и попроси описать три главных факта и одно, что выглядит подозрительно.

Мешает она в одном случае: когда ты просишь «посчитать по сводной» вместо того, чтобы её построить. В ответ придёт уверенный текст с цифрами, снятыми на глаз с куска таблицы. Для отчёта это яд.

Отдельный случай - сводные для регулярной отчётности. Один и тот же разрез каждую неделю лучше собрать в Power Query с обновлением по кнопке. Тогда на модели остаётся только текстовая часть - короткий комментарий к цифрам, примерно как в сводке на одну страницу, где цифры приходят из файла, а словами объясняется отклонение.

Какой инструмент выбрать под таблицы?

Выбор зависит от того, где живут данные и можно ли их выносить наружу. Copilot сидит внутри Excel и видит файл целиком. Универсальные чаты требуют загрузки файла, зато лучше объясняют и пишут код. Google Sheets многое умеет встроенными средствами. Специализированные надстройки удобны, но добавляют ещё одного посредника между тобой и данными.

Инструмент	Что делает хорошо	Когда не подходит
Copilot в Excel	Формулы по описанию, подсветка, базовый анализ прямо в файле, без выгрузки	Нужна подписка Microsoft 365; сложная логика и нестандартная чистка даются хуже
ChatGPT с анализом данных	Загрузил файл - получил расчёт, графики, Python-код под задачу	Файл уходит на сервер; для регулярной работы нужен повтор загрузки
Claude	Подробный разбор структуры, объяснение формул, аккуратный код и скрипты	Тот же вопрос с выгрузкой данных наружу
Gemini в Google Sheets	Работа внутри таблицы, связка с остальным Workspace	Привязка к экосистеме Google
Power Query (без ИИ)	Повторяемая сборка и чистка, обновление в один клик	Не помогает с логикой расчёта, нужно освоить интерфейс
Локальная модель	Данные не покидают контур	Слабее в коде и формулах, нужно железо

Практичный набор для большинства: Excel или Sheets для хранения и расчёта, Power Query для сборки, один универсальный чат для формул и кода. Copilot добавляется, когда лень переключаться между окнами. Где бесплатный тариф упирается в лимиты на второй день работы с файлами, видно по обзору бесплатных нейросетей. А выбор между двумя главными чатами для таблиц сводится к одному вопросу - кто аккуратнее с кодом и внимательнее к структуре; характеры сравниваются в разборе Claude или ChatGPT.

Как давать модели данные компании и не подставиться?

Модели хватит скелета. Названия колонок, типы, пара синтетических строк - этого достаточно, чтобы собрать формулу. Реальные фамилии, телефоны и суммы контрактов для генерации логики не нужны вообще.

Что делать практически:

• Сделай учебный файл. Те же колонки, десять выдуманных строк, сохранённые крайние случаи: пустая ячейка, дубль, кривая дата. На нём разрабатываешь формулу, потом переносишь в боевой файл.
• Замени идентификаторы. Клиент 1, Клиент 2. Если модели нужны реальные названия для нормализации, замени хотя бы суммы.
• Читай условия сервиса. У корпоративных тарифов и API-доступа режим работы с данными обычно отличается от бесплатного веб-интерфейса. Проверяй это до того, как файл ушёл на сервер.
• Разделяй контуры. Персональные данные, договоры и финансовая отчётность - отдельная категория. Для них либо локальная модель, либо решение на своей инфраструктуре, либо вообще ручная работа.
• Фиксируй правило письменно. Пусть оно лежит в регламенте, который видят все, кто трогает файлы: память тут плохой носитель.

Есть и обратная сторона - то, что модели дать стоит. Контекст бизнеса: что означает статус «в работе», почему у вас два поля с датой, какие категории продуктов считаются основными. Секрета в этом нет, зато без такого словаря любой разбор превращается в угадывание. Собирается он один раз и переиспользуется - механика описана в материале про базу знаний для нейросети.

Когда хватит формулы, когда нужен скрипт, а когда Python?

Формула живёт в ячейке и пересчитывается сама. Скрипт запускается по кнопке или расписанию и делает то, что формулой не описать: ходит по файлам, шлёт письма, дёргает API. Python подключают, когда данных больше, чем Excel держит комфортно, или когда нужна статистика сложнее среднего. На следующий уровень переходят от боли - пока текущий инструмент справляется, усложнять нечего.

Оставайся на формулах, пока расчёт помещается в один файл, структура стабильна и результат нужен «здесь и сейчас». Формулу видно, её может проверить другой человек, она не ломается при обновлении офиса.

Переходи на скрипт, когда в описании задачи появляется слово «каждый»: собрать три файла к утру понедельника, разослать выписки по пятницам, переименовать двадцать колонок при очередном импорте. Office Scripts работают в вебе и в облаке, VBA - на десктопе, Apps Script - в Google Sheets. Код под любой из них модель пишет уверенно, если ты дал структуру данных и описал шаги.

Бери Python, когда файл на сотни тысяч строк тормозит, нужно объединять данные из разных источников или считать что-то сложнее сводной. Pandas и openpyxl решают это спокойно, а сам код тебе напишет модель. Порог входа ниже, чем кажется: задача сводится к тому, чтобы прочитать готовый скрипт и проверить его на своих данных. Какая рутина реально доезжает до этого уровня, а какая остаётся в Excel, видно по разбору автоматизации на Python.

Ступень выше - когда ИИ сам работает с файлами на твоём компьютере: читает, меняет, запускает скрипты. Механика тут другая, ближе к Claude Code, и оправдана она при одном условии: файлов много, а действия над ними однотипные.

Как превратить разовый ответ в повторяемый отчёт?

Пока ты каждый раз заново описываешь задачу, у тебя разовый ответ. Отчёт становится повторяемым, когда зафиксированы три вещи: структура входных данных, сохранённый текст запроса, известный формат результата. Без первого пункта остальные два не спасают - модель будет каждый раз заново гадать, что у тебя в колонках.

Сборка по шагам:

1. Зафиксируй вход. Одна и та же выгрузка, одни и те же колонки в одном и том же порядке. Если система выгружает по-разному, поставь перед отчётом шаг нормализации в Power Query.
2. Сохрани промпт целиком. Полный текст с описанием структуры, метрик и формата ответа, в отдельном файле рядом с отчётом, с датой правки. Формулировка «сделай как в прошлый раз» работает только до первого нового чата, а дата правки потом отвечает на вопрос, что изменилось раньше - промпт или данные.
3. Опиши формат вывода. «Таблица из четырёх колонок, затем три пункта выводов, затем один вопрос, который стоит проверить». Одинаковый формат позволяет сравнивать отчёты между собой.
4. Разведи расчёт и комментарий. Цифры считает файл, текст пишет модель. Тогда при расхождении сразу понятно, где искать.
5. Добавь контрольные суммы. Итог по выручке, количество строк, дата последней сделки. Разошлись контрольные цифры - читать такой отчёт рано.

Такой отчёт удобнее держать одним документом, который обновляется целиком, а не набором сообщений в чате. Ответ модели превращается в живой документ с таблицей и графиком через артефакты - это ровно тот случай, когда формат важнее содержания.

Как проверить результат, если правильного ответа ты не знаешь?

Два независимых пути к одной цифре. Если они сходятся, вероятность ошибки резко падает; если разошлись - у тебя уже есть конкретное место для поиска. Всё остальное - вариации этого приёма.

• Другой метод. Посчитал СУММЕСЛИМН - перепроверь сводной. А результат сводной легко сверить фильтром и строкой состояния внизу окна.
• Крайние строки. Возьми три строки: первую, последнюю и одну странную. Посчитай на калькуляторе. Тридцать секунд.
• Сумма частей равна целому. Разбил по менеджерам - сумма по всем менеджерам должна дать общий итог. Не дала, значит кто-то выпал из фильтра.
• Порядок величины. Выручка за месяц не может быть в десять раз больше обычной. Если стала - ищи дубли после объединения таблиц, это самая частая причина.
• Обратный вопрос модели. «Вот моя формула и результат. Найди три причины, по которым этот результат может быть неверным». Модель в роли критика работает заметно лучше, чем в роли исполнителя.

Отдельно про графики: ИИ любит строить их «красиво», подгоняя ось. Проверяй, начинается ли шкала с нуля и не отброшены ли выбросы. Порядок вычитки здесь тот же, что и у договора - сначала структура, потом детали, потом крайние случаи, - только вместо пунктов ты читаешь диапазоны.

Что делать, когда не сработало?

Разбери, на каком уровне сломалось: данные, формулировка задачи или сам инструмент. Почти всегда причина сидит в первых двух уровнях. Формула, которая даёт ноль, обычно упирается в тип данных. А бессмысленный разбор означает, что модель не поняла, что лежит у тебя в колонках.

Формула возвращает ошибку. Верни модели точный текст ошибки, версию Excel, язык интерфейса и две строки данных. Копируй как есть, пересказ по памяти теряет главное. «Не работает» диагнозом не считается.

Формула считает, но неверно. Проверь типы данных и границы диапазона. Частая история: диапазон зафиксирован до строки 1000, а данных стало 1200 - та же болезнь, что у файла Рейнхарт и Рогоффа. Вторая частая: даты текстом.

Модель выдумала функцию. Спроси прямо: «В какой версии Excel появилась эта функция? Дай альтернативу для Excel 2016». Признавать отсутствие функции модели умеют, если спросить.

Разбор данных мимо. Значит, не хватило контекста. Объясни бизнес-смысл колонок и повтори вопрос. Часто достаточно одного абзаца: что за бизнес, что означают статусы, какой период считается нормальным.

Скрипт падает. Верни текст ошибки и номер строки. Это самый быстрый цикл починки из всех: собственный код модель правит лучше, чем пишет с нуля.

Каждый раз получается по-разному. Задача плохо формализована. Либо дописывай в промпт недостающие правила, либо переводи её в код.

Чинится каждую неделю одно и то же - автоматизации не случилось, рутина просто переехала в чат. Тогда смотри на цепочку целиком: откуда берутся данные, кто их трогает, куда уходит результат. Весь участок разложен по шагам в карте автоматизации бизнес-процессов, а типовые куски, с которых обычно начинают, перечислены в материале про задачи для ИИ-ассистента. Таблицы почти никогда не стоят отдельно: они кормят отчётность, рассылки и решения - и именно поэтому цифровой сотрудник с описанным участком работает иначе, чем разовый промпт в чате.

Источники

• Microsoft 365 Copilot: обзор - официальная документация Microsoft по возможностям и ограничениям Copilot в приложениях Office.
• Office Scripts documentation - справка по скриптам для Excel в вебе: автоматизация без VBA, запуск по расписанию.
• Excel VBA reference - объектная модель Excel для макросов, если автоматизация остаётся на десктопе.
• Power Query documentation - официальная документация по сборке и очистке данных с повторяемыми шагами.
• Google Apps Script - среда скриптов для Google Sheets и остального Workspace.
• Google Visualization API Query Language - синтаксис запросов, на котором построена функция QUERY в Google Таблицах.
• pandas documentation - библиотека для работы с таблицами в Python: чтение, объединение, агрегация.
• openpyxl documentation - чтение и запись файлов xlsx из Python, включая формулы и форматирование.
• Claude for Excel - анонс Anthropic о работе модели непосредственно с книгами Excel.
• EuSpRIG - европейская группа по рискам в таблицах: собрание задокументированных случаев, когда ошибка в файле стоила организациям денег и репутации.
• Growth in a Time of Debt - разбор истории с ошибкой в диапазоне формулы, повлиявшей на экономические дискуссии.
• Gene name errors are widespread in the scientific literature - исследование о том, как автоформатирование Excel искажало данные в научных публикациях.