Assistent für Tabellenkalkulationsanalyse

Tabellenkalkulationen sind weiterhin das am häufigsten genutzte Analysewerkzeug im Unternehmen, doch die meisten Nutzer kennen nur einen Bruchteil der Funktionen, und große, geerbte Modelle sind schwer zu verstehen und fehleranfällig. Ein Tabellenassistent lässt Nutzer sagen, was sie brauchen („Umsatz nach Region und Monat summieren, Ausreißer markieren, ein Diagramm hinzufügen“), schreibt die Formeln oder den Code, erklärt bestehende Modelle und prüft sie auf Fehler. Typischer Nutzen: eingesparte Stunden bei Routineformeln, Bereinigung und Berichtswesen sowie weniger stille Formelfehler, solange jede KI-Änderung nachprüfbar ist.

Problem & Nutzen

• Heute: Mitarbeitende in Finanzen, Controlling, Vertriebsinnendienst und Personal bauen und pflegen geschäftskritische Arbeitsmappen von Hand. Das Wissen liegt bei einer Person, verschachtelte Formeln sind undurchsichtig, Kopien der Datei kursieren per E-Mail, und Fehler (verschobene Bereiche, fest eingetragene Überschreibungen, falsche Nachschlagevorgänge) werden spät gefunden. Die Forschung zu Tabellenrisiken dokumentiert seit Jahrzehnten hohe Fehlerquoten in realen Modellen [6].
• KI-Nutzen: (1) Formeln erzeugen und erklären (XLOOKUP, SUMIFS, LET, LAMBDA, Matrixformeln, reguläre Ausdrücke), (2) Daten bereinigen und umformen, (3) Pivot-Tabellen und Diagramme bauen, (4) ein Modell prüfen und dokumentieren („Was macht diese Arbeitsmappe?“), (5) Python oder Office Scripts für das schreiben, was Formeln nicht leisten, (6) Ergebnisse in Textform zusammenfassen.
• Warum jetzt: Die Assistenten haben sich von Helfern für einzelne Zellen zu Agenten entwickelt, die die ganze Arbeitsmappe lesen, mehrstufige Änderungen planen und sie mit Änderungsprotokoll zurückschreiben. Der Agent Mode in Excel von Microsoft [1], Claude for Excel von Anthropic [2] und Gemini in Google Sheets [3] funktionieren alle so. Ihre eigene Ausgangslage, bevor Sie Einsparungen versprechen.

Varianten

• Arbeitsmappen-Agent: liest alle Blätter, bearbeitet mehrere Bereiche, baut Pivot-Tabellen und Diagramme, führt eine Rückgängig-Spur.
• Modellprüfung & Dokumentation: prüft Finanzmodelle, bildet Abhängigkeiten ab, markiert fest eingetragene Werte.
• Datenbereinigung im Blatt: Spalten teilen, Datums- und Namensformate vereinheitlichen, Dubletten entfernen (siehe DATA-003).
• Analyse mit Code-Interpreter: Datei hochladen, das Modell schreibt Python/pandas und liefert Diagramme sowie eine bereinigte Datei zurück.
• Privat: Haushaltsbudget, Vorbereitung der Steuererklärung, Hobbydaten; die Verbraucherstufen der großen Assistenten genügen.

So funktioniert es

1. Nutzeranfrage (natürliche Sprache)
2. Kontextextraktion der Arbeitsmappe (Blattnamen, Kopfzeilen, genutzte Bereiche, Formeln, benannte Bereiche, Beispielzeilen)
3. Planung (LLM entscheidet: Formel | Pivot | Skript | Erklärung | Prüfung)
4. Werkzeugaufrufe (Bereich lesen, Bereich schreiben, Pivot/Diagramm erstellen, Python/Office-Skript in der Sandbox ausführen)
5. Vorschau der Änderung (Diff, hervorgehobene Zellen) und Bestätigung durch den Nutzer
6. Zurückschreiben mit Änderungsprotokoll und Rückgängig-Funktion
7. Verifikation (neu berechnen, Summen vergleichen, Fehler wie #REF!, #N/A prüfen)

• Umgang mit dem Kontext: Die ganze Arbeitsmappe passt selten in den Kontext. Die Werkzeuge senden eine Strukturzusammenfassung (Kopfzeilen, Typen, Stichproben) und rufen Bereiche bei Bedarf ab; große Tabellen werden durch erzeugten Code verarbeitet, nicht dadurch, dass das Modell jede Zeile liest.
• Code schlägt Kopfrechnen: Zuverlässige Assistenten lassen das Modell Formeln oder Python schreiben und die Tabellenkalkulation oder den Interpreter rechnen, statt das LLM selbst Zahlen addieren zu lassen.
• Mensch-in-der-Schleife (Human-in-the-Loop): Vorschau und Bestätigung bei jedem Schreibvorgang, geschützte Eingabezellen, ein nachvollziehbares Änderungsprotokoll und menschliche Prüfung jedes Ergebnisses, das in eine Entscheidung, Meldung oder Zahlung einfließt.

Datenaufbereitung

Die Daten liegen bereits in Tabellen, doch diese befinden sich auf persönlichen Laufwerken, Dateiablagen, in E-Mail-Anhängen und auf SharePoint, oft als viele voneinander abweichende Kopien. Typische Lücken: verbundene Zellen, mehrzeilige Kopfzeilen, in die Daten gemischte Summen, uneinheitliche Datums- und Zahlenformate, versteckte Blätter, in Formeln fest eingetragene Werte und sensible Spalten (Gehälter, Kundennamen) in derselben Arbeitsmappe.

Aufbereitungsschritte: 1. Wählen Sie zwei oder drei besonders wertvolle Arbeitsmappen und formen Sie sie in saubere Tabellen mit einer Kopfzeile um (PREP-011). 2. Legen Sie Kennzahlendefinitionen und Spaltennamen in einem kurzen Glossar fest (PREP-012). 3. Bereinigen Sie Berechtigungen und Überfreigaben auf dem SharePoint oder der Dateiablage, die der Assistent lesen kann (PREP-023). 4. Legen Sie fest, welche Arbeitsmappen an welches KI-Werkzeug gesendet werden dürfen (PREP-024). 5. Sammeln Sie einige korrekte Beispielberichte als Referenz (PREP-016).

Werkzeuge: Power Query, Excel-Tabellen, Copilot oder Gemini selbst zum Auffinden von Unstimmigkeiten. Grober Aufwandsanteil: etwa 10 bis 20 Prozent, denn der Assistent kommt mit unordentlichen Blättern zurecht, doch bei verbundenen Zellen und unbeschrifteten Spalten werden die Antworten unzuverlässig. Siehe auch: DOC-014 und DATA-003.

Umsetzungswege

Welcher Weg für wen

• smb: Weg A. Copilot in Excel, Gemini in Sheets oder ähnliche Add-ins sind ausgereift, werden pro Arbeitsplatz berechnet und passen in den üblichen Excel-Arbeitsablauf.
• enterprise: Weg A. Hilfe bei Tabellen ist eine Standardfunktion; nutzen Sie die bereits lizenzierte Plattform und steuern Sie sie zentral.
• developer: Weg B. Bauen Sie Agenten oder Add-ins auf Cloud-KI-Diensten mit Codeausführung, damit Berechnungen reproduzierbar sind statt geraten.
• private: Weg A. Verbraucher-Assistenten in Excel oder Sheets decken Haushaltsbudgets und kleine Analysen ohne jede Einrichtung ab.
• public: Weg B. Behörden sollten aus Gründen der Beschaffung und der Geheimhaltung APIs oder Assistenten nutzen, die in einer souveränen EU- oder deutschen Cloud gehostet sind; Weg A nur mit zertifizierten Produkten.

Weg A — Kaufen (für die meisten KMU empfohlen)

• Microsoft 365 Copilot in Excel mit Agent Mode (Formeln, Pivot-Tabellen, Diagramme, mehrstufige Änderungen; Sensitivitätskennzeichnungen und Audit von Purview greifen) [1]. Beste Wahl für Organisationen, die auf Microsoft ausgerichtet sind.
• Claude for Excel (Add-in von Anthropic; liest mehrere Blätter, erklärt Formeln, bearbeitet mit nachverfolgten Änderungen) [2]. Prüfen Sie vor der Einführung Tarif, Bedingungen zur Datenspeicherung und Optionen zum Datenstandort in der EU.
• Gemini in Google Sheets (in geeigneten Workspace-Tarifen enthalten; erzeugt Formeln, Tabellen und Analysen aus Prompts) [3].
• ChatGPT mit Datenanalyse / Datei-Upload und Add-ins für Excel oder Sheets für Ad-hoc-Aufgaben.
• Spezialwerkzeuge: Julius AI, Rows, Numerous.ai, Ajelix, Formula-bot, SheetAI; aus der EU: Rows (in Portugal gegründet) sowie tabellenähnliche Analysen in Quadratic. Prüfen Sie Hosting und AVV.
• Wählen Sie A, wenn: die Mitarbeitenden ohnehin in Excel oder Sheets arbeiten und die Lizenz erschwinglich ist.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: Claude, GPT, Gemini oder Mistral (EU-Anbieter) per API in EU-Regionen (Azure OpenAI EU Data Zone, Vertex AI EU, Amazon Bedrock Frankfurt, Mistral La Plateforme).
• Integrationsflächen: Office-Add-ins (Office.js) für Excel, Google Apps Script / Workspace- Add-ons für Sheets, Microsoft Graph Excel REST API für serverseitige Arbeitsmappen, openpyxl, pandas oder xlwings in einer Sandbox. Server des Model Context Protocol (MCP) für Excel-Dateien erlauben es jedem Agenten- Framework, Arbeitsmappen zu lesen und zu schreiben.
• Muster: Funktionsaufrufe mit einem kleinen Werkzeugsatz (describe_workbook, read_range, write_range, run_python), schemagebundene Ausgaben, Codeausführung in einem isolierten Container.
• Wählen Sie B, wenn: Sie eigene Schutzmechanismen, unternehmensspezifische Funktionen oder die Einbettung in ein internes Werkzeug brauchen.

Weg C — Selbst betreiben (Open Source)

• Modelle: Open-Weight-Code- und Reasoning-Modelle wie Qwen3-Coder / Qwen3, DeepSeek, gpt-oss, Mistral Devstral / Mistral Small; bereitgestellt über vLLM oder Ollama. Auf Tabellen spezialisierte Forschungsmodelle gibt es, doch allgemeine Code-Modelle sind meist die pragmatische Wahl.
• Stack: LibreOffice (headless) oder Univer / OnlyOffice als Tabellenkalkulations-Engine, pandas, polars, DuckDB für große Tabellen, PandasAI oder Sandboxen im Stil von Open Interpreter, Jupyter.
• Hardware: HW2 bewältigt quantisierte Modelle mit ca. 30 Mrd. Parametern für die Erzeugung von Formeln und pandas-Code; HW3 für besseres mehrstufiges Schlussfolgern bei unordentlichen Arbeitsmappen.
• Wählen Sie C, wenn: Arbeitsmappen sensible personenbezogene Daten, Gesundheitsdaten oder Geschäftsgeheimnisse enthalten, die das Haus nicht verlassen dürfen.

Weg D — Eigenes Training

Lohnt sich selten. Das Feintuning eines kleinen Code-Modells auf unternehmensspezifische Vorlagen, benannte Funktionen und Namenskonventionen kann bei sehr hohen Volumen die Kosten senken. Benötigte Daten: einige tausend Tripel aus (Anfrage, Arbeitsmappen-Kontext, akzeptierte Änderung), gewonnen aus akzeptierten Vorschlägen.

Stand der Technik (2026)

• Agentisches Bearbeiten von Arbeitsmappen ist die Standardform der Produkte: Planung, Änderungen an mehreren Bereichen, nachverfolgte Änderungen, Rückgängig-Funktion [1][2][3].
• Benchmarks: SpreadsheetBench bewertet reale Aufgaben zur Tabellenbearbeitung aus Forenfragen und bewertet die entstandene Arbeitsmappe, nicht die Textantwort [4]. Anbieter veröffentlichen selbst gemeldete Werte, und unabhängige Läufe weichen ab; verstehen Sie Bestenlisten-Zahlen als Richtwerte und testen Sie mit Ihren eigenen Dateien. Realistische Arbeitsmappen mit unordentlichem Layout, verbundenen Zellen und mehreren Blättern bleiben deutlich schwieriger als saubere Tabellen.
• Techniken: Kodierung von Tabellen in Strukturen (Kopfzeilen plus Stichproben statt vollständiger Auszüge), Codeerzeugung für die Schwerarbeit, Selbstprüfung durch Neuberechnung sowie Abruf benannter Bereiche und Dokumentation.
• Grenzen und Fehlerbilder: falsche Annahmen bei mehrdeutigen Kopfzeilen oder Einheiten; plausible, aber falsche Formeln; stilles Überschreiben fest eingetragener Eingaben; falsch behandelte Ländereinstellungen (Dezimalkomma, deutsche Funktionsnamen wie SUMMEWENN statt SUMIF); flüchtige oder sehr große Arbeitsmappen, die Kontext- oder Nutzungsgrenzen überschreiten; erfundene Funktionen, die in der Excel-Version des Nutzers nicht verfügbar sind; schwache Behandlung von Makros und externen Verknüpfungen. Modelle, die „im Kopf“ rechnen, sind unzuverlässig.

Gemeinsame Bausteine & Kombinationen

• Derselbe Stack (llm-code + llm-reasoning + agent-framework): DATA-001 natürliche Sprache zu SQL und dialogbasierte BI, DATA-024 FP&A-Copilot, DATA-002 Dashboard-Erläuterungen. Ein LLM-Gateway und ein Code-Runner in einer Sandbox bedienen alle diese Fälle.
• Datenbereinigung: DATA-003 für Dublettenbereinigung und Stammdaten; DOC-014, um Tabellen aus PDFs in das Blatt zu übernehmen.
• Automatisierung: Workflow-Engines aus AGENT-002 lösen geplante Aktualisierungen von Tabellen aus; die Abstimm- und Abschluss-Agenten aus AGENT-006 arbeiten oft auf Tabellen.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage; Abonnement pro Nutzer (oft ein Zusatz zu Microsoft 365 oder Workspace). Der Hauptaufwand liegt in Lizenzauswahl, Pilotgruppe, Schulung und Richtlinie.
• Weg B: 1-3 Monate für ein Add-in mit Schutzmechanismen und Protokollierung; die API-Kosten wachsen mit der Größe der Arbeitsmappe und der Zahl der Werkzeugaufrufe pro Anfrage.
• Weg C: 1-3 Monate; ein GPU-Server plus Härtung der Sandbox.
• Kennzahlen: Zeit pro wiederkehrendem Bericht, Anteil der KI-Änderungen, die unverändert akzeptiert werden, pro Prüfung gefundene Formelfehler, Zahl der Arbeitsmappen mit dokumentierter Logik, Nutzerakzeptanz, Vorfälle mit ungeprüften KI-Änderungen (Ziel: null).

Menschen & Veränderung

Beginnen Sie mit der Abteilungsleitung in Finanzen oder Controlling und einer Handvoll intensiver Excel-Nutzer; die Inhaberin bzw. der Inhaber oder die Geschäftsleitung legt das Budget fest und genehmigt die KI-Richtlinie. Die IT kümmert sich um Lizenzen und Mandanteneinstellungen, die Datenschutzbeauftragte bzw. der Datenschutzbeauftragte prüft, ob Arbeitsmappen personenbezogene Daten enthalten und ob ein AVV mit dem Anbieter besteht (Art. 28 DSGVO).

Betriebsrat: abhängig vom Einzelfall. Assistenten im Stil von Copilot protokollieren Nutzeraktivitäten, und nach Auffassung des Bundesarbeitsgerichts genügt die objektive Eignung zur Überwachung, sodass § 87 Abs. 1 Nr. 6 BetrVG dort, wo es einen Betriebsrat gibt, in der Regel greift; eine Betriebsvereinbarung sollte die Leistungsbewertung ausschließen. Informieren Sie den Betriebsrat nach § 90 Abs. 1 Nr. 3 und nutzen Sie § 80 Abs. 3, wenn ein KI-Sachverständiger nötig ist. Öffentliche Stellen beteiligen den Personalrat.

KI-Kompetenz: Bieten Sie einen praxisnahen Workshop zum Prompten für Tabellen und vor allem zur Überprüfung von Ergebnissen an; unterstützen Sie die Mitarbeitenden mit Maßnahmen nach Art. 4 KI-Verordnung (AI Act). Benennen Sie KI-Botschafter, führen Sie einen vierwöchigen Pilot durch und erfassen Sie die eingesparten Stunden. Typische Sorge: Arbeitsplatzverlust im Controlling. Stellen Sie den Assistenten als Mittel dar, Routinearbeit abzubauen, und verlangen Sie, dass Menschen Formeln und Zahlen vor der Verwendung prüfen. Leitfäden: GUIDE-008, GUIDE-006, GUIDE-004.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko bei allgemeiner Analyseunterstützung; die Pflicht zur KI-Kompetenz (Art. 4) gilt für die Mitarbeitenden, die sie nutzen. Das Risiko steigt, wenn Ergebnisse in Entscheidungen nach Anhang III einfließen (z. B. ein Blatt, das Bewerber oder die Kreditwürdigkeit bewertet): Dann wird der Anwendungsfall nach diesem nachgelagerten Zweck eingestuft, nicht nach dem Werkzeug.
• DSGVO: Arbeitsmappen enthalten oft Beschäftigten-, Kunden- oder Patientendaten. Erforderlich sind ein Auftragsverarbeitungsvertrag, nach Möglichkeit ein Datenstandort in der EU, kein Training mit Kundendaten, Datenminimierung (personenbezogene Spalten vor dem Hochladen entfernen) sowie eine DSFA bei umfangreichen Personal- oder Gesundheitsdaten.
• Vertraulichkeit und Prompt Injection: Zellinhalte und importierte Daten können Anweisungen enthalten, denen ein Agent folgen könnte. Beschränken Sie die Werkzeuge auf die geöffnete Arbeitsmappe, sperren Sie externe Aufrufe, verlangen Sie Bestätigung für Schreibvorgänge und deaktivieren Sie den Zugriff auf andere Dateien standardmäßig.
• Richtigkeit und Verantwortlichkeit: Zahlen der Finanzberichterstattung, Steuern und Meldungen an Behörden brauchen eine Prüfung. Die deutschen Buchführungsregeln (GoBD) verlangen nachvollziehbare Änderungen; führen Sie versionierte Dateien und ein Protokoll der KI-Änderungen.
• Gegenmaßnahmen: Vorschau und Rückgängig-Funktion, geschützte Zellen, unabhängige Neuberechnung der wichtigsten Summen, Prüfcheckliste, Sensitivitätskennzeichnungen und DLP.

Erste Schritte

1. Wählen Sie 5 wiederkehrende Tabellenaufgaben (Monatsbericht, Bereinigung eines Exports, Abstimmung von Listen) und messen Sie die heutige Zeit.
2. Prüfen Sie die Datenklassifizierung dieser Arbeitsmappen und wählen Sie das Werkzeug nach Datenklasse (Cloud-Assistent oder Selbstbetrieb).
3. Testen Sie einen Assistenten aus Weg A vier Wochen lang mit 5-10 Nutzern und aktiviertem Änderungsprotokoll.
4. Erstellen Sie eine kurze Richtlinie: was hochgeladen werden darf, verpflichtende Prüfung der Zahlen, keine KI-Änderungen an geschützten Eingabezellen.
5. Sammeln Sie bewährte Prompts in einer gemeinsamen Prompt-Bibliothek und werten Sie Fehlerfälle monatlich aus.

Quellen

1. Microsoft Support / Learn: Copilot in Excel and Agent Mode: https://support.microsoft.com/en-us/copilot-excel
2. DataCamp (third-party), Claude in Excel add-in overview: https://www.datacamp.com/tutorial/claude-in-excel
3. Google Workspace: Gemini in Google Sheets: https://workspace.google.com/products/sheets/
4. SpreadsheetBench project: https://spreadsheetbench.github.io/
5. Regulation (EU) 2024/1689 (AI Act): https://eur-lex.europa.eu/eli/reg/2024/1689/oj
6. European Spreadsheet Risks Interest Group (EuSpRIG), horror stories and research: https://eusprig.org/research-info/horror-stories/
7. Microsoft Graph Excel API overview: https://learn.microsoft.com/en-us/graph/api/resources/excel
8. openpyxl documentation: https://openpyxl.readthedocs.io/