AI til Excel og dataanalyse: sådan får du svar, du kan stole på

En økonomimedarbejder uploader årets salgsark til ChatGPT, skriver "analyser det her" og får tre afsnit flot tekst tilbage om vækst i kvartal 3. Problemet er, at kolonnen hed "Ordredato", ikke "Leveringsdato", at totalerne i række 212 blev talt med som en kunde, og at ingen opdager det, før tallet står i en præsentation for ledelsen. Det er den typiske måde, AI og regneark går galt på. Ikke fordi værktøjet ikke kan regne, men fordi det gættede på, hvad dine data betød.

Det kan undgås. AI er faktisk god til at analysere regneark, hvis du først beskriver dine data, stiller ét spørgsmål ad gangen og lader den køre kode i stedet for at regne i tekst. Det er den metode, artiklen her gennemgår, og den lægger ikke skjul på, at du stadig selv skal tjekke tallene.

Hvad kan AI i Excel i dag?

Tre af de mest udbredte AI-værktøjer på danske arbejdspladser kan alle arbejde med regneark, men på hver sin måde. Beskrivelserne her bygger på leverandørernes egne supportsider, tjekket oktober 2026.

Værktøj	Hvad det gør med regneark	Leverandørens eget forbehold
Copilot i Excel	Arbejder direkte i arket: foreslår formler, laver pivottabeller og diagrammer, finder mønstre. Kan køre Python via "advanced analysis mode". Kræver, at data ligger som en Excel-tabel eller et understøttet område med én overskriftsrække og uden flettede celler.	"Can sometimes make mistakes, misinterpret information, or produce inaccurate results." Microsoft fraråder at bruge den til beslutninger inden for økonomi, jura og sundhed uden kontrol.
ChatGPT	Læser .xls, .xlsx og .csv. Skriver og kører Python-kode i et lukket Jupyter-miljø, der ikke kan hente noget fra internettet. Laver tabeller, grafer og nye filer.	Kan vælge "an analysis method or chart type that does not match your intent on the first try".
Claude	Kører Python i et afgrænset miljø og kan både læse og oprette CSV- og XLSX-filer op til 30 MB pr. fil. Kræver, at kodekørsel er slået til.	Anthropic beder brugerne holde øje med, hvad Claude gør i miljøet, og stoppe den, hvis noget ser forkert ud.

Læg mærke til to ting. For det første siger alle tre leverandører selv, at værktøjet tager fejl, og at du skal kontrollere resultatet. Microsoft formulerer det mest direkte: "Review, edit, and verify anything Copilot creates." For det andet stiller både Microsoft og OpenAI krav til, hvordan dine data ser ud, før værktøjet kan arbejde ordentligt med dem. Det er ikke tilfældigt. Det er der, de fleste fejl opstår.

Hvorfor skal du beskrive dine data først?

Fordi AI ellers gætter. Et regneark fra en dansk virksomhed ser sjældent ud som en ren tabel. Der er et ark med salg, et med kunder, et med fragtsatser, der blev lavet af en kollega i 2019. Kolonnen "Beløb" er i kroner på ét ark og i euro på et andet. Række 1 til 3 er overskrifter og logo. Nederst står der totaler, der ligner data. En sprogmodel får alt det ind på én gang og skal selv finde ud af, hvad der er hvad. Hvordan modellen rent faktisk læser den slags input, kan du læse i artiklen om, hvad en sprogmodel er.

Microsoft og OpenAI siger det samme med hver deres ord: Data skal stå i tabelformat med én overskriftsrække, en række pr. post, ingen flettede celler og ikke flere urelaterede tabeller på samme ark. Det er gode råd, men i praksis kan du sjældent bygge et ark om, bare fordi du vil stille det et spørgsmål.

Derfor starter vi et andet sted: Bed AI beskrive dine data, før den analyserer dem. Resultatet er en kontekstfil, et kort dokument i markdown, der beskriver hvert ark, hver kolonne, datatypen, og hvad kolonnen bruges til. Ingen tal, kun struktur. Filen gør to ting. Den tvinger modellen til at læse arket ordentligt, og den giver dig en chance for at rette misforståelser, før de bliver til forkerte totaler.

Du får vedhæftet regnearket salg_uge40.xlsx. Lav en kontekstfil i markdown, der beskriver det.

For hvert ark: navn og én linje om, hvad arket indeholder.
For hver kolonne: navn, datatype (tekst, heltal, beløb i kr., dato) og en kort beskrivelse af, hvad den bruges til.
Notér strukturer, der afviger: flettede celler, tomme rækker, totaler midt i data, flere tabeller på samme ark, kolonner uden overskrift.

Skriv ingen konkrete talværdier i filen. Hvis en kolonne ikke kan tolkes entydigt ud fra navn og indhold, så stil mig et spørgsmål i stedet for at gætte.

Læs filen igennem, før du går videre. Står der "Beløb: salgspris inkl. moms", og du ved, at det er ekskl. moms, så ret det. Står der, at arket Fragt har 14 kolonner, og du kun kender 12, så find ud af hvorfor. Fem minutter her sparer dig for en time senere. Kontekstfilen vedhæfter du derefter sammen med regnearket i hver ny analyse.

Hvorfor ét spørgsmål ad gangen?

Fordi "analyser det her" ikke er et spørgsmål. Modellen vælger så selv, hvad der er interessant, og den vælger typisk det, der er nemt at regne ud, ikke det, du har brug for at vide. Et præcist spørgsmål, der peger på bestemte kolonner, giver et svar, du kan efterprøve. Det er samme princip som i artiklen om gode prompts: kontekst, klar instruktion og et defineret output.

Her er det første niveau i vores egen metode. Datasættet er lille med vilje: 18 salgstransaktioner fra én uge i en grossistvirksomhed, med kolonnerne Dato, Kunde, Produkt, Antal, Stykpris og Omsætning. Spørgsmålet er lige så enkelt, som en chef ville stille det mandag morgen.

Kontekst: Vedhæftet er <kontekstfil> og regnearket salg_uge40.xlsx med 18 salgstransaktioner fra uge 40. Vi er en grossist med omkring 40 faste kunder. Arket Salg har kolonnerne Dato, Kunde, Produkt, Antal, Stykpris og Omsætning. Omsætning er i kr. ekskl. moms.

Instruktion: Svar på ét spørgsmål: Var det en god eller en dårlig uge? Brug kolonnen Omsætning. Beregn i kode, ikke i tekst. Sig tydeligt, hvad du ikke kan vurdere ud fra de data, du har, fx hvordan en normal uge ser ud for os.

Output format: Først en tabel med samlet omsætning, antal transaktioner, antal unikke kunder og gennemsnitlig ordrestørrelse. Derefter højst fem linjer tekst med din vurdering og de spørgsmål, du mangler svar på for at vurdere bedre.

Det interessante er sjældent selve tallet. Det er den sidste del af svaret: "Jeg kan se, at 11 af 18 ordrer kommer fra én kunde, men jeg ved ikke, om det er normalt for jer." Det er et godt svar. Det er ærligt om, hvad data kan bære, og det giver dig det næste spørgsmål. Først derefter går du videre til "hvor kommer pengene fra?", og så til kunderne bag tallene. Ét spørgsmål, ét svar, ét tjek. Så det næste.

I produktionen ser det samme ud. "Hvilken maskine kasserede flest emner i september?" er et spørgsmål, du kan tjekke. "Find forbedringspotentialer i produktionen" er en invitation til at gætte.

Hvorfor skal AI regne i kode og ikke i tekst?

Fordi en sprogmodel ikke regner. Den forudsiger det næste ord, eller det næste tal, ud fra det, den har set før. Når den svarer direkte i tekst på "hvad er 487 gange 362?", gætter den på det mest sandsynlige svar, og gættet rammer ofte ved siden af. Dziri m.fl. viste det i 2023 i artiklen "Faith and Fate": GPT-4 ramte rigtigt i omkring 59 % af tilfældene, når den gangede to trecifrede tal i ren tekst, og i omkring 4 %, når tallene var fircifrede. Nyere modeller er markant bedre, og vi bruger ikke tallene som en dom over nutidens værktøjer. Men princippet holder: Tekst er ikke et regneværktøj.

Kode er. Når ChatGPT, Claude eller Copilot i advanced analysis mode skriver et lille Python-script, der summerer kolonnen Omsætning og kører det, er selve udregningen eksakt. Risikoen flytter sig fra regnefejl til fortolkningsfejl: Har den summeret den rigtige kolonne? Har den filtreret på de rigtige datoer? Har den talt totalrækken med? Det er fejl, du kan se, hvis du ved, hvor du skal kigge.

Derfor står der "Beregn i kode, ikke i tekst" i prompten ovenfor. Og derfor beder du altid om at se koden eller i det mindste den tabel, den producerer, før du læser modellens konklusion. Så gør du det, der tager et minut: Tjek to eller tre tal mod arket. Vælg ét, du selv kan regne efter, fx én kundes samlede køb den uge. Stemmer det, har du grund til at stole lidt mere på resten. Stemmer det ikke, har du fundet fejlen, før den kom i præsentationen.

Hvor godt klarer AI rigtige regnearksopgaver?

Dårligere, end demoerne antyder, og bedre, end skeptikerne tror. Den mest realistiske måling kommer fra Ma m.fl., der i 2024 præsenterede SpreadsheetBench på NeurIPS. De samlede 912 rigtige spørgsmål fra Excel-fora, altså opgaver, som almindelige brugere faktisk sidder fast i, med alle de rodede ark, der hører til. Resultaterne i 2024: Copilot i Excel løste omkring 20 % af opgaverne, GPT-4o omkring 17 %, mens mennesker lå på 71 %.

Tallene skal læses med to forbehold. De stammer fra modeller fra 2024, og de nyeste målinger ligger markant højere. Og Copilot blev kun testet på en stikprøve på 5 % af opgaverne. Men pointen fra undersøgelsen er stadig den vigtigste: Forskellen mellem en pæn tabel i en demo og et rigtigt regneark fra en rigtig arbejdsplads er enorm, og det er på de rigtige regneark, værktøjerne snubler.

Det er også derfor, Microsoft selv skriver, at Copilot "can sometimes make mistakes", og beder dig gennemgå og verificere alt, den laver. Det er ikke en ansvarsfraskrivelse. Det er en brugsanvisning. Hvorfor modellerne tager den slags fejl, og hvordan du opdager dem, gennemgår vi i artiklen om AI-hallucinationer.

Brug AI til at finde fejl i formler

Den mest undervurderede brug af AI i Excel er ikke at bygge nyt. Det er at tjekke det, der allerede findes. De farligste fejl i et regneark er formler, der regner rigtigt, men på det forkerte: en SUM, der stopper to rækker for tidligt, fordi nogen indsatte nye linjer. En reference til B14, hvor alle nabocellerne peger på C14. Et hardkodet tal fra 2023 midt i en kolonne af formler. Excel giver ingen fejlmeddelelse, for formlen er gyldig. Den er bare forkert.

Den slags fejl er AI god til at finde, fordi den kan læse alle formler på én gang og sammenligne mønstre, hvor et menneske kigger på én celle ad gangen. Du beder den ikke om at vurdere tallene. Du beder den om at vurdere strukturen.

Vedhæftet er budget_2026.xlsx. Gennemgå alle formler i arket Budget. Du skal ikke vurdere, om tallene er rimelige, men om formlerne regner på det rigtige.

Find især:
1. formler, der henviser til en anden række eller kolonne end deres naboer
2. formler i samme kolonne, der burde ligne hinanden, men afviger
3. summer og gennemsnit, der ikke dækker hele det område, de ser ud til at skulle dække
4. hardkodede tal i celler, hvor nabocellerne indeholder formler

Vis hver mistanke som: celle, formlen som den står, hvad du havde forventet, og hvorfor. Angiv for hver, om du er sikker eller kun har en mistanke.

Svaret er en liste over mistanker, ikke en dom. Nogle af dem er bevidste undtagelser, som kollegaen kan forklare på ti sekunder. Andre er den fejl, der har fået fragtomkostningerne til at mangle i dækningsbidraget siden februar. Det er dig, der afgør, hvad der er hvad. Men du ved nu, hvor du skal kigge.

Hvornår skal du ikke bruge AI til regnearket?

Metoden ovenfor gør svarene bedre. Den gør dem ikke sikre, og der er tre situationer, hvor du skal lade være eller skrue betydeligt op for kontrollen.

• Persondata og fortrolige tal i gratisværktøjer. Et kundeark med navne, mails og betalingshistorik er personoplysninger. Datatilsynet skrev i september 2025, at der ved brug af AI-værktøjer er en risiko for, at "egne og andres personoplysninger kan blive delt utilsigtet", og at det bagefter er "praktisk umuligt eller meget besværligt at få kontrol over" oplysningerne. Tilsynet har ingen vejledning, der specifikt handler om upload af filer, men princippet er det samme. Fjern personoplysninger, før du uploader, eller brug en erhvervsudgave med databehandleraftale. Hvilke data der er grønne, gule og røde, gennemgår vi i GDPR og AI i praksis. Det samme gælder tal, der ikke er persondata, men som ikke må ud: lønninger, priskalkulationer, opkøbsplaner.
• Beslutninger med store konsekvenser uden manuel kontrol. Microsoft skriver det selv om Copilot: Undgå at bruge den til beslutninger inden for økonomi, jura og sundhed. Det betyder ikke, at AI ikke må være med i en budgetanalyse. Det betyder, at tallet, der afgør, om I fyrer tre medarbejdere eller investerer i en ny maskine, skal regnes efter af et menneske, der kan stå inde for det.
• Når du ikke selv kan vurdere, om svaret er rimeligt. Metoden bygger på, at du tjekker to eller tre tal. Kender du ikke jeres data godt nok til at se, at en dækningsgrad på 94 % i produktionen ikke kan passe, fanger du ikke fejlen. Så er svaret ikke "lad AI gøre det", men "find den kollega, der kender tallene, og analyser sammen".

Skal du huske noget, så er det fire regler: Beskriv data først. Stil ét spørgsmål ad gangen. Lad AI regne i kode, og tjek to eller tre tal manuelt. Og aldrig persondata i gratisværktøjer. Det er ikke avanceret. Det er bare det, der adskiller et svar, du kan bruge, fra et svar, der lyder godt.