AI清洗Excel到底行不行?我把4个工具挨个考了一遍

上周拜访一家老客户做AI落地的前期调研。对方信息化负责人颇为得意，现场向我演示：将一份8000余行的销售汇总表拖入对话框，输入寥寥数语，数秒之内，重复记录消失、金额列被统一为数值、缺失字段亦被补全。他随即反问我：这类脏活，往后是否无需专人处理？

我未置可否。并非刻意扫兴，而是此类场景见得太多。我在IT领域从业20年，从研发、售前、咨询、解决方案到部门负责人，如今主要协助企业落地AI能力。过去十余年与数据缠斗的经验，远多于写下的代码——系统上线、流程跑通之后，瓶颈往往卡在口径不一、主数据失序。因此每当见到AI自动清洗的演示，我的第一反应不是惊艳，而是追问：它依据何种规则完成清洗？

回到办公室，我并未采用客户的原始表，而是自建了一份样本。其中缘由在于，真实业务表的缺陷深嵌于业务语境，反而难以剥离讲清。我按几类典型病症拼出这份样张：同一客户因录入时多敲一个空格、或采用简称，被拆作三条；金额列混杂约12万、暂估之类非标表述；日期格式参差，兼有无值空行；最棘手的是区域一列，华东、华东、East China并存。

随后我将同一份样张分别投入四款企业使用频次最高的AI工具，逐项实测。评判标准只有一个：产出的结果，财务能否直接采信。

豆包与通义千问响应极快，指令门槛也低。上传文件、下达清洗指令，去重、补空、格式归一接连完成，成品观感颇为工整。问题恰恰出在工整二字。豆包将客户甲与客户甲（中间多一空格）判为两家，未能合并；反之，又将两家实际不同的客户，因名称局部重合而归并为一。通义稍佳，却在填补缺失金额时，径直以同区域均值写入——这一数值若进入对账环节，后果堪忧。二者共同的软肋在于：默认你给出的指令已足够，从不主动确认业务规则。去重以何字段为准、口径归属何人、何为异常，皆由模型自行决断。你不问，它便不说。

WorkBuddy与DuMate则走向另一条路径。同样上传、同样指令，它们并不急于动手，而是先反问：重复判定的主键字段是哪一类？客户甲与客户甲是否视作同一实体？区域列是否需统一为中文？DuMate更进一步，将每一条拟执行的变更列作清单供确认，并附变更依据。待我逐项认可，方才落笔。成品我仍抽取二十行复核，大体无误。

公允地说，前两者并非不可用，只是须有人在旁把关，适用于规则明确、容错率高的场景；后两者更接近于资深财务先问清再动手的做派，方具备进入生产的条件。二者差异的根源，在于产品设计取向：前者服务个人效率，以看起来完成为优；后者嵌入企业流程，以可追溯、可复核为纲。

然而我真正想指出的，并非工具优劣。当日客户以为解决的是洗表问题，实则不然。表为何而乱？录入口径无人界定，业务人员图省事随意填写，主数据根本无人治理。这些症结AI无力解决，它只是在你投喂的那张已然失序的表上，再做一层加工。

我曾亲历一家企业，斥资搭建AI中台，模型输出的经营分析结论却大面积谬误。排查半年方才定位：根因不在模型，而在底层客户主数据本身便存在三成误差。项目被迫回退，转而先行梳理数据标准。

故此，对一切意欲以AI提效的企业，我愿直言一句：莫急于让模型替代人力。请先将何为一条客户、金额如何计量、区域归属何方这些最朴素的命题界定清楚，再令工具进场。地基未固，AI不过将你二十年累积的紊乱，收拾得更为体面，却也错得更为隐秘。

---------------

本文无意推介任何产品。四款工具，包括其失当之处，皆已如实陈述。

若你亦在推演企业AI落地，困于数据与流程这一关，欢迎关注数智老 兵回复「落地」，我将整理主数据与口径治理的那套清单奉上。