Wenn Sie schon einmal zwanzig Minuten lang nach der Syntax für VLOOKUP gesucht, eine Spalte mit Datumsangaben in sieben verschiedenen Formaten angestarrt oder Daten aus einem PDF als eine einzige Spalte unbrauchbaren Texts eingefügt haben, ist dieser Artikel für Sie.
Nach der Texterstellung gehört Tabellenarbeit vermutlich zu den Bereichen, die sich durch KI am stärksten verbessert haben. Tabellen werden dadurch nicht überflüssig; Sie benötigen sie weiterhin. KI verringert vielmehr die Reibung zwischen „Ich habe Daten“ und „Ich habe Antworten“.
Drei Dinge haben sich geändert:
- Die wichtigsten Tabellenprogramme bieten inzwischen integrierte KI-Funktionen – Copilot in Excel und Gemini in Google Sheets, beide überraschend leistungsfähig.
- ChatGPT, Claude und Gemini können hochgeladene Tabellen lesen, analysieren und Ergebnisse erzeugen, ohne dass Sie selbst Formeln schreiben müssen.
- Reasoning-Modelle beherrschen mehrstufige Datenanalysen so gut, dass eine Beschreibung der gewünschten Auswertung in Alltagssprache meist genügt.
Dieser Artikel erklärt die Funktionen in der Reihenfolge, in der die meisten Menschen ihnen begegnen.
Drei Arten, KI mit Tabellen zu verwenden
Im Wesentlichen stehen drei Möglichkeiten zur Verfügung. Jede eignet sich für andere Situationen.
Modus 1: KI innerhalb der Tabelle. Verwenden Sie Copilot direkt in Excel oder Gemini in Google Sheets. Geben Sie eine Frage in die Seitenleiste ein; das Werkzeug schreibt Formeln, erstellt Diagramme und fasst Daten zusammen. Dieser Modus eignet sich, wenn Ihre Daten bereits in einer Tabelle liegen und Sie die Datei nicht verlassen möchten.
Modus 2: KI außerhalb der Tabelle. Laden Sie eine CSV- oder Excel-Datei in ChatGPT, Claude oder Gemini hoch. Stellen Sie Fragen; das Modell analysiert die Datei, häufig mithilfe von im Hintergrund geschriebenem und ausgeführtem Python-Code, und liefert Ergebnisse, Diagramme sowie eine bereinigte Datei. Dieser Modus eignet sich für unaufgeräumte Daten, spontane Fragen und anspruchsvollere Analysen.
Modus 3: KI als Formelgenerator. Beschreiben Sie das Ziel in Alltagssprache und verlangen Sie die genaue Formel. Fügen Sie sie anschließend in die Tabelle ein. Dieser Modus eignet sich, wenn Sie ungefähr wissen, was Sie benötigen, sich aber nicht an die Syntax erinnern.
Wir behandeln alle drei.
Modus 1: KI innerhalb der Tabelle
Copilot in Excel und die Gemini-Seitenleiste in Google Sheets funktionieren ähnlich: Sie wählen einen Bereich oder öffnen ein Dokument, formulieren eine Aufgabe und erhalten Formeln, Diagramme oder Zusammenfassungen.
Zuverlässige Prompts für integrierte Tabellen-KI:
Untersuchen Sie die Daten in den Spalten A bis F. Fassen Sie den Datumsbereich und die Datentypen der Spalten zusammen und nennen Sie offensichtliche Probleme wie fehlende Werte, uneinheitliche Formate und Ausreißer.
Fügen Sie rechts eine Spalte hinzu, die jede Zeile anhand des Werts in Spalte D als „hohe“, „mittlere“ oder „niedrige“ Priorität einstuft.
Erstellen Sie ein Diagramm, das den monatlichen Umsatz der drei Produktkategorien vergleicht. Es muss auf einer Präsentationsfolie gut lesbar sein.
Finden Sie alle Zeilen, in denen die Spalte „Status“ einen anderen Wert als „offen“, „geschlossen“ oder „in Bearbeitung“ enthält. Vermutlich handelt es sich um Tippfehler.
Berechnen Sie für Spalte C den gleitenden 7-Tage-Durchschnitt und tragen Sie ihn in Spalte G ein.
Das Muster ist immer gleich: Nennen Sie die Spalten, die gewünschte Operation und die Form der Ausgabe genau. Die KI schreibt Formeln oder erstellt das Diagramm. Prüfen Sie das Ergebnis und passen Sie Ihre Anweisung bei Bedarf an.
Die Grenze: Integrierte Tabellen-KI scheitert gelegentlich an komplexen mehrstufigen Analysen. Aufgaben über mehrere Tabellenblätter, tief verschachtelte bedingte Logik oder umfangreiche Bereinigung gelingen meist besser in Modus 2.
Modus 2: KI außerhalb der Tabelle
Laden Sie eine CSV- oder Excel-Datei in ChatGPT Plus oder Pro, Claude oder Gemini Advanced hoch. Das Modell kann sie lesen, analysieren, mit selbst geschriebenem Code verändern und sowohl eine schriftliche Antwort als auch eine herunterladbare bearbeitete Datei erzeugen.
Ein zuverlässiger Ablauf:
Ich lade eine Tabelle mit [Inhalt] hoch. Geben Sie mir zunächst einen kurzen Überblick:
- Was enthält die Datei – wie viele Zeilen und Spalten, und welche Bedeutung scheint jede Spalte zu haben?
- Welche Datenqualitätsprobleme gibt es, beispielsweise fehlende Werte, ungewöhnliche Formate, wahrscheinliche Tippfehler oder Duplikate?
- Welche offensichtlichen, aber nützlichen zusammenfassenden Statistiken gibt es, etwa Häufigkeiten, Wertebereiche und Verteilungen?
Warten Sie anschließend auf meine konkrete Frage.
Dieser erste Durchgang dauert etwa 20 Sekunden und liefert eine realistische Einschätzung der Daten. Stellen Sie danach die eigentliche Frage:
Beantworten Sie zu den Einträgen dieser Tabelle:
- Wie viele stammen aus Estland, Finnland und Deutschland?
- Wie hoch ist die durchschnittliche Auftragsgröße in jedem Land?
- Welcher Vertriebsmitarbeiter erzielt die höchste Konversionsrate?
Geben Sie eine übersichtliche Ergebnistabelle aus. Gibt es außerdem Zeilen mit mehrdeutigen Länderangaben, beispielsweise „DE“, „Germany“ oder „Deutschland“? Kennzeichnen Sie diese.
Das Modell liefert eine Antwort, häufig ergänzt um ein Diagramm und eine bereinigte Datei zum Herunterladen. Die Anweisung zum Kennzeichnen mehrdeutiger Zeilen wird oft vergessen; ohne sie bleiben Datenqualitätsprobleme in der Zusammenfassung verborgen.
Für eine mehrstufige Analyse:
Ich möchte verstehen, welche Kunden abgewandert sind, warum sie abgewandert sind und welche Faktoren Abwanderung vorhersagen. Führen Sie die Analyse in drei Schritten durch:
- Identifizieren Sie zunächst abgewanderte Kunden und definieren Sie Ihr Kriterium, beispielsweise keine Aktivität innerhalb von 90 Tagen.
- Vergleichen Sie anschließend abgewanderte und aktive Kunden anhand aller Dimensionen, für die Daten vorliegen.
- Nennen Sie danach die Dimensionen mit dem größten Unterschied und die besten Frühindikatoren für Abwanderung.
Verwenden Sie ein Reasoning-Modell und zeigen Sie Ihre Arbeit, damit ich sie auf Plausibilität prüfen kann.
Der Hinweis auf ein Reasoning-Modell ist bei mehrstufigen Aufgaben wichtig. Ein schnelles Standardmodell kann Abkürzungen nehmen. GPT-5 Thinking, Claude Extended Thinking oder o3 benötigen länger, liefern aber meist eine zuverlässigere Analyse.
Modus 3: KI als Formelgenerator
Das ist der einfachste Modus. Sie kennen das Ziel, aber nicht mehr die Formel. Öffnen Sie ChatGPT – ein Upload ist nicht erforderlich –, beschreiben Sie die Aufgabe, kopieren Sie die Formel in die Tabelle und passen Sie sie an.
Beispiele, die zuverlässig funktionieren:
In Spalte A stehen E-Mail-Adressen. In Spalte B soll nur die Domain erscheinen. Welche Formel für Google Sheets benötige ich?
Wie zähle ich in Excel alle Zeilen, in denen der Wert in Spalte D zwischen 10 und 20 liegt UND in Spalte E „aktiv“ steht?
Spalte A enthält Datumsangaben im vollständigen ISO-Format wie „2026-04-12T14:30:00Z“. Spalte B soll nur das Datum im Format DD/MM/YYYY und in estnischer Zeitzone anzeigen.
Eine Spalte enthält Währungswerte wie „€1,234.56“, „$987.00“ und „£42.10“. Ich möchte sie auf zwei Spalten verteilen: numerischer Wert und Währungssymbol.
Ich habe zwei Tabellenblätter. Sheet1 enthält Kunden-IDs und Namen, Sheet2 Kunden-IDs und Dollarbeträge. Ein drittes Blatt soll beide verknüpfen und Kundenname, Kunden-ID und Betrag enthalten.
Sie erhalten die genaue Formel. Für das letzte Beispiel schlägt das Modell vermutlich VLOOKUP, INDEX/MATCH oder XLOOKUP mit einer verständlichen Erklärung vor. Fügen Sie die Formel ein und passen Sie die Zellbereiche an.
Bei Formeln, die Sie regelmäßig verwenden, ist eine Rückfrage besonders hilfreich: „Erklären Sie Schritt für Schritt, was diese Formel tut, damit ich sie verstehe.“ Auf diese Weise lernen Sie Tabellensyntax anhand eines echten Problems meist besser als über allgemeine Anleitungen.
Unaufgeräumte Daten bereinigen
Datenbereinigung ist der unsichtbare Zeitfresser der Tabellenarbeit. Hier ist KI besonders stark. Einige typische Aufgaben und passende Formulierungen:
Uneinheitliche Datumsformate:
Untersuchen Sie Spalte A. Die Datumsangaben verwenden gemischte Formate: „2026-04-12“, „12/04/2026“, „April 12, 2026“ und fehlerhaft eingegebene Werte. Vereinheitlichen Sie alle erkennbaren Angaben im ISO-Format YYYY-MM-DD. Kennzeichnen Sie Zeilen, die Sie nicht interpretieren können.
Unterschiedliche Schreibweisen von Firmennamen:
Untersuchen Sie Spalte B „Company“. Manche Zeilen enthalten „Apple Inc.“, andere „Apple“, „apple inc“ oder „Apple Computer Inc.“. Ordnen Sie diese Einträge kanonischen Namen zu und fügen Sie für jede Zeile eine neue Spalte mit dem kanonischen Namen hinzu.
Telefonnummern in unterschiedlichen Formaten:
Spalte D enthält Telefonnummern. Manche enthalten eine Landesvorwahl, andere nicht; einige verwenden Klammern, Bindestriche oder Leerzeichen. Vereinheitlichen Sie sie im internationalen E.164-Format (+372…). Nehmen Sie bei fehlender Landesvorwahl Estland an. Kennzeichnen Sie jede Nummer, die Sie nicht interpretieren können.
E-Mail-Adressen mit versteckten Fehlern:
Spalte E enthält E-Mail-Adressen. Finden Sie wahrscheinlich ungültige Angaben: fehlendes @, fehlende Top-Level-Domain, Leerzeichen oder Tippfehler wie „.con“ statt „.com“. Kennzeichnen Sie sie in einer neuen Spalte.
Das Modell liefert häufig eine bereinigte Datei und eine Zusammenfassung der Änderungen. Prüfen Sie die Zusammenfassung, bevor Sie dem Ergebnis vertrauen.
Eine wichtige Falle: unbemerkte Fehler
KI kann bei Datenanalysen auf zwei Arten unauffällig falsche Antworten erzeugen.
Erfundene Berechnungen. Das Modell nennt plausibel klingende Zahlen, ohne sie tatsächlich zu berechnen. Bei modernen Spitzenmodellen mit integrierter Codeausführung über Python oder Code Interpreter ist dies selten, kommt aber vor. Fordern Sie ausdrücklich: „Zeigen Sie den verwendeten Code oder die Formel und geben Sie mir eine Möglichkeit zur Überprüfung.“
Fehlinterpretation der Daten. Das Modell hält eine Spalte für etwas anderes, als sie ist – „Gesamtbetrag“ statt „Zwischensumme“ oder „aktive Kunden“ statt „alle Kunden“. Stellen Sie die tatsächlichen Spaltennamen bereit und lassen Sie die Interpretation bestätigen:
Erklären Sie mir vor der Analyse die vermutete Bedeutung jeder Spalte. Lassen Sie mich bestätigen, dass Ihre Interpretation meiner Absicht entspricht. Warten Sie auf diese Bestätigung, bevor Sie etwas berechnen.
Dieser zusätzliche Schritt dauert 20 Sekunden und verhindert die häufigsten Fehler auf Analyseebene.
Wenn die Tabelle zu groß wird
ChatGPT, Claude und Gemini haben praktische Grenzen für analysierbare Dateigrößen. 2026 lassen sich Tabellen mit ungefähr 50.000 Zeilen oder einigen hundert MB meist bequem auswerten. Darüber hinaus eignen sich echte Datenanalysewerkzeuge wie Python, R, SQL oder BI-Plattformen wie Hex und Mode.
Ein sinnvoller Zwischenschritt bei einer Million Zeilen: Ziehen Sie eine repräsentative Stichprobe mit 10.000–50.000 Zeilen, laden Sie sie hoch, entwickeln Sie daran die Analyse und bestätigen Sie das Ergebnis anschließend mit einem leistungsfähigeren Werkzeug am vollständigen Datensatz. KI eignet sich hervorragend für „Was steckt in den Daten und wonach sollte ich suchen?“; die eigentliche Produktionsanalyse gehört in spezialisierte Werkzeuge.
Problem beschreiben, Ergebnis stichprobenartig prüfen
Drei Modi: KI innerhalb der Tabelle, außerhalb der Tabelle und als Formelgenerator. Wählen Sie passend zur Aufgabe. Aus „zwanzig Minuten lang VLOOKUP rekonstruieren“ werden „zwei Minuten lang das Problem in Alltagssprache beschreiben“.
Sie müssen Formelsyntax nicht mehr lernen, sofern Sie es nicht möchten. Daten, Operation und Ausgabe müssen Sie dennoch genau beschreiben. Prüfen Sie Ergebnisse immer stichprobenartig. Das dauert dreißig Sekunden; den restlichen Aufwand erledigt die KI.
Probieren Sie heute eine reale Tabellenaufgabe im passenden Modus aus.
