От Excel к коду: как методологи автоматизировали обработку справочников с помощью ИИ

# От ручного Excel к ИИ-генерации кода: опыт автоматизации обработки справочников

Работа с большими таблицами часто ассоциируется с безысходной рутинной копированием данных и вечной борьбой с формулами, которые ломаются от единственного лишнего пробела. В компании ГК ЛАНИТ столкнулись с этой проблемой напрямую. Речь шла о системах производственного планирования крупной логистической компании, где методологи искамили справочники в формате Excel. Эти файлы стали «живым организмом» с сотнями аналитик и тысячами строк, но поддерживать их вручную оказалось невозможным из-за человеческого фактора.

Масштаб проблемы: почему Excel не справляется

Для понимания сложности задачи стоит привести несколько цифр. Ведение методологии системы опиралось на массивы из 16 столбцов и 50 000 строк, разделенные на несколько блоков. В одном лишь справочнике формул содержалось данные, требующие сверки по версиям.

Изменение даже одной ячейки или одной аналитики требовало проверки всей структуры. Типичные ошибки «человеческой» обработки включали: * Несогласованность изменений по всем необходимым аналитикам. * Возникновение дубликатов записей. * Потерю несохраненных правок. * Синтаксические ошибки в кодировке.

Автор материала, методолог, делится личным опытом: за одну задачу приходилось переделывать справочник четыре раза из-за пропущенного знака апострофа. Результатом становилось бесконечное недоверие к системе и ощущение невозможности контроля качества.

Решение: когда методологам помогают нейросети

Команда проекта состояла из методологов, а не профессиональных программистов. Однако с развитием искусственного интеллекта задача изменилась. Сложно генерировать код, а ИИ-ассистенты готовы писать его по простому описанию (промпту). Для автоматизации обработки и валидации изменений была выбрана связка VBA (для работы внутри Excel) и Python (для более сложных задач).

В качестве инструментов генерации кода команда использовала большие языковые модели, в частности Qwen3.6 от Alibaba Cloud и DeepSeek (модели V3 и R1). Эти модели доказали свою эффективность в исправлении ошибок, предложении альтернативных вариантов и даже в инструктировании пользователя, как запустить полученный макрос (VBA) или скрипт.

Неважно, как устроен ваш промпт, главное — чётко сформулировать алгоритм. Если вы вручную делаете последовательность действий, ИИ поймёт задачу, если её описать пошагово. Например, для замены кодировок аналитик вместо бесконечного использования функции «Найти и заменить», команда сгенерировала макрос, который читает файл подстановки и автоматически обновляет нужные столбцы во всех листов книги.

Конкретные кейсы автоматизации

ИИ помог решить ряд специфических задач, которые ранее отнимали часы работы:

1. Объединение файлов. Когда необходимо склеить несколько справочников с одинаковой структурой в один файл. Алгоритм извлекает шапку с первого файла и копирует данные с остальных, сохраняя целостность листов A, B, C и далее. 2. Контроль изменений. Система должна была оповещать другую команду о внесении изменений в методологию. Макрос проверяет, есть ли новые значения в определённых столбцах, и выводит сообщение разработчикам. 3. Валидация формул. Самая болезненная задача — проверка апострофов. Один знак может привести к сбою в системе. Написанный скрипт проверяет ячейки на нечетное количество апострофов (с учетом разных кодировок символов) и подсвечивает проблемные поля зеленым цветом.

Помимо этих примеров, команда создала универсальный файл обработки. Он принимает исходные данные, применяет заданные корректировки и выдает обновленный справочник.

Результаты и статистика

Результаты внедрения автоматизации впечатляют и подтверждают тезис о том, что не обязательно быть гуру программирования, чтобы оптимизировать процессы.

Сравнение трудоемкости операций выглядит следующим образом:

| Операция | Ручная работа | Автоматизация | Эффективность | | :--- | :--- | :--- | :--- | | Выгрузка формул | 5–10 минут | 1 минута | x5–x10 | | Обновление справочника | 10–15 минут | 1 минута | x10–x15 | | Корректировка интеграции | 20 минут | 1 минута | x20 | | Сбор формул по модели | до 16 часов | до 30 минут | x30 |

Помимо экономии времени, сократилось количество ошибок. В среднем статистика показывает снижение ошибок на 15–20%, а по отдельным справочникам — до нуля.

Ограничения и будущее

Несмотря на успехи, полностью исключать человека из процесса нельзя. ИИ отлично справляется с задачами типа «заменить», «совместить» или «сравнить», но может ошибаться на сложных многоэтапных алгоритмах. Если задача требует последовательности действий («сделай это, потом то, потом еще это»), нейросеть может сбойнить на втором шаге.

Ключевой навык, который нужно развивать — это умение грамотно формулировать промпты. Описание должно быть алгоритмическим, пошаговым. Если код работает некорректно, важно сразу указывать детали ошибки, а не просить «исправить». Также критически важна валидация сгенерированного кода человеком перед запуском, особенно в вопросах названий листов и столбцов.

В будущем команда планирует расширять функционал универсального файла и создавать более сложные сценарии проверки, используя возможности современных языковых моделей.

*«Самое главное — это не экономия времени, хотя она тоже важна. Это восстановление доверия к данным. Когда методолог уверен, что изменения в системе точны, эффективность работы всего проекта возрастает многократно».*

Команда ГК ЛАНИТ призывает коллег экспериментировать с генерацией кода. Не бойтесь использовать ИИ как инструмент для решения рутинных задач и освобождения творческого потенциала для анализа данных.