AI + Excel告别VBA,用说话操控金融表格

金融人有个心照不宣的秘密：我们 80% 的时间，花在了和 Excel 搏斗上。

VLOOKUP 写错方向、嵌套 IF 少了一个括号、SUMIFS 条件对不上、数据透视表拖了三遍还是错……最崩溃的是：公式明明看着对，结果就是不对，你盯着屏幕 debug 半小时，发现是第 3 行有个隐藏的空格。

今年上半年，我开始用 AI 接管我的 Excel 工作。不是学 VBA（那玩意儿比 Python 还劝退），而是直接跟 Excel "说话"。

"把华东区、产品 A、2024 年 Q1 的销售额加起来。"
"标出所有毛利率同比下滑超过 20% 的客户。"
"按月份和地区，给我一张销售透视表。"

AI 把这些话变成公式、变成自动化脚本、变成透视表。我估算了一下，约 70% 的 Excel 操作，现在可以用自然语言完成。

今天这篇，把我的 AI + Excel 实战方法全公开。

01 为什么金融人离不开 Excel（但又受够它）

先说事实：Excel 是金融行业的"操作系统"。

但 Excel 的痛点是结构性的：

1. 1.公式门槛高。一个多条件查找，VLOOKUP/XLOOKUP/INDEX-MATCH 三种写法，新人能懵一整天。
2. 2.调试反人性。公式错了不报错，只给你一个#N/A或错误结果，你得人肉反推。
3. 3.重复劳动。每月的报表，结构一模一样，但你得重做一遍。
4. 4.版本地狱。经营月报_final_v3_真的最终版.xlsx这种文件名，人人都熟。

AI 解决的是第 1、3、4 点——它把"写公式"和"重复操作"变成了"描述需求"。你不用记住函数名，不用管括号匹配，只要说清楚你要什么。

02 AI 操控 Excel 的 3 种方式

别被"AI + Excel"吓到，它不神秘。本质上就三种接入方式，从易到难：

我的建议：A 和 C 日常用，B 用来搞定重复性的硬骨头。

• • 临时要个公式 → 用 C（把需求描述给大模型，它给你公式+解释）
• • 在 Excel 里想一步到位 → 用 A（直接对话生成）
• • 每月定时报表、几百个文件合并 → 用 B（AI 写 Python，跑一次管一年）

下面重点讲 C（最普适）和 B（最高效），A 的用法融在场景里讲。

03 公式翻译机：把人话变成公式

这是 AI + Excel 最立竿见影的用法。原理很简单：你描述业务需求，AI 输出公式，并解释每一步。

我的"公式生成"Prompt：

你是一名资深财务 Excel 专家。请根据我的需求，写出可直接使用的 Excel 公式。

【需求】
{用大白话描述你想算什么，越具体越好}

【表格信息】
- 数据所在工作表：{sheet名}
- 关键列：{列名和含义，如 A列=客户名，B列=交易日期，C列=金额}
- 数据范围：{如 第2行到第1000行}

【要求】
1. 给出最终公式（可直接粘贴使用）
2. 解释公式每个部分在干什么（用中文，逐段说明）
3. 如果这个需求有更简单的写法（如用 XLOOKUP 替代 VLOOKUP），一并给出
4. 提醒可能踩的坑（如绝对引用、文本格式、隐空格）

输出格式：公式 + 解释 + 替代方案 + 注意事项。

实战示例：

需求："根据订单里的客户名，在另一张'客户表'里找到对应的信用额度返回来。"

AI 给的公式（推荐 XLOOKUP）：

=XLOOKUP(A2, 客户表!A:A, 客户表!D:D, "未找到", 0)

AI 的解释：

• •A2：当前行的客户名（查找值）
• •客户表!A:A：在客户表的 A 列找匹配
• •客户表!D:D：返回客户表 D 列的信用额度
• •"未找到"：找不到时显示这个，而不是报错
• •0：精确匹配AI 的提醒："旧写法 VLOOKUP 只能向右查找且列号写死，容易错；XLOOKUP 更稳。注意两表的客户名格式要一致（清掉隐空格）。"

这就是价值：你不用懂 XLOOKUP 的语法，只要说清"按名字找额度"，AI 连坑都帮你标好了。

04 Before / After：5 个真实场景对照

我把团队最常遇到的 5 类需求，做了"传统写法 vs AI 写法"的对比。

共同规律：传统写法靠"记函数和拼括号"，AI 写法靠"说清业务口径"。一旦你说清了"华东区""产品A""Q1"，AI 自然拼出正确条件；你也不用再纠结 VLOOKUP 的列号。

⚠️重要提醒：AI 给的公式要"跑一遍验证"。把公式贴到一两行真实数据上，看结果对不对，再批量下拉。AI 一次性写对的率大概 80%，剩下 20% 是它不懂你的数据细节（比如某列混了文本和数字）。

05 自动化报表：每月 5 号自动出月报

这是 AI + Excel 真正的"生产力炸弹"——把每月重复的报表做成一次性的 Python 脚本。

场景：每月 5 号，要把销售原始数据汇总成固定模板的《经营月报》，含分地区分产品的销售额、销量、环比。

传统做法：手动导数据 → 打开模板 → 一行行填 → 检查 → 另存 → 发邮件。2 小时，且每月重复。

AI 做法：让 AI 写一段 openpyxl 脚本，读原始数据、填模板、保存。跑一次，以后每月改个日期参数就行。

核心代码（AI 生成，我微调）：

import pandas as pd
from openpyxl import load_workbook
from datetime import date

# 1. 读取原始数据
raw = pd.read_excel('sales_raw.xlsx')
monthly = raw.groupby(['region', 'product']).agg(
    revenue=('amount', 'sum'),
    volume=('qty', 'sum')
).reset_index()

# 2. 载入固定模板
wb = load_workbook('report_template.xlsx')
ws = wb['经营月报']

# 3. 从指定行开始填充（模板前4行是标题）
start_row = 5
for i, row in monthly.iterrows():
    r = start_row + i
    ws[f'A{r}'] = row['region']
    ws[f'B{r}'] = row['product']
    ws[f'C{r}'] = round(row['revenue'], 2)
    ws[f'D{r}'] = int(row['volume'])

# 4. 保存为新文件（带年月）
out = f'经营月报_{date.today():%Y%m}.xlsx'
wb.save(out)
print(f'月报已生成：{out}，共填入 {len(monthly)} 行')

这段代码做了什么？读 Excel → 用 pandas 分组汇总 → 打开你精心调好格式的模板 → 只填数据、不动格式 → 另存。

关键认知：模板的"颜值"你只调一次（字体、配色、边框），数据交给脚本填。我这套脚本每月 5 号点一下，30 秒出月报，格式 100% 稳定，再也不会出现"这月表格线歪了"的尴尬。

06 透视表：用说话的方式做分析

数据透视表是 Excel 最强大也最劝退的功能——字段拖来拖去，经常拖错、忘刷新、布局乱。

AI 怎么帮？两种方式：

方式 A（在 Excel 里，用 Copilot / 插件）：
直接说："按月份和地区，汇总销售额和毛利率，并按销售额降序排列。" 插件自动建好透视表。

方式 B（用 Python，适合大数据 / 要复用）：

import pandas as pd

raw = pd.read_excel('sales_raw.xlsx')

# 一句话生成透视表：行=地区，列=月份，值=销售额求和
pivot = raw.pivot_table(
    index='region',
    columns='month',
    values='amount',
    aggfunc='sum'
)
print(pivot)

对比传统拖拽：你不用记住"值字段放哪、行标签放哪"，只要说清"按什么分组、汇总什么"。而且 Python 版可以存成脚本，下次换个数据源直接跑——透视表从"一次性探索"变成"可复用的分析函数"。

💡 小技巧：如果你不确定要什么维度的透视，先把需求用大白话告诉 AI："我想看各地区的销售趋势和占比"，AI 会建议你用"地区×月份"的透视，并告诉你怎么解读。

07 异常检测：让 AI 当你的风控哨兵

对账、发票审核、交易流水核查——这些"找异常"的活，最适合 AI 辅助。

场景：有一张交易流水表，要标出"金额明显偏离正常水平"的可疑记录。

Excel 公式法（AI 给的）：

=IF(ABS((B2-AVERAGE(B:B))/STDEV(B:B))>3, "⚠️异常", "正常")

含义：计算每笔金额的 z-score（离均值几个标准差），超过 3 个标准差标记为异常。这就是统计里的"3σ 原则"。

Python 法（数据量大时更稳）：

import numpy as np
from scipy import stats

z = np.abs(stats.zscore(df['amount']))
df['异常标记'] = np.where(z > 3, '⚠️异常', '正常')
suspicious = df[df['异常标记'] == '⚠️异常']
print(f'发现 {len(suspicious)} 笔可疑交易：')
print(suspicious)

这件事的价值不在"标异常"本身，在于 AI 帮你选了方法。你不用懂 z-score，只要说"标出金额离谱的记录"，AI 给你公式+统计依据+阈值建议（3σ 还是 2σ 取决于你的容忍度）。

⚠️ 注意：异常≠错误。AI 标出的可疑记录，你要人工复核确认，别直接当成坏账处理。

08 我的 Excel 指令库（Prompt 模板）

我把日常最常用的 4 类指令存成了模板，复制粘贴改参数就能用。

模板 1：公式生成（见 03 节，最常用）

模板 2：报表自动化

你是一名财务自动化工程师。请写一段 Python（openpyxl + pandas）脚本：

【输入】原始数据文件：{文件名}，关键列：{列说明}
【模板】固定报表模板：{文件名}，数据从第{行}行开始填
【输出】按{维度}汇总{指标}，填入模板对应位置，另存为带日期的文件名
【要求】保留模板原有格式（不要动字体/边框/配色），只填数据；加注释说明每一步

模板 3：异常检测

你是风控数据分析师。请帮我检测{数据类型}中的异常记录。

【数据】{列说明，如 金额列=B列}
【方法】用统计方法（如 z-score / IQR）标记异常，给出阈值建议
【输出】Excel 条件格式公式 或 Python 代码（二选一或都给），并说明为什么用这个方法

模板 4：数据清洗

你是数据处理专家。这份 Excel 有以下问题：{如 合并单元格、隐空格、日期是文本、重复行}。
请给我：
1. 一步步的清洗步骤（在 Excel 里手动操作的，或在 Python 里用 pandas 的）
2. 对应的公式/代码
3. 清洗后如何验证"没洗坏"

09 局限性：AI 搞不定的 Excel 场景

讲完好处，必须泼冷水。以下场景，AI 现在还帮不了你，或者帮了反而坑你：

1. AI 不懂你的"业务口径"。你说"算收入"，AI 不知道你们公司"收入"是含税还是不含税、是否扣除退货。这种口径只有你们财务自己清楚，必须在 Prompt 里写死。

2. 复杂模型（含循环引用、宏）AI 容易错。三张表联动的财务模型、带宏的自动化，AI 能改局部，但理解整体勾稽关系容易出岔子。这类核心模型，AI 当辅助，你当裁判。

3. 大数据量 Excel 卡成 PPT，AI 也救不了。几十万行的表，Excel 本身就不擅长。该上 Python（pandas）就上 Python，别硬刚。AI 的价值是"写 Python"，不是"让 Excel 变快"。

4. 隐私合规红线。把含客户信息、未公开财务的表格直接贴给公有云大模型，是合规风险。敏感数据要么脱敏，要么用本地部署的模型（参考第 15 篇的私有知识库思路）。

5. 公式一次性正确率约 80%。剩下 20% 是它不懂你的数据细节。铁律：AI 给的公式，先拿真实数据验一遍再批量用。

写在最后

Excel 不会消失，但"会写 Excel"的含义变了。

过去，"Excel 高手"= 记住一堆函数、能手写嵌套公式。未来，"Excel 高手"=能把业务需求讲清楚，让 AI 把需求变成公式和脚本。

你的核心竞争力不再是"函数记得多牢"，而是"业务理解够不够深、需求描述够不够准"。AI 接管了语法，把舞台留给了逻辑。

"VBA 是给程序员学的，自然语言是给金融人用的。AI 把 Excel 的门槛，从'写代码'降到了'说人话'。"

关注「算力炼金术」，每周更新 AI×金融实战内容。