Claude 进了 Excel,真正变化不是会写公式

很多人以为 AI 做表格，就是帮你写几个公式。
但 Claude 进入 Excel 这件事，真正值得看的不是“公式助手”，而是 AI 开始进入一段完整的办公工作流：看数据、改数据、做分析、搭模型，最后还要接受人的审计。

01 AI 做表格，痛点从来不是“不会写公式”

很多 AI 工具都说自己能处理表格。你上传一个文件，让它帮你清洗数据，它给你一段公式；你复制到 Excel 里，报错。你再回去问它，它道歉，然后给你另一段公式。再复制，再报错。整个过程很熟悉，也很烦。

这就是很多人用 AI 做 Excel 时的真实体验：AI 看起来很聪明，但它和你的工作表之间隔着一堵墙。它知道“理论上应该怎么做”，但它并不真正站在你的表格里，看见那些具体单元格、公式依赖和数据结构。

Claude in Excel 想解决的，正是这堵墙。它不是让你在聊天窗口和 Excel 之间来回搬运，而是把 Claude 放进 Excel 侧边栏里，让它直接读取工作簿、理解单元格、生成公式、修改表格，甚至在表格内部完成仪表盘和模型搭建。

Claude in Excel，可以先理解成“嵌在 Excel 里的 AI 工作助手”。它不是单纯回答“这个公式怎么写”，而是能围绕当前工作簿继续往下处理任务。

这就很关键了。因为办公场景里的 AI 价值，不是回答一句话有多漂亮，而是它能不能少让你在工具之间来回搬砖。

02 安装不复杂，重点是它开始接管“表格上下文”

从使用入口看，Claude in Excel 的安装方式并不复杂。打开 Excel，在 Home → Add-ins，或者 Insert → Get Add-ins 里搜索 “Claude by Anthropic”，安装后登录 Claude 账号即可。常用快捷键也比较直接：Windows 是 Ctrl + Alt + C，Mac 是 Ctrl + Option + C，用来快速打开 Claude 侧边栏。

但安装方式不是重点。真正值得注意的是，它开始拥有表格上下文。

过去你问 AI：“帮我清洗这张表。”它其实并不知道你表里具体长什么样，除非你上传文件、截图，或者把数据复制给它。即便如此，它给出的结果也常常需要你再手动粘贴回 Excel。这个过程像让一个顾问站在门外指挥你装修房子：建议可能对，但每一步都要你自己动手。

现在的变化是，Claude 进入了房间。它能看到被选中的区域，知道你在操作哪些单元格，也能在获得许可后直接改动工作簿。原文里提到的 “Ask Before Edits” 模式，其实就是一个很重要的安全阀：AI 可以建议和执行，但改动前仍需要你确认。

AI 进入办公软件以后，真正的分水岭不是“会不会回答”，而是“能不能理解你正在处理的上下文”。

这也是为什么 Excel 这类工具会成为 AI 办公能力的关键战场。Excel 不只是一个表格软件，它里面藏着预算、订单、销售、投放、财务模型、运营报表和一堆“不敢随便动”的业务逻辑。AI 如果能在这里稳定工作，就不是玩具级能力了。

03 第一个场景：数据清洗，AI 终于不用只在旁边递公式

原文测试的第一个场景，是数据清洗。这个场景很朴素，但非常真实：一堆字段被挤在同一列里，本来应该分成多个字段，却混在一起，人工整理费眼睛，写公式又很麻烦。

传统做法通常是先观察规律，再写分列公式，或者用 Power Query 处理。懂的人当然能做，但问题是，大多数业务人员不是每天都在训练自己的 Excel 肌肉。很多时候，他们只是想把一张脏表变成一张能用的表。

Claude 的处理方式是：用户先高亮有问题的数据区域，然后直接描述问题。比如告诉它：“这组数据挤在一起了，把它拆成干净的表。”它会根据选中的数据结构理解任务，再生成清洗后的结果。

这里有一个很有意思的细节：你不一定要把修复方案讲得特别细。很多时候，你只需要描述“这个数据哪里乱”，让 AI 自己判断怎么拆、怎么转置、怎么对齐字段。

这和以前的 AI 表格助手不太一样。以前你更像是在问：“这个问题该写什么公式？”现在你更像是在分配任务：“这块数据不干净，帮我整理成能分析的结构。”

数据清洗，说白了就是把“看起来有数据，但机器和人都不好用”的内容，整理成结构明确、字段清楚、可以继续分析的表。

当然，这里不能过度神化。数据清洗越复杂，越需要人检查。尤其是字段含义不清、缺失值很多、业务规则隐含在经验里的表，AI 很容易做出“看起来很合理，但实际业务不对”的整理结果。所以 Claude 能省掉大量重复劳动，但它不能替你承担最终判断。

04 第二个场景：数据分析，关键不是画图，而是帮你找到入口

清洗完数据之后，下一步就是分析。原文第二个测试场景用了一个奥运奖牌数据集，原始数据量超过 15000 行，后来为了节省 token，只截取了 2000、2004 和 2008 三届奥运会的数据，仍然有 6000 多行。

这类场景很典型。数据已经在那里了，但你不知道从哪里开始。很多人打开一张大表，第一反应不是兴奋，而是沉默。因为数据太多的时候，问题反而变成：我到底应该先看什么？

原文里的做法是先问 Claude：“Tell me more about this data。”也就是让它先解释数据结构、字段含义和可能的分析方向。Claude 没有一上来就扫完整张表，而是先读取前几行做初步判断。这很符合真实工作流：先摸清结构，再决定下一步。

接着，用户提出几个业务问题：哪些国家奖牌最多？有没有国家在某些项目上长期占优？有没有运动员跨多个项目拿到奖牌？同时，让 Claude 补充一些可能被忽略的趋势和图表。

这个流程的重点不只是“生成图表”。图表本身并不稀奇，Excel 早就能画图。真正有价值的是，AI 可以把“从哪里开始分析”这件事也接过去一部分。

当数据足够多时，人的瓶颈往往不是不会点按钮，而是不知道该问第一个问题。

原文也提到，Claude 的第一版仪表盘并不完美。颜色主题、图表格式、图例位置、视觉间距都还需要调整。但这很真实。AI 做出来的是可用初稿，不是直接可以拿去董事会拍桌子的终稿。你仍然需要审美、业务判断和汇报意识。

这里也能看到 AI 办公工具的边界：它可以帮你更快到达 70 分，但从 70 分到 90 分，仍然需要人类知道什么叫“好用”、什么叫“重点突出”、什么叫“老板一眼能看懂”。

05 第三个场景：做商业模型，AI 最怕的不是不会算，而是乱连接

原文第三个场景更进一步：让 Claude 在 Excel 里搭一个 SaaS 商业模型。案例是一个叫 ScheduleAI 的社交媒体排期工具，面向创作者，支持 LinkedIn、Instagram、Substack 等平台，采用订阅制，包含免费层和付费层。

这个场景比数据清洗和仪表盘更难。因为商业模型不是把数据整理漂亮就完事，它涉及假设、收入、成本、用户增长、流失率、转化率、利润结构，以及最重要的：这些变量之间必须正确连接。

原文里有两个要求很关键。第一，数值不要硬编码，能链接到假设表的地方就链接到假设表。第二，输入单元格和公式单元格要用不同格式区分，比如输入用蓝色，公式用黑色。

硬编码，可以理解成“把数字写死在公式里”。它短期看起来省事，但后续一改假设，模型就可能到处断线。

这其实是财务模型里非常基础、也非常容易被忽略的规则。好的模型应该像一个可调参数的系统，而不是一堆写死数字的表格。你改用户增长率，收入要跟着变；你改团队人数，员工成本要跟着变；你改付费转化率，利润结构也应该联动。

原文里 Claude 先搭了假设表和用户瀑布模型，再往下搭三年 P&L，也就是损益表。它根据用户数和订阅价格计算收入，再根据托管成本、员工成本、营销费用等计算 EBITDA。

但问题也很快出现了。比如增加员工人数没有带动员工成本变化，说明公式链接有问题。还有一个更典型的问题：模型没有假设用户逐年增长，结果就是三年都停留在 5000 个用户。听起来有点呆，但这类错误在真实模型里并不少见。

这说明 Claude 能快速搭出模型骨架，但商业模型的质量不只取决于公式是否能跑，还取决于假设是否合理、变量是否联动、业务逻辑是否成立。

06 最重要的一步：审计，而不是盲信第一版结果

原文最后给出的最佳实践，其实比前面三个案例更重要。

第一，不要一开始就教 AI 怎么修。你可以先描述问题本身，比如“这组数据混在一起了，把它整理成干净的表”。有时候，AI 对结构的判断比你硬拆步骤更有效。

第二，做大数据分析时，不要只让它画一个图，而是让它创建一个新仪表盘，展示关键趋势。这样它更容易围绕整体分析目标组织结果，而不是只完成一个孤立动作。

第三，要明确区分输入和公式。静态输入用一种颜色，公式单元格用另一种颜色。这个习惯看起来很小，但在模型审计时非常有用，因为你能快速看出哪些地方是人为假设，哪些地方是计算结果。

第四，也是最重要的一点：永远要问为什么。不要信第一版。看到不合理的地方，就高亮单元格问它：“为什么这个员工成本没有跟着人数变化？”或者“这个增长率为什么没有链接到假设表？”

AI 把表格做出来，只是工作完成了一半；人把逻辑审清楚，才是另一半。

这其实是 AI 办公工具带来的岗位变化。过去，Excel 高手的价值很大一部分来自“会写复杂公式、能快速搭模型”。现在，这部分能力正在被 AI 吃掉一块。但人的价值没有消失，而是往上挪了：你要知道问题该怎么定义，结果该怎么验证，模型哪里可能错。

说白了，未来真正值钱的可能不是“我会不会写这个公式”，而是“我知不知道这个公式应该不应该存在”。

07 Claude in Excel 背后的信号：AI 正在从聊天框进入工作现场

如果只把 Claude in Excel 看成一个 Excel 插件，这件事就有点小了。更大的信号是：AI 产品正在从“聊天框里的助手”，变成“工作软件里的同事”。

聊天框的问题是，它很通用，但也很抽象。你问它什么，它答什么。可真实工作不是这样。真实工作有上下文，有文件，有权限，有历史版本，有公式依赖，有老板明天要看的汇报，还有一堆不能随便改的业务规则。

Excel 是一个非常典型的工作现场。它不性感，但重要。它不像 AI 发布会上的酷炫 Demo，却承载了大量真实公司的日常决策。预算怎么分，成本怎么控，业务涨没涨，项目能不能投，最后经常都要回到一张表。

所以 Claude 进入 Excel，不是为了证明 AI 会写 VLOOKUP，也不是为了让表格变得更花哨。它真正指向的是：AI 要想在企业里创造价值，必须进入具体工具，理解具体上下文，并且接受具体约束。

这也是为什么 Microsoft Copilot、Claude、ChatGPT 这一类工具都会越来越重视办公套件、文件系统、代码仓库、企业知识库和连接器。未来的竞争不会只发生在“谁回答得更像人”，还会发生在“谁更能嵌入真实工作流”。

08 但别急着神化它，Excel 里的 AI 仍然需要人掌方向盘

Claude in Excel 的方向很清楚，但边界也要讲清楚。

第一，它依赖数据质量。如果原始数据本身字段混乱、口径不统一、业务规则缺失，AI 只能根据可见信息推断，推断就可能错。垃圾进，垃圾出，这句话在 AI 时代一点都没过时。

第二，它依赖提示质量。你不需要写得像程序员，但至少要讲清楚目标。比如“帮我分析一下”太泛了，“请创建一个新仪表盘，展示国家奖牌总数、项目优势国家和跨项目获奖运动员”就更可执行。

第三，它依赖人工审计。尤其是财务模型、业务预测、经营分析这类场景，不能因为表格看起来专业，就默认逻辑一定正确。AI 很擅长生成一个“像那么回事”的结果，但像，不等于对。

第四，它也依赖权限和组织流程。企业里很多表格包含敏感数据，谁能用、能不能上传、能不能让 AI 读取、修改前是否需要审批，这些都不是一个插件按钮能解决的问题。

所以更准确地说，Claude in Excel 不是让所有人都变成财务专家，也不是让 Excel 高手失业。它更像是把很多低价值重复劳动往下压，把人的注意力推向更高层的问题：目标、假设、判断、审计和决策。

09 真正的变化：Excel 高手的价值正在重新定义

原文最后有一个判断很值得展开：2026 年的变化不只是多了一个新工具，而是价值位置变了。

过去，Excel 高手往往是那个知道复杂公式、熟悉快捷键、能快速搭模型的人。这当然仍然重要，但门槛正在下降。AI 可以帮你生成公式、清洗数据、搭初版仪表盘，甚至做出一个商业模型雏形。

但新的问题也随之出现：这个模型假设合理吗？这个图表有没有误导？这个收入预测是不是太乐观？这个成本有没有漏项？这个公式有没有把变量写死？这个结论能不能拿去支持真实决策？

这些问题，AI 可以辅助，但不能替你负责。

当 AI 接管执行，人类的价值不会消失，而是更集中地体现在判断和负责上。

这对普通职场人其实是一个提醒：不要只学“怎么让 AI 干活”，还要学“怎么验收 AI 干的活”。未来的办公能力，很可能会变成三件事：能不能把问题说清楚，能不能让 AI 快速产出初稿，能不能发现初稿里那些看起来不明显但会影响决策的错误。

这不是轻松模式。只是重复劳动少了一些，判断压力多了一些。说得不客气一点，AI 可以帮你把表做快，但不能帮你替老板解释为什么这个数错了。

Claude 进入 Excel 的重点，不是 AI 又会写几个公式了。
而是它开始进入真实、琐碎、容易出错的办公现场。
到这一步，真正的竞争就不只是模型能力，而是谁能让 AI 在工作流里稳定把活干完。