同一份Excel，同一个任务，我让Codex独立跑了两次。第一次：180行。第二次：186行。
问题来了：哪个才是对的？
答案是180行。第二次多出来的6行，是本该合并、却没被认出来的重复记录。
Excel没换，任务没换，答案先换了。
两次都正常结束，也都交出了文件和报告。文件倒是挺齐全，看起来也挺像那么回事。
但把关键判断逐项对比后，两次的逻辑一致率只有约81.16%。
这次我真正想测试的，不是Codex会不会操作Excel，而是一个更麻烦的问题：
图1｜同一份合成数据、同一个任务，两次输出行数不同。
为什么不能只测一次？
整理Excel，是很适合交给AI的脏活。
合并Sheet、统一日期、清理空格、去重、补全能确认的信息、保护公式……每一步都不神秘，但加起来很耗时间。
AI做完以后，还常常很有“完成感”：表格变整齐了，文件生成了，报告也写好了。
可自动化真正需要的，不只是“这次做出来了”。
还要看同样的输入再来一次，它会不会做出相同判断。
这也是为什么我没有把“成功生成文件”当成终点。真正进入工作流程后，AI面对的往往不是一次演示，而是今天一份、明天一份，持续重复同一类任务。一次结果漂亮，只能说明它这次交了作业；每次都能稳定做对，才说明它可能胜任这份工作。
上一次做对了，不代表下一次还会做对。
我故意准备了一份很脏的Excel
为了不碰任何真实客户和个人数据，我使用了一套明确标注为“合成数据”的测试文件。
两份XLSX、四个订单Sheet，一共210行输入。提前确定的正确结果，是180条唯一订单。
我往里面放了不少常见麻烦：混乱日期、大小写和空格、缺失字段、多文件合并、重复记录、公式、真实异常，以及看起来夸张但其实合法的数据。
这些坑单独看都不复杂，放在一起就很接近真实表格的麻烦：日期能统一，重复记录却可能缺少关键编号；异常值不能随便删除，合法的大数也不能因为“看着可疑”就被改掉。
原文件只读。不确定的信息不能瞎猜，异常只能报告，不能擅自改掉。
然后我把完全相同的文件和任务交给Codex运行两次。第二次看不到第一次的结果，也没有收到任何“上次哪里错了”的提示。
图2｜本次使用的是合成测试数据，不是真实客户文件。第一次，我差点以为它成功了
第一次跑完，结果确实让人满意。
210行输入被整理成预期的180条订单。30条预设重复全部处理，应该保留的订单也都还在。
公式表现也不错：订单行公式和汇总公式都保留了正确结构，独立核算也全部通过。
6个真正的异常，它一个没漏。
它也没有在证据不足时擅自填空白。换句话说，第一次运行确实完成了大量有价值的工作，不是靠碰巧得到180这个数字撑场面。
如果我只看行数、公式，再随手抽几行，可能已经准备收工了。
但问题藏在一个很普通的字段里：姓名。
Codex把26个原本规范的合成客户姓名，改成了错误的全大写。它还多报了6个其实不该算异常的“姓名冲突”。
图4｜同一个合成姓名，两次运行都被错误规范成全大写。所以第一次并没有真正通过，只是它做对了很多事，结果又刚好是180行，看起来特别像成功。
AI最麻烦的地方，不一定是它不会做，而是它做错的时候也挺有自信。
第二次，事情开始不对劲
同样的任务再跑一次，结果从180行变成了186行。
多出来的6行都缺少订单号。
虽然没有订单号，但根据其他字段可以确认，它们分别是已有订单的重复来源。第一次把6条全部正确合并，第二次一条都没合并。
这里不是“少了6条订单”，而是多留下了6条本应被合并的重复记录。
行数错了，后面的汇总范围也跟着变了。
如果这是一张真实订单表，影响就不只是在Excel底部多出6行。订单数量、客户统计和金额汇总都可能继续沿用这个结果。错误一旦进入下一步自动化，后面每个环节都可能一本正经地继续算下去。
更尴尬的是，Codex自己的报告仍然说4个汇总公式“4/4通过”。外部核对才发现，它们引用的已经是错误的186行范围。
换句话说：AI的自检报告，也需要被检查。
图5｜第二次有6条缺少订单号的重复来源没有被合并。AI其实有两种完全不同的错
把两次结果放在一起，我发现“AI会出错”这句话还是太笼统了。
第一种，是稳定地错。
26个姓名错误，两次一模一样。它不是偶尔手滑，而是认真执行了一套有问题的规则。
这种错误尤其有迷惑性。因为它每次都一致，看起来反而像“标准化成功”。如果没有提前保存正确样例，或者人工只检查格式是否整齐，很容易把稳定的错误当成稳定的能力。
稳定，不等于正确。
第二种，是这次对、下次错。
6条缺少订单号的重复记录，第一次全部合并，第二次全部漏掉。异常判断也变了：两次都找到了真正的异常，但第一次额外多报了6个姓名冲突，第二次没有。
稳定的错，容易被误当成规则。
不稳定的错，则让一次成功无法保证下一次成功。
图6｜AI既可能稳定地重复错误，也可能在同一任务中改变判断。81.16%，到底意味着什么？
我把两次运行在数据规范、公式、去重、异常和缺失值归属上的关键判断放在一起比较，逻辑一致率约为81.16%。
这个数字不是Codex处理所有Excel的准确率，更不是“每100个单元格就错19个”。
它只代表这一次合成实验里，两次关键判断的一致程度。
但它仍然值得警惕。因为自动化不是展示赛，它要进入真实流程。一个重复订单没合并，可能继续影响订单数、金额汇总和客户统计。
如果同一件事每次都可能换一种判断，就还不能放心让它无人值守。
那Codex到底还能不能用？
能用，而且能干不少活。
两次运行都完成了多Sheet读取、格式统一、数据合并、公式生成、异常识别和变更记录。它确实可以省下大量第一遍整理的时间。
合理的分工不是人把所有工作重做一遍，而是让AI处理批量、重复、容易核对的部分，人把注意力留给错误代价最高的判断。这样仍然能省时间，只是不能把“省时间”误解成“从此不用看”。
但“能干活”和“能放心交付”，是两回事。
更稳妥的流程是：Codex自动清理 + 人工审核。
规则明确、原文件有备份、结果能快速核对、错误代价不高的工作，适合让Codex先处理。
涉及缺失订单号、客户ID、姓名、金额、去重删除、汇总公式，或者结果要直接交付客户、导入正式系统时，必须人工审核。
我以后一定检查这5项
不必重新检查每个单元格，但交付前至少要看：
图7｜AI处理Excel后，交付前至少检查这5项。最后
这次实验没有证明Codex“不行”。
它证明的是：AI可以快速做掉大量脏活，但漂亮的输出文件，不等于可靠的最终答案。
判断一套AI自动化能不能被信任，不能只问“它跑完了吗”。
还要问：再跑一次，判断会不会变？它改过哪些本来正确的数据？一旦出错，我能不能及时发现？
至少在这次实验里，结论很明确：适合自动清理后人工审核，不适合无人值守地直接交付。
如果这是一张你的财务表、订单表或者客户表，你敢不检查，直接使用AI处理后的结果吗？
也欢迎告诉我：你最想交给AI处理的表格是什么，最不能接受哪一种错误？
我是怎么测试的
以下是附加测试说明，不影响正文主线。
- 数据是合成的：两份XLSX、四个订单Sheet、210行输入，正确结果预先确定为180条唯一订单。
- 正确答案和规则在运行前保存，执行Codex看不到答案。
- 两次使用相同任务和输入，彼此独立；第二次看不到第一次的结果和错误。
- 原始文件只读，输出完成后冻结，不人工修正，再从外部核对。
- 两次都没有达到预先设定的成功标准；整体逻辑一致率约81.16%。
- 81.16%只适用于本次合成实验，不是Codex的通用准确率。
