Нейросети для создания таблиц в Excel: пять моделей и практика работы с ними

При этом для табличных задач не нужна самая дорогая модель. Нужна та, которая держит структуру, не выдумывает цифры и понимает, что в русском Excel функция записывается как СУММ, а аргументы разделяются точкой с запятой. Разница между моделями в табличных сценариях проявляется резче, чем в обычных текстах, поэтому выбирать стоит осознанно. Ниже — пять нейросетей на платформе STIVA.ai, отобранных именно под работу с таблицами, а после обзоров — практика: как передать данные, как сформулировать задачу и как проверить результат за пару минут.

Пять нейросетей для работы с таблицами Excel

ChatGPT 5.6 Sol

ChatGPT 5.6 Sol — самая сбалансированная модель подборки, и это ровно то, что нужно, когда таблица сложнее, чем «сделай красиво». Контекст в 1 050 000 токенов позволяет загрузить свежую выгрузку из CRM, прошлогодний отчёт в качестве образца формы и техническое задание в одном запросе: модель сравнит структуру, найдёт несовпадающие справочники и предложит схему нового файла. Сильнейшая сторона — формулы и автоматизация, потому что по фразе «нужна сводная по менеджерам и месяцам с накопительным итогом» она выдаёт рабочую конструкцию, объясняет её логику и предлагает альтернативу через Power Query, если данных станет заметно больше. Модель принимает изображения, PDF, документы и таблицы, так что скриншот чужого файла можно использовать как образец оформления. Стоимость — 300 токенов за запрос, то есть в разы дешевле флагманских версий ChatGPT при сопоставимом качестве на табличных задачах. Слабое место — словоохотливость: в ответе легко получить три варианта решения вместо одного, и лечится это одной фразой в промпте с просьбой вывести только итоговую таблицу и одну формулу. Оптимальный выбор для аналитиков, которым нужен один инструмент на все табличные сценарии.

Claude Sonnet 5.5

Claude Sonnet 5.5 — эталон дисциплины, и для таблиц это ценнее, чем кажется на первый взгляд. Модель рассуждает перед ответом и буквально следует инструкциям: если вы задали шесть колонок с конкретными названиями, порядок и типы данных, получите именно их, без переставленных столбцов, «улучшенных» заголовков и дописанных от себя строк. Контекст в миллион токенов позволяет разбирать объёмные реестры и договоры, вытаскивая из них данные для будущей матрицы. Особенно хороша она там, где Excel соприкасается с юридическими и кадровыми формулировками: реестр договоров с датами, суммами и статусами, график отпусков, таблица рисков — всё это выходит аккуратно и без смысловых сдвигов. Модель охотно объясняет причину ошибки: почему ВПР возвращает Н/Д, где потерялся лишний пробел, какой тип данных Excel не распознал. Русский язык на высоком уровне, поэтому примечания и заголовки не приходится переписывать. Стоимость — 300 токенов за запрос. Ограничение стоит учитывать заранее: это не мультимодальный инструмент, и сканы с фотографиями таблиц лучше отдать другой модели. Идеальный выбор для регламентированной отчётности, где точность формулировки важнее скорости.

Gemini 4 Argon

Gemini 4 Argon — рассуждающая модель Google, которая лучше всех в подборке справляется с ситуацией «данные ещё не в Excel». Она уверенно читает изображения, PDF, документы и схемы: загрузите фотографию бумажного журнала, скан накладной или отчёт конкурента на тридцать страниц, и модель распознает таблицу, сохранит порядок строк и соберёт из этого аккуратную матрицу с заголовками. Контекст до миллиона токенов позволяет обрабатывать пакеты документов за один проход и сопоставлять данные между собой, например сверять позиции из прайсов разных поставщиков. Модель полезна и там, где нужны расчёты: она раскладывает задачу на шаги, проверяет промежуточные выводы и объясняет, откуда взялось конкретное число. Хорошо работает и превращение текста в структуру, когда регламент или протокол совещания раскладывается на будущие колонки «задача», «ответственный», «срок» и «статус». Стоимость — 300 токенов за запрос. Минусы стоит знать заранее: на очень длинных документах генерация заметно замедляется, а в креативных текстах модель суше конкурентов. Зато как инструмент оцифровки архивов, счетов и чужих отчётов она экономит часы ручной работы.

Qwen 3.7 Max

Qwen 3.7 Max — рабочая лошадка для больших выгрузок и самый практичный вариант, когда таблица перестаёт помещаться в чат. Контекст в миллион токенов и сильная инженерия означают, что модели можно отдать файл на десятки тысяч строк и просить не «красивую таблицу», а инструмент: скрипт на Python с pandas для очистки данных, формулу массива, запрос Power Query или макрос VBA. Qwen дисциплинированно держит формат вывода — CSV с нужным разделителем, markdown-таблица с фиксированными колонками, JSON для дальнейшей обработки — и не разбавляет результат лишними рассуждениями. Русский язык она понимает уверенно, поэтому формулировки вроде «посчитай средний чек по категориям, исключив возвраты и самовыкупы» не требуют перевода на английский. Отдельный плюс — терпимость к грязным данным: пропуски, разные форматы дат, лишние пробелы и дубли разбираются методично, а не вызывают падение на первой аномалии. Стоимость — 200 токенов за запрос. Слабое место — живой стиль текста, поэтому сопроводительные записки к таблице лучше заказать другой модели. Хороший выбор для тех, кто регулярно сводит данные из нескольких систем и хочет однажды автоматизировать этот процесс.

DeepSeek V4 Pro

DeepSeek V4 Pro — самая дешёвая модель подборки: 20 токенов за запрос, то есть в пятнадцать раз меньше, чем у флагманов, при качестве, которого хватает для девяти десятых табличной рутины. Сгенерировать формулу, дописать недостающую колонку, привести даты к единому виду, расшифровать чужую конструкцию с ЕСЛИ и ИНДЕКС, собрать сводную по описанию — всё это она делает уверенно, особенно если добавить в промпт просьбу рассуждать пошагово, ведь в многошаговых задачах Pro-версия заметно точнее базовой. Контекст около 128 тысяч токенов достаточен для одного-двух крупных листов, но не для целого архива документов. Важное ограничение: модель текстовая, изображения и сканы она не принимает, поэтому фотографии таблиц приходится сначала распознавать другой нейросетью. Знания о событиях после обучения ограничены, так что актуальные курсы и цены лучше подавать в промпте вручную. Зато русский язык на высоте: корректные падежи, естественная стилистика, аккуратная терминология в финансах и учёте. Если вы делаете по двадцать однотипных таблиц в неделю, экономия на токенах станет заметна уже в первом месяце.

Почему таблицы — идеальная задача для ИИ

Языковая модель не считает, а предсказывает текст, и это ровно то, что делает её слабой в бухгалтерии и сильной в структурировании. Как только вы перестаёте просить «посчитай» и начинаете просить «приведи в порядок, а формулу дай отдельно», качество результата меняется радикально. Отсюда главный принцип работы: искусственный интеллект отвечает за структуру и синтаксис, а Excel — за арифметику. Модель придумывает схему будущего файла, пишет формулу, чистит данные и объясняет логику, но пересчитывать пусть сам файл, потому что формула, исполненная машиной, ошибается куда реже, чем число, придуманное моделью.

Три способа передать данные модели

Первый и самый простой способ — вставить данные текстом прямо в промпт. Так удобно работать с небольшим массивом: десять, тридцать, максимум пятьдесят строк модель видит целиком и не путается в разделителях, а стоимость запроса остаётся предсказуемой. Второй способ — загрузить файл. Модели с большим контекстом разбирают структуру xlsx, csv или PDF самостоятельно, и это лучший вариант для объёмных выгрузок и документов с несколькими листами. Третий способ — передать только схему: заголовки колонок и три примера строк. Этого обычно хватает, чтобы модель предложила формулу, сводную таблицу или план очистки, не расходуя токены на весь массив.

Практическое правило простое. До пятидесяти строк данные вставляются текстом, от пятидесяти до пяти тысяч — загружаются файлом, а если строк больше, работу стоит переводить в код, который сгенерирует Qwen 3.7 Max или ChatGPT 5.6 Sol. Тот же принцип действует и в обратную сторону: не просите модель переписать вам таблицу на десять тысяч строк в чате, попросите скрипт, который сделает это в файле за секунду.

Промпт, который не приходится переделывать

Большинство разочарований в ИИ-таблицах связано не с моделью, а с запросом в одну строку. Рабочий промпт собирается из четырёх смысловых блоков, которые удобно продумать до того, как вы откроете чат. Сначала формулируется задача: что нужно получить и зачем это нужно, например таблица для отчёта руководителю по продажам за квартал. Затем описываются данные: заголовки колонок, примеры строк, диапазон и примерное количество записей — даже три реальные строки резко повышают точность. После этого задаются ограничения: версия Excel, русская локализация, разделитель аргументов, а также прямой запрет на выдумывание отсутствующих значений. И наконец указывается формат вывода: markdown-таблица, CSV с разделителем, формула одной строкой или пошаговая инструкция.

Сравнение показательно. Запрос «сделай таблицу продаж» почти наверняка приведёт к общим словам и переделке, тогда как подробная формулировка вроде «ты финансовый аналитик, ниже двадцать пять строк выгрузки с датой, менеджером, клиентом, суммой и статусом, собери таблицу по менеджерам и месяцам с суммой сделок, количеством и средним чеком, возвраты учитывай со знаком минус, пустые значения отмечай прочерком, выведи CSV с разделителем и отдельно формулу СУММЕСЛИМН для сверки, Excel 2021 с русским интерфейсом» даёт результат с первого раза. Разница здесь не в везении, а в том, что во втором случае у модели есть всё, чтобы не догадываться.

Пять типовых сценариев

В продажах нейросеть чаще всего просят свести выгрузки из CRM и почты в единый реестр сделок, посчитать конверсию по этапам воронки и собрать таблицу план-факт по менеджерам. В финансах и учёте она извлекает позиции из накладных и актов, сводит бюджеты из нескольких файлов и ищет расхождения между планом и фактом с пояснением причин. В работе с персоналом ей поручают штатное расписание с окладами и вилками, график отпусков без пересечений и матрицу компетенций, причём именно здесь стоит выбирать Claude Sonnet 5.5, потому что аккуратность формулировок важнее скорости. В логистике появляются таблицы сроков поставок с расчётом отклонений от плана, реестры перевозок с тарифами и сводки загрузки склада по неделям. В маркетинге — сравнение тарифов и цен конкурентов, таблица метрик и реестр публикаций с показателями, и если данные нужно сначала найти в интернете, начинать лучше с поисковой модели, а структуру поручать текстовой.

Как проверить результат за две минуты

Проверка занимает меньше времени, чем кажется, если знать, где именно модели ошибаются чаще всего. Первым делом посмотрите на разделитель аргументов: перепутанная запятая вместо точки с запятой — самая частая причина ошибки с нераспознанным именем функции. Затем убедитесь, что названия функций локализованы, то есть в формуле стоит СУММ, а не SUM. Дальше сверьте границы диапазона: формула, написанная на пятьсот строк, нередко приходит с лишней или недостающей строкой. Потом проверьте типы данных, потому что даты и числа, ставшие текстом, ломают любую сводную. После этого сравните контрольную сумму с итогом по исходным данным, и если числа не сходятся, ошибка почти наверняка в границах диапазона или в фильтре. И наконец, поищите в готовой таблице значения, которых не было во входных данных: любая цифра, появившаяся «из головы» модели, требует замены на расчёт.

Если какой-то пункт не проходит, не переписывайте промпт целиком. Укажите модели на конкретную ошибку и попросите исправить именно её — так ответ приходит быстрее и точнее, а контекст задачи сохраняется.

Как расходовать токены разумно

Экономия здесь устроена просто: сначала просите схему и утверждаете её, и только потом заказываете формулы и обработку данных, потому что переделывать структуру дешевле, чем весь файл. Не отправляйте один и тот же массив заново, ведь в рамках диалога модель помнит контекст. Идите от дешёвого к дорогому: DeepSeek V4 Pro годится для черновика и рутины, Qwen 3.7 Max — для объёмов и кода, а финальную сборку отчёта лучше доверить ChatGPT 5.6 Sol или Claude Sonnet 5.5. Удачный промпт стоит сохранить отдельным файлом: это ваш личный шаблон, и он окупится десятки раз.

Какую модель выбрать

Выбор сводится к характеру задачи. Если таблицы разные и сложные, а под рукой нужен один универсальный инструмент, берите ChatGPT 5.6 Sol с его миллионным контекстом, формулами и работой с файлами. Если важнее точность формулировок и соблюдение регламента, как в кадровых и юридических реестрах, лучший вариант — Claude Sonnet 5.5. Когда данные приходят на бумаге, в сканах или PDF, разумнее начать с Gemini 4 Argon, которая читает таблицы с изображений. Для больших выгрузок, очистки массивов и автоматизации через Python или Power Query подойдёт Qwen 3.7 Max. А если нужен поток однотипных таблиц с минимальными расходами, выручит DeepSeek V4 Pro за двадцать токенов за запрос.

Итог

Excel не исчезнет, и нейросеть его не заменит. Но исчезнет та часть работы, которую никто не любит: перебивание данных, поиск забытого синтаксиса и вечное «а почему не считается». Пять моделей на STIVA.ai доступны в одном интерфейсе и на одном балансе токенов, поэтому можно спокойно начать с дешёвой DeepSeek V4 Pro, а сложный квартальный отчёт собрать в ChatGPT 5.6 Sol — без новых подписок и переключения между сервисами.

Возьмите одну таблицу, которую откладывали неделю. Скорее всего, уже через два промпта станет понятно, что делать её руками было не обязательно.