Két benchmark, két korszak
2024-ben jelent meg az első komoly táblázatos mérés: 912 valódi felhasználói kérdés Excel-fórumokról, 2 729 tesztesettel, olyan táblákon, amik nem szép relációs adatok, hanem színekkel, összevont cellákkal, több munkalappal.
Az akkori legjobb általános modell 18,35%-ot ért el. Az emberi Excel-szakértő 71,33%-ot. Ötvenhárom százalékpont különbség.
Ez a benchmark mára nagyrészt „megoldott": a legjobb bejelentett eredmény 70% fölött van. Ezért kellett egy nehezebb.
A 2026 júniusi második kiadás már nem egy-egy műveletet mér, hanem végponttól végpontig tartó üzleti munkafolyamatokat: 321 feladat valódi pénzügyi jelentésekből, feladatonként átlagosan 11,8 munkalap és 593,5 módosított cella. Nyolc élvonalbeli modellt és négy kereskedelmi táblázat-AI terméket teszteltek rajta.
| Kategória | A legjobb modell eredménye |
|---|---|
| Vizualizáció | 62,5% |
| Sablonkitöltés | 52,6% |
| Pénzügyi modellezés | 34,0% |
| Hibakeresés | 12,0% |
| Összesített | 34,9% |
Az összesített érték a 321 feladatra súlyozott, nem a négy kategória számtani átlaga — a kategóriák eltérő elemszámúak. A nyílt súlyú modellek 7,2% és 17,1% között végeztek.
A tanulmány kulcsmondata megmondja, hol a törés: a mai modellek egy-egy cella szintjén közepes sikerrel dolgoznak, de nem tartják a cellák közti összhangot. Egy képletet át tudnak írni. Egy húsz munkalapos modellt, ahol minden mindennel összefügg, nem.
A legrosszabb eredmény a leggyakoribb kérésre
Álljunk meg a 12%-nál egy pillanatra.
A „nézd már meg, mi a baj ezzel a táblázattal" valószínűleg a leggyakoribb dolog, amit valaki egy táblázatkezelő AI-tól kér. A mérés szerint ez a legrosszabbul teljesítő kategória — rosszabb, mint a modellépítés, sokkal rosszabb, mint a diagramkészítés.
Ennek van logikája. A hibakereséshez azt kell tudni, mi lenne a helyes eredmény. A modell viszont azt látja, ami a cellában van, és ahhoz keres magyarázatot. Ugyanaz a hajlam, ami máshol hasznos — a meglévő állapot értelmezése —, itt pont a hibát betonozza be.
Hol csal: a hibák tipológiája
A másik fontos 2026-os mérés valódi, „koszos" adatokon futott: 178 adathalmaz, táblánként átlagosan 210 ezer sor (a legnagyobb 11,9 millió), 36%-uk több táblás, és több mint felükhöz külső magyarázó anyag tartozik. Itt a legjobb összesített pontszám 0,4 alatt maradt.
De a szám kevésbé érdekes, mint a hibák szerkezete:
| Hibatípus | Arány | Mit jelent |
|---|---|---|
| Szűrési feltétel hibája | 32,4% | nem alkalmaz olyan feltételt, amit a kérdés nem mond ki, de nyilvánvaló — például duplán számol egy már aggregált sort |
| Transzformációs hiba | 23,2% | dátumformátum félreértése, szövegként tárolt szám rossz konverziója |
| Kontextuskezelési hiba | 8,7% | többlépéses kérdésnél a saját korábbi hibás kimenetét viszi tovább |
| Vizualizációs hiba | 6,8% | rossz tengelytartomány, a kért időszakot nem fedő idővonal |
| Rossz tábla választása | 4,3% | |
| Külső magyarázat félreértése | 3,9% |
Ez a válasz arra, hogy „hol csal". Nem kitalált sorokat gyárt. Csendben rosszul szűr és rosszul aggregál — a végeredmény egy hihető szám, ami rossz. Se hibaüzenet, se figyelmeztetés, se gyanús formázás.
Négy konkrét példa egy független tesztből, ami pont ezt illusztrálja. Repülőterek listázásánál kimaradt egy hétszázezres város; egy másik kérésnél két nagy repülőtér hiányzott a listából; „életkor szerinti rendezés" kérésre valójában dátum szerint rendezett, és a lista elejéről eltűntek a sorok; országlistánál megfigyelő státuszú államokat teljes jogú tagként sorolt fel. Mind a négy hiba egy első ránézésre hibátlan táblázatot eredményezett.
A képlet, ami megszűnik — és amit ebből tanulni lehet
2025 augusztusában az egyik nagy irodai csomag bevezetett egy AI-függvényt a táblázatkezelőjébe: be lehetett írni egy cellába, mint bármelyik képletet, és természetes nyelvű utasítást adni neki.
A kivezetés napja 2026. szeptember 14. Egy év után, úgy, hogy soha nem lépett ki a próbaverzióból.
A gyártó indoklása diplomatikus, de a saját dokumentációja kimondja a lényeget: a mögöttes modell változhat, ezért ugyanaz a képlet, ugyanazokkal az argumentumokkal, idővel más eredményt adhat — és minden olyan munkához, ahol pontosság vagy reprodukálhatóság kell, a hagyományos képleteket ajánlják.
Ez a mondat a cikk legfontosabb tanulsága, és messze túlmutat egy terméken. A táblázat azért táblázat, mert újraszámolható. Ha egy cella értéke attól függ, melyik modellváltozat futott aznap, akkor az a cella nem képlet, hanem pillanatfelvétel.
A gyakorlati szabály ebből: az AI-t a táblázat elkészítésére használd, ne a működtetésére. Írasd meg vele a képletet — aztán a képlet maradjon a táblázatban, ne a modell.
A táblázat AI nélkül is hibás
Van egy fontos ellenpont, ami nélkül a fentiek igazságtalanok lennének.
A táblázatauditok klasszikus összefoglalója szerint a valódi, éles használatban lévő táblázatok túlnyomó többsége hibát tartalmaz — a módszertanilag legszigorúbb auditokban a vizsgált táblázatok 91%-a. Laborkísérletben, ahol a résztvevők szöveges leírásból építettek 25–50 cellás táblázatot, a munkák 51%-a volt hibás.
És a legfontosabb szám az egészben: egy ember, aki átnézi a saját táblázatát, a hibák nagyjából felét találja meg. Ugyanez az összefoglaló megjegyzi, hogy 90% közeli hibafelderítés csak a legegyszerűbb folyamatoknál fordul elő, például helyesírás-ellenőrzésnél.
Vagyis nem az a kérdés, hogy az AI hibázik-e. Hanem az, hogy az ellenőrzési eljárásod észreveszi-e — mert az emberét sem veszi észre.
A recept: négy ellenőrzés
Nincs AI-specifikus auditprotokoll, de a hagyományos táblázat-ellenőrzés eljárásai közvetlenül átvihetők. Négy lépés, ebben a sorrendben.
1. DARABSZÁM
Hány sor jött be, hány sor ment ki, hány esett ki.
A háromnak ki kell jönnie. Ha nem, állj meg itt.
2. ELLENŐRZŐÖSSZEG
A részek összege = a lekért végösszeg.
Ez fogja meg a duplán számolt aggregált sort — ez a
leggyakoribb hibatípus, az esetek harmada.
3. HATÁRÉRTÉK
Van-e negatív ott, ahol nem lehet? Jövőbeli dátum?
Nullával osztás? Százalék száz fölött?
4. MINTAVÉTEL
Véletlenszerűen kiválasztott sorokat kézzel is
végigszámolsz. Nem az elsőt és nem az utolsót.
A negyedik lépéshez érdemes tudni, mennyi elég. Ha a mintádban egyetlen hibát sem találsz, abból még nem következik, hogy nincs hiba — csak az, hogy a hibaarány valószínűleg egy bizonyos szint alatt van:
| Ellenőrzött sor | Ha egy hibát sem találsz, a hibaarány 95%-os biztonsággal ez alatt van |
|---|---|
| 30 | 10% |
| 60 | 5% |
| 150 | 2% |
| 300 | 1% |
| 1 500 | 0,2% |
(A számítás a „hármas szabály": ha n próbából nulla hiba jön ki, a hibaarány felső korlátja 95%-os megbízhatósággal nagyjából 3/n.)
Húsz sor átnézése tehát semmit nem bizonyít egy tízezer soros táblázatról. Háromszáz már mond valamit.
Tipikus félreértések
- „Ha hibázik, az kiderül." A mért hibák harmada rossz szűrés, negyede rossz konverzió — mindkettő hibaüzenet nélkül fut le, és hihető számot ad.
- „A képletet legalább jól megírja." Egyedi képletre gyakran igen. A baj a cellák közti összhangnál kezdődik: a mérés szerint pont ezt nem tartja.
- „Majd megkérem, hogy keresse meg a hibát benne." Ez a mért leggyengébb képessége: 12%.
- „Ez csak egy rossz modell volt." A nehezebb mérésen nyolc élvonalbeli modell és négy kereskedelmi termék versenyzett. A legjobb 34,9%.
- „Beírom képletként a cellába, és kész." Az a kimenet nem reprodukálható: a modell változhat, az eredmény vele. Ezt maga a gyártó írta le, mielőtt kivezette a funkciót.
Amit érdemes elvinni
Két mondat, amit érdemes megjegyezni.
Az első: a reprodukálhatóság dönt. Ami holnap is ugyanazt adja, az maradhat a táblázatban — a képlet igen, a modellhívás nem.
A második: a négy ellenőrzés (darabszám, ellenőrzőösszeg, határérték, mintavétel) nem azért kell, mert az AI rossz, hanem mert a táblázat AI nélkül is hibás volt. A gép csak gyorsabban állítja elő azt, amit eddig is ellenőrizni kellett — és pont annyival több hiba jön vele, amennyivel több munka készül.
Hogy a napi irodai munkából hol van egyáltalán mérhető nyereség, arról a valódi időnyereség poszt szól feladattípusonként; a visszatérő, ütemezett riportok felépítéséről pedig a riportok automatizálása poszt ad receptet.