AI i Excel til virksomheder: use cases, datakrav, risici og kontrolspor

AI i Excel: Hvad er det – og hvad kan du reelt bruge det til?

AI i Excel for virksomheder er brugen af Copilot og lignende funktioner til at automatisere klassificering, datarensning, analyse og rapportering i regneark. Værdien opstår, når arbejdet er gentageligt, reglerne er nogenlunde klare, og data er tilstrækkeligt strukturerede til, at mennesker kan kontrollere resultatet.

I praksis betyder det, at Excel ikke bare er et regneark, men et sted hvor du kan:

• få forslag til formler og funktioner
• lade AI klassificere og gruppere data (fx konti, kunder, produkter)
• rense rodede datafelter automatisk
• generere pivottabeller, scenarier og rapporttekster ud fra dine tal

Typisk sker det gennem Microsoft 365 Copilot, funktionen =COPILOT() og i nogle tilfælde Python i Excel. Det gør AI i Excel til et produktivitets- og beslutningsværktøj, ikke en erstatning for faglig vurdering.

Den afgørende forskel fra “almindelig” Excel-brug er, at du ikke selv skal skrive hver formel og hver transformation. Du beskriver, hvad du vil have, i naturligt sprog, og AI foreslår en løsning. Derfor bliver det hurtigt farligt, hvis data er rodede, eller hvis der ikke er styr på kontrolsporet.

De AI i Excel-use cases, der giver mest værdi at starte med

De bedste AI i Excel-use cases at starte med er klassificering af poster, datarensning, simple afstemninger, formelgenerering og hurtige rapportudkast. De giver hurtigt værdi, fordi de er gentagne, lette at kontrollere og bygger på data, som allerede findes i regnearket.

Hvis man skærer ind til benet, er det her, de fleste økonomi- og analyseteam får mest ud af AI i Excel i første omgang:

• gentagne opgaver med mange linjer og få regler
• opgaver, hvor der i dag bruges meget tid på manuel kontrol
• opgaver, hvor et forkert AI-forslag er let at opdage og rette

Nedenfor er en enkel prioriteringsmatrix. Den er tænkt som et beslutningsværktøj: hvor skal du starte, hvad kræver lidt mere omtanke, og hvad skal du først tage fat på, når I har styr på styring og kontrol?

Praktiske eksempler på lavrisiko-use cases

Et typisk første skridt er at bruge Copilot til at klassificere posteringer:

• du har en kolonne med posteringstekster
• du vil skelne mellem “drift” og “investering”
• du skriver en kort prompt, der beder Copilot foreslå en kategori for hver række

Et andet oplagt område er datarensning. Mange virksomheder sidder med kundelister, hvor samme kunde optræder i fem stavemåder. Her kan AI foreslå ensretning, som du efterfølgende godkender.

Fælles for de gode første use cases er:

• de er nemme at forklare (“klassificér”, “rens”, “grupper”)
• du kan hurtigt opdage, hvis noget ser forkert ud
• opgaven gentages så ofte, at gevinsten ikke drukner i hverdagens støj

Datakrav: Hvornår er data gode nok til AI i Excel?

AI i Excel fungerer kun godt, når data er strukturerede, ensartede og tydeligt ejede. Hvis kolonner, nøgler, datatyper og formater varierer, bliver output skrøbeligt og svært at stole på – uanset hvor dygtig modellen er.

Regneark er i forvejen sårbare, fordi de ofte lever et halvt liv uden om de officielle systemer. Med AI på toppen bliver de enten langt mere værdifulde eller langt mere farlige.

Som tommelfingerregel bør et regneark opfylde mindst disse krav, før AI får lov at arbejde på det:

• Tydelig struktur – én tabel pr. ark med klare, navngivne kolonner, ingen “skjulte” totaler eller mellemregninger i hjørnerne.
• Konsistente datatyper – datoer som datoer, beløb som tal, tekst som tekst. Blandede formater er gift for både Excel og AI.
• Unikke nøgler – fx kundenummer, ordrenummer eller kontonummer, så rækker kan matches og spores.
• Standardiserede feltnavne – den samme type information bør hedde det samme på tværs af filer og ark.
• Datavalidering – rullemenuer, faste formater og begrænsninger der forhindrer, at indtastninger løber løbsk.
• Versionsstyring – du ved, hvilken version der er gældende, og hvor ændringer bliver logget.
• Ejer og formål – der er en ansvarlig for arket, og det er tydeligt, hvad det bruges til.

Hvis du mangler dette fundament, er gevinsten ofte større ved først at rydde op i data og strukturere dem. Her kan det give mening at kombinere AI-Excel-arbejdet med et simpelt data governance-setup eller klare data-kontrakter mellem teams, så ingen er i tvivl om, hvem der ejer hvilke data.

En konkret før-du-starter-checkliste i Excel

Inden du tænder for Copilot i et givent ark, kan du stille tre enkle spørgsmål:

• Kan en ny kollega forstå tabellen uden forklaring? Hvis nej, er strukturen for utydelig.
• Kan du beskrive i én sætning, hvad AI skal gøre, og hvilke kolonner der bruges? Hvis nej, er opgaven for uklar.
• Ved du, hvem der sidst ændrede i arket – og hvorfor? Hvis nej, er versionsstyringen for svag.

Hvis du ikke kan svare fornuftigt på de tre, er problemet ikke AI. Det er datakvalitet.

Kontrolspor og audit trail: Sådan dokumenterer du AI i Excel

Et brugbart kontrolspor i AI-Excel kræver, at prompt, output, godkendelse og ændringer logges systematisk. Uden den kæde kan virksomheden ikke eftervise, hvem der godkendte beslutningen, eller hvordan resultatet blev ændret.

De fleste økonomi- og analyseteam kender krav om dokumentation: hvordan kom vi frem til tallene, hvem har godkendt, og hvad er ændret siden sidst. Med AI i Excel bør du tænke på samme måde, bare med én ekstra komponent: prompten.

Den enkle sporbarhedskæde

Et praktisk audit trail i Excel kan bygges som en fast struktur, fx i et særskilt ark kaldet “AI-log”. Her kan du have kolonner som:

• Dato/tid – hvornår blev AI-kørslen lavet?
• Bruger – hvem bad om AI-output?
• Dataset – hvilket ark/tabellenavn og evt. filter?
• Prompt – den tekst, der blev sendt til Copilot.
• Output-type – fx “klassificering”, “rapportudkast”, “formelforslag”.
• Resultat – kort beskrivelse, fx “1.234 rækker klassificeret, 12 markeret som ‘ukendt’”.
• Godkender – hvem har fagligt godkendt resultatet?
• Efterfølgende ændringer – fx “15 rækker rettet manuelt efter stikprøve”.

Selve loggen kan opdateres manuelt i starten. Hvis det viser sig nyttigt (og det gør det ofte), kan det senere delvist automatiseres med simple makroer eller Power Automate-flows.

Byg kontrol ind i selve workflowet

Ud over loggen bør selve arbejdsgangen designes med et tydeligt skel mellem:

• AI-forslag – fx i en hjælpekolonne eller et særskilt ark.
• Menneskelig gennemgang – fx kolonne “Godkendt? (Ja/Nej)” eller kommentarer på afvigelser.
• Endeligt resultat – værdier, der først bruges i rapporter, når de er godkendt.

På den måde kan du til enhver tid vise, hvad AI foreslog, og hvad en medarbejder faktisk har godkendt eller rettet. Det lyder banalt, men er i praksis forskellen på “vi legede lidt med Copilot” og “vi har en forsvarlig, reviderbar proces”.

Hvis du arbejder i en branche med skærpede krav (fx finans eller kritisk infrastruktur), giver det mening at koble dette til jeres mere overordnede krav til AI-styring og de rammer, I alligevel skal leve op til under fx NIS2 eller DORA.

Risici ved AI i Excel – og hvornår du bør lade være

AI i Excel bør undgås eller begrænses, når data er ustabile, beslutningen er højrisiko, eller output ikke kan kontrolleres hurtigt. Risikoen er størst, når virksomheden bruger modellen til noget, der kræver fuld sporbarhed eller stærk faglig vurdering.

Det hjælper at tænke i en simpel grøn/gul/rød-model:

Typiske fejlscenarier i AI-drevne regneark

Nogle risici går igen på tværs af virksomheder:

• Dårlige stamdata – hvis kundenumre genbruges, eller produktkoder ikke er entydige, vil AI lave pæne, men forkerte grupperinger.
• Skjulte kolonner og manuelle overrides – AI kan arbejde på en anden version af sandheden end den, ledelsen kigger på.
• Sammenblandede formål – ét ark bruges både til input, mellemregninger og præsentation; her er det svært at se, hvad AI reelt har påvirket.
• Overdreven tillid – hallucinationer i naturligt sprog viser sig som plausible forklaringer, der bare ikke stemmer med virkeligheden.
• Manglende ejerskab – ingen føler ansvar for at fange fejl, fordi “det var jo AI, der foreslog det”.

Hvis du kan genkende flere af disse mønstre fra jeres nuværende regnearkspraksis, bør du starte med at stramme op på struktur og ansvar, før du lægger AI ovenpå. Her kan det være nyttigt at se på mere generelle råd om it-sikkerhed i praksis og enkel datastyring.

Sådan måler du effekt og ROI på AI i Excel

ROI på AI i Excel bør måles på tidsforbrug, fejlrate og behovet for manuelle rettelser før og efter implementering. Det er den eneste måde at se, om værktøjet faktisk frigør kapacitet og ikke bare flytter arbejdet rundt.

En enkel model er at udvælge 1-3 konkrete processer og måle:

• Tid pr. opgave – fx minutter brugt på månedlig klassificering af posteringer.
• Fejlrate – antal rettelser efter kontrol, eller antal fundne fejl ved stikprøve.
• Andel manuelle rettelser – hvor stor en del af AI-output kræver efterredigering.
• Svartid på rapportering – hvor lang tid der går fra “data er klar” til “rapport er sendt”.

Start med at måle disse tal i en kort periode uden AI. Derefter indfører du AI-støtten og måler igen på præcis samme måde. Den relative forskel er din reelle effekt – ikke hvor “imponerende” demoen ser ud.

Pilot-ROI vs. drift-ROI

Det er vigtigt at skelne mellem:

• Pilot-ROI – hvor hurtigt du kan vise en forbedring i et afgrænset forsøg.
• Drift-ROI – hvor stabilt gevinsten holder over tid, når flere brugere og flere datasæt kommer i spil.

Mange AI-Excel-projekter ser flotte ud i en pilot med få, pæne datasæt og en entusiast i spidsen. Udfordringen kommer, når det skal fungere for hele økonomifunktionen, også på travle dage og med mindre perfekte input. Det er dér, styring, datakrav og kontrolspor for alvor viser deres værdi.

Hvis du arbejder bredt med KPI’er i forvejen, kan det være en fordel at koble AI-Excel-effekten til de samme mål, du i forvejen styrer efter. Her kan perspektiver på sammenhængen mellem KPI’er være nyttige.

Gode Copilot-prompts i Excel: små byggeklodser, stor forskel

Gode Copilot-prompts i Excel er konkrete, datanære og tydeligt afgrænsede. De bør sige, hvad der skal klassificeres, hvilken kolonne der bruges, og hvilket output der forventes, så resultatet kan kontrolleres hurtigt.

Her er tre niveauer, som fungerer godt i praksis:

Simpelt: Klassificering og rensning

• Klassificering af posteringer:
  “Gennemgå kolonne B med posteringstekster og foreslå i kolonne C, om hver postering er ‘Drift’, ‘Investering’ eller ‘Ukendt’. Brug kun teksten i kolonne B som grundlag.”
• Datarensning af produktnavne:
  “Standardisér produktnavnene i kolonne A, så stavefejl rettes og unødige mellemrum fjernes. Behold meningsindholdet, men skriv alle navne med stort begyndelsesbogstav.”

Mellem: Pivottabeller og enkle analyser

• Pivottabel:
  “Opret en pivottabel på et nyt ark, hvor omsætning (kolonne D) opsummeres pr. afdeling (kolonne B) og måned (baseret på dato i kolonne A). Tilføj et søjlediagram, der viser samme fordeling.”
• Nøgletal:
  “Beregn bruttoavance i procent pr. produkt (omsætning i kolonne D, vareforbrug i kolonne E) og indsæt resultatet i en ny kolonne F.”

Avanceret: Rapporter og forklaringer

• Rapportudkast:
  “Skriv et kort resume (maks. 150 ord) af udviklingen i omsætning pr. afdeling baseret på tabellen i dette ark. Fremhæv de tre største ændringer siden sidste måned.”

Fælles for alle eksempler er, at du efterfølgende bør:

• gennemgå et udsnit manuelt (fx 20-50 rækker)
• rette åbenlyse fejl og notere, hvor ofte det sker
• overveje, om prompten skal gøres mere præcis næste gang

Det er samme logik, man bruger i anden data- og analysepraksis: modellen er en hjælper, ikke dommer.

Sådan vælger du de rigtige AI i Excel-use cases til din virksomhed

Den rigtige AI i Excel-use case er den, hvor gevinsten er tydelig, data er tilstrækkeligt strukturerede, og kontrolbehovet kan håndteres uden at bremse workflowet. Start med opgaver, der gentages ofte og allerede har klare regler.

En enkel måde at vælge på er at score hver potentiel use case på fire akser:

• Forretningsværdi – hvor meget tid eller fejl kan du realistisk fjerne?
• Dataklarhed – hvor strukturerede og stabile er data?
• Risikoniveau – hvad sker der, hvis noget går galt?
• Kontrolmulighed – hvor nemt er det at opdage og rette fejl?

Et enkelt beslutningstræ

Du kan bruge følgende beslutningstræ som grov filter:

1. Er opgaven gentagen (ugentlig/månedlig) og tager den samlet set mindst et par timer pr. måned?
   Hvis nej: nok ikke en god AI-kandidat.
2. Er reglerne for, hvad der er “rigtigt”, nogenlunde klare og nedskrivbare?
   Hvis nej: AI kan bruges til inspiration, men ikke til automatisering.
3. Er data i et Excel-ark eller kan nemt samles i ét, med tydelige kolonner og nøgler?
   Hvis nej: start med at konsolidere data først.
4. Kan en fagperson realistisk nå at kontrollere resultatet, før det bruges til vigtige beslutninger?
   Hvis nej: vent, eller begræns anvendelsen.

Use cases, der kommer igennem alle fire spørgsmål med “ja”, er gode første kandidater til et lille proof of concept. Herfra kan du bygge et mere samlet roadmap for, hvordan AI i Excel skal udbredes i resten af organisationen.

Opsummering: Fra “smart i demo” til robust hverdag i Excel

AI i Excel kan være en reel hjælp i økonomi og analyse, men kun hvis du behandler det som en del af din datapraksis – ikke som en magisk funktion.

• Start med lavrisiko, gentagne opgaver som klassificering, rensning og formlestøtte.
• Sørg for, at datakvalitet og struktur er på plads, før du skruer op for automatisering.
• Byg et simpelt, men konsekvent kontrolspor og audit trail, så du kan forklare, hvad AI har gjort.
• Brug en grøn/gul/rød-risikoopdeling, så du ikke ender med at lade AI drive de mest kritiske beslutninger.
• Mål tid, fejl og manuelle rettelser før og efter – det er dér, den virkelige ROI ligger.

Når de rammer er på plads, bliver AI i Excel mindre et eksperiment og mere et solidt værktøj i den daglige drift. Det er sjældent det mest prangende setup, der holder længst, men det der kan forklares på fem minutter og revideres om fem år.