AI 时代，还需要学 Excel 公式做基础处理吗？

先说结论：需要，但“需要”的范围变了。AI 让公式从“体力活”变成了“契约层”——它不再是你要背下来的字典，而是你用来把业务口径钉死在表里的那几根钉子。真正该学的不是五层嵌套的炫技，而是几类能覆盖绝大多数场景的基础函数，以及围绕它们建立的协作习惯。

一、一个真实的对账事故：模型不知道你的隐藏规则

去年有一次，为了省事，我把一整张销售明细丢给模型，让它“帮忙优化一下”。它确实整理得漂亮，还自动补了几列洞察。结果月底对账对不上。

原因很土：原来有一条隐藏规则——退货要按到账日拆成两期，而不是按下单日。模型不知道这条规则，我当时也没写进提示词。

这件事暴露的并不是“AI 不行”，而是职责边界不清：模型的输出是概率性的、不可追溯的；而财务口径必须是确定性的、可复现的。 一旦把后者交给前者，出问题时你连回滚点都没有。

从那以后我划了一条线：

• 口径和金额，公式保底；
• 措辞和脏文本，AI 旁路。

二、为什么 AI 越发达，公式越像“可复查的契约”

企业里很多事故不是“算错了一次”，而是“说不清怎么算出来的”。出了事，你需要的是复盘路径，不是一份漂亮但不可追溯的结果。

公式在这件事上有天然优势：

1. 可读即审计。 你告诉同事“这列是税率乘净额”，对方一眼能验；你告诉对方“这列是模型生成的”，对方不敢直接改。
2. 确定性可复现。 同样的输入，永远得到同样的输出，不依赖提示词措辞、模型版本或当天的采样温度。
3. 变更可 diff。 公式改动是行内的、可见的、可版本管理的；模型行为的变更往往是“黑箱漂移”。
4. 交接成本低。 规则活在大家都能打开的地方，而不是某个人的聊天窗口里。

所以公式的价值重心，已经从“算得快”迁移到“说得清”。

三、够吃饭的几类函数：不用背成字典

我不建议把函数当字典背。会下面这几类，日常 90% 的场景就能覆盖：

1. 条件汇总：SUMIFS / COUNTIFS

多条件求和与计数是报表的骨架。关键在于条件区域与求和区域严格对齐，以及把口径写成参数而不是硬编码在公式里。

=SUMIFS(明细[金额], 明细[门店], $A2, 明细[日期], ">="&$B$1, 明细[日期], "<="&$C$1)

把起止日期放在单元格里，而不是写死在公式中，本身就是一种“口径文档化”。

2. 取数：XLOOKUP / INDEX-MATCH

跨表取数是另一类高频需求。优先用 XLOOKUP（支持默认返回值、可反向查找）；在老版本环境里用 INDEX-MATCH 兜底。要点是查找键的唯一性——重复键是取数错误的头号来源，取数前先用 COUNTIFS 验一遍键是否唯一。

=XLOOKUP($A2, 主数据[编码], 主数据[单价], "未匹配")

第四参数给一个显式的“未匹配”文本，比返回 #N/A 更利于人工排查。

3. 分支：IF / IFS

分支逻辑要克制。IFS 比多层嵌套 IF 可读性好得多，但分支超过三四层就该考虑换成映射表——用一张“条件-结果”对照表加 XLOOKUP，比在公式里堆判断更容易审计。

4. 文本与日期：TEXT、日期函数

这一类的真正难点不在函数本身，而在数据不干净：文本型数字、带空格的数字、不可见字符、日期被存成文本。清理往往比计算更耗时。常用手段包括 TRIM、CLEAN、VALUE、分列，以及用 TEXT 统一输出格式：

=TEXT(VALUE(TRIM(CLEAN($A2))), "yyyy-mm")

5. 数据验证：把错误挡在入口

数据验证（下拉、范围限制、唯一性）是最被低估的一项。它把“事后清洗”变成“事前约束”，从源头上减少脏数据。规则能前置的，就不要留给下游公式去容错。

四、别炫技：复杂嵌套是把风险存成单点故障

我以前也炫技，一行里塞五层判断，当时觉得很爽。后来请假一周，同事不敢动那列，回来一堆红字等我。

那种“爽”本质上是把风险存成了单点故障：只有你能维护的公式，就是团队的负债。

几条自律原则：

• 一行公式的嵌套深度控制在可读范围内，超了就拆辅助列；
• 辅助列命名要表达业务含义，而不是“辅助列1”；
• 关键列旁边留一列“口径说明”，写清数据来源与计算逻辑；
• 宁可多两列，也不要写一个三个月后自己都看不懂的公式。

五、混用策略：三句话说完的流程

我的做法很土，说人话就三句：

1. 先把规则列用公式打底。 金额、税率、口径、对账键，全部公式化。
2. 中间需要从聊天记录、PDF 备注里抽字段时，才开 AI 做草稿。 抽取、归类、起表头名、拆一段乱糟糟的客户反馈，这些是模型的主场。
3. 再抽几行人工核对后贴回去。 抽样核对是必须的，不能省。

稳定之后，再考虑用脚本把重复流程固化。一上来就全托管，出问题你连回滚点都没有。

这个流程的核心是“分段交付”：AI 负责非确定性环节，公式负责确定性环节，人工负责抽样校验。三者各司其职，任何一段出问题都不会污染全链路。

六、容易被忽略的两件事：权限与交接

团队表越来越多的时候，我更愿意让规则活在大家都能打开的地方。

• 权限：公式所在的工作簿应该是团队可访问的共享位置，而不是某个人的本地磁盘。规则藏在私人文件里，等于没有规则。
• 交接：公式是自解释的，模型调用不是。如果一定要用模型生成某列，至少保留“生成时间、提示词版本、抽样核对人”三项元信息，否则三个月后没人敢碰。

七、一个务实的边界表

环节	推荐承担者	理由
金额、税率、对账口径	公式	确定性、可审计、可 diff
脏文本抽取、字段归类	AI 草稿 + 人工抽样	非结构化输入，模型优势明显
表头命名、措辞润色	AI	低风险、高收益
数据入口约束	数据验证	事前约束优于事后清洗
重复流程固化	脚本	稳定后再自动化

结语

顺带一提：输入 XLOOKUP、VLOOKUP、SUMPRODUCT、SUM、IF、COUNTIF 这些函数的速度，很多时候确实比等模型生成还快。而公式真正的难点，从来不是函数本身，而是不规范的数据——隐藏字符、带空格的数字、文本型数字。把这些清理问题解决好，再配上“公式保底、AI 旁路”的分工，你既拿到了 AI 的提效，也守住了数据的可靠性。

所以问题不是“还要不要学公式”，而是“把公式用在哪儿”。我的答案是：用在那些出事之后你必须能解释清楚的地方。