Si vous avez déjà passé vingt minutes à retrouver la syntaxe d’une fonction VLOOKUP, contemplé une colonne de dates présentées dans sept formats différents ou collé les données d’un PDF pour n’obtenir qu’une colonne de texte illisible, cet article est fait pour vous.
Les feuilles de calcul se prêtent bien à l’assistance par l’IA, car le principal obstacle se situe souvent entre « j’ai des données » et « j’ai des réponses ». Il ne s’agit pas de remplacer le tableur : vous avez toujours besoin du fichier, de sa structure et d’un résultat reproductible.
Trois choses ont changé :
- Les principaux tableurs proposent des fonctions d’IA au sein du classeur. La documentation actuelle de Copilot dans Excel et de Gemini dans Google Sheets répertorie des tâches telles que la proposition de formules, la création de graphiques et l’analyse de données, sous réserve des exigences liées au compte et au fichier.
- Certains produits de conversation peuvent examiner les feuilles de calcul importées et, lorsque l’exécution de code est disponible, effectuer une analyse ou créer un fichier révisé.
- Ces outils peuvent tenter des flux de travail en plusieurs étapes à partir d’instructions en langage courant, mais leurs capacités varient selon le produit, le compte, le fichier et la tâche. Vous devez toujours inspecter et reproduire le résultat.
Cet article explique comment utiliser concrètement ces fonctions, dans l’ordre où la plupart des gens les découvrent.
Trois façons d’utiliser l’IA avec les feuilles de calcul
En gros, vous avez trois options. Chacune est adaptée à des situations différentes.
Mode 1 : l’IA intégrée au tableur. Utilisez Copilot dans Excel ou Gemini dans Sheets lorsque votre compte prend en charge l’action nécessaire. Formulez votre demande dans le classeur ; selon le produit et la tâche, l’outil peut proposer des formules, des graphiques, des synthèses ou des modifications. Cette option convient lorsque vous souhaitez conserver le travail et sa piste de vérification dans le tableur.
Mode 2 : l’IA en dehors du tableur. Dans un produit et un compte qui prennent en charge l’analyse de fichiers, importez un fichier CSV ou Excel compatible et posez vos questions. Le produit peut utiliser du code, fournir une analyse écrite, créer des graphiques ou proposer un fichier révisé. Cette option convient au travail exploratoire lorsque vous pouvez inspecter les étapes et valider le résultat.
Mode 3 : l’IA comme générateur de formules. Décrivez le résultat attendu en langage courant et demandez une formule candidate pour votre tableur et vos paramètres régionaux. Cette option convient lorsque vous savez à peu près ce que vous voulez, mais avez oublié la syntaxe et pouvez tester vous-même les références et les cas limites.
Nous aborderons les trois.
Mode 1 : l’IA intégrée au tableur
Copilot dans Excel et Gemini dans Google Sheets acceptent tous deux des demandes en langage courant, mais leurs interfaces et les actions prises en charge diffèrent. Dans les deux produits, identifiez la feuille, la plage, les colonnes et le résultat demandé avant d’exécuter la tâche.
Prompts utiles pour commencer avec l’IA intégrée au tableur :
Examinez les données des colonnes A à F. Résumez-les : dites-moi la plage de dates, les types de colonnes et tout problème évident (valeurs manquantes, formats incohérents, valeurs aberrantes).
Ajoutez une colonne à droite qui classe chaque ligne comme “élevé”, “moyen” ou “faible” en fonction de la valeur de la colonne D.
Créez un graphique qui compare le chiffre d’affaires mensuel parmi les trois catégories de produits. Faites-le lisible sur une diapositive.
Identifiez les lignes où la colonne “statut” contient autre chose que “ouvert”, “fermé” ou “en cours” – ce sont probablement des fautes de frappe.
Calculez la moyenne mobile de 7 jours de la colonne C et placez-la dans la colonne G.
La méthode consiste à préciser les colonnes concernées, l’opération à effectuer et la forme du résultat attendu. L’IA peut proposer une formule ou un graphique ; examinez sa proposition, les références sous-jacentes et les valeurs obtenues avant de l’accepter.
Les limites dépendent du produit et du classeur. Une tâche qui porte sur plusieurs feuilles, plusieurs niveaux de logique conditionnelle ou un nettoyage substantiel peut être plus facile à auditer dans un environnement d’analyse dédié, mais la sortir du classeur ne la rend pas automatiquement correcte.
Mode 2 : l’IA en dehors du tableur
Vérifiez d’abord que votre compte prend en charge le type et la taille du fichier, ainsi que les outils d’analyse dont vous avez besoin. Importez une copie plutôt que l’unique version, retirez les données que le fournisseur n’est pas autorisé à traiter et demandez au produit de décrire le classeur avant de le modifier. Selon le produit et le compte, il peut analyser le fichier, afficher le code généré ou créer un résultat téléchargeable ; aucune de ces capacités ne doit être tenue pour acquise.
Une méthode pratique :
Je vous transmets une feuille de calcul contenant [what it is]. Commencez par m’en donner un aperçu :
- Qu’y a-t-il dedans – nombre de lignes, colonnes, ce que semble être chaque colonne.
- Quels sont les problèmes de qualité des données (valeurs manquantes, formats étranges, fautes de frappe probables, doublons).
- Une première série de statistiques évidentes mais utiles (comptes, plages, distributions).
Ensuite, attendez ma question spécifique.
Cette première passe donne une évaluation concrète du fichier. Le temps d’exécution dépend du fichier, de l’outil et de la charge actuelle du service. Posez ensuite votre véritable question :
Parmi les entrées de cette feuille de calcul :
- Combien proviennent d’Estonie, de Finlande et d’Allemagne ?
- Quel est le montant moyen des affaires par pays ?
- Quel vendeur a le taux de conversion le plus élevé ?
Donnez-moi un tableau de résumé propre. Aussi : y a-t-il des lignes où le champ pays est ambigu (par exemple, “DE” vs “Germany” vs “Deutschland”) ? Signalez-les.
Le modèle peut produire une réponse accompagnée d’un graphique et d’une version nettoyée du fichier. Ajoutez la consigne « signalez les lignes ambiguës » ; sans elle, les problèmes de qualité des données peuvent rester invisibles dans le résumé.
Pour une analyse multi-étapes :
Je veux comprendre les clients qui ont quitté, pourquoi et ce qui prédit le départ. Guidez-moi à travers votre analyse en trois étapes :
- D’abord, identifiez les clients qui ont quitté – définissez votre critère (par exemple, aucune activité en 90 jours).
- Ensuite, comparez les clients qui ont quitté avec ceux qui sont actifs sur les dimensions dont j’ai des données.
- Ensuite, dites-moi quelles dimensions montrent le plus grand écart et seraient les meilleurs indicateurs précurseurs de départ.
Utilisez la configuration standard approuvée comme référence. Si un réglage compatible à raisonnement renforcé est disponible, utilisez-le uniquement à titre de comparaison sur les mêmes données et avec les mêmes critères de réussite. Montrez le code, les formules et les résultats intermédiaires utilisés pour parvenir à la réponse afin que je puisse la reproduire et la contrôler.
Pour les tâches en plusieurs étapes, définissez d’abord une référence admissible qui utilise les mêmes données, autorisations et exigences de sortie. N’ajoutez un réglage compatible à raisonnement renforcé que si la comparaison révèle un gain utile de justesse ou d’exhaustivité mesurées au regard de la latence et du coût. Les noms des produits et les libellés des sélecteurs changent fréquemment, et davantage de raisonnement ne garantit pas un résultat correct. Demandez du code exécutable, des formules, des résultats intermédiaires et un moyen de reproduire le calcul.
Mode 3 : l’IA comme générateur de formules
Le mode le plus simple consiste à demander à un assistant conversationnel une formule candidate lorsque vous connaissez le résultat attendu, mais avez oublié la syntaxe. Précisez Excel ou Google Sheets ainsi que les paramètres régionaux pertinents, collez la formule dans une cellule de test, puis vérifiez-la sur des données connues avant de remplir la colonne.
Exemples utiles pour commencer :
J’ai une liste d’adresses e-mail dans la colonne A. Je veux que la colonne B affiche uniquement le domaine. Quelle formule devrais-je utiliser dans Google Sheets ?
Dans Excel, comment faire pour compter les lignes où la colonne D est entre 10 et 20 ET la colonne E dit “actif” ?
J’ai des dates dans la colonne A qui ressemblent à “2026-04-12T14:30:00Z”, au format ISO complet. Je veux que la colonne B affiche uniquement la date au format JJ/MM/AAAA, dans le fuseau horaire estonien.
J’ai une colonne de chaînes de devise comme “€1,234.56”, “$987.00”, “£42.10”. Je veux les séparer en deux colonnes : valeur numérique et symbole de devise.
J’ai deux feuilles. La feuille 1 contient des ID clients et des noms. La feuille 2 contient des ID clients et des montants en dollars. Je veux une troisième feuille qui les relie, avec le nom du client, l’ID client et le montant.
Le modèle devrait renvoyer une formule à vérifier. Pour le dernier exemple, il peut proposer VLOOKUP, INDEX/MATCH ou XLOOKUP avec une explication. Vérifiez les références et le résultat avant de réutiliser la formule.
Pour les formules utilisées régulièrement, ajoutez cette demande : « Expliquez-moi maintenant ce que fait cette formule, étape par étape, afin que je la comprenne. » C’est une manière pratique d’apprendre la syntaxe des tableurs, car l’explication porte sur votre problème réel.
Nettoyage des données désordonnées
Le nettoyage des données peut faire perdre beaucoup de temps et constitue un cas d’usage pratique de l’IA, à condition de vérifier le résultat. Voici quelques opérations courantes et la manière de les demander :
Formats de dates incohérents :
Examinez la colonne A. Les dates sont dans des formats mixtes : certains “2026-04-12”, certains “12/04/2026”, certains “April 12, 2026”, certains tapés de manière étrange. Normalisez-les toutes au format ISO (YYYY-MM-DD). Signalez les lignes que vous n’avez pas pu analyser.
Noms d’entreprises mal correspondants :
Examinez la colonne B (Entreprise). Certaines lignes indiquent « Apple Inc. », d’autres « Apple », « apple inc » ou « Apple Computer Inc. ». Regroupez ces variantes sous des noms canoniques. Ajoutez une nouvelle colonne avec le nom canonique de chaque ligne.
Numéros de téléphone dans de nombreux formats :
La colonne D contient des numéros de téléphone. Certains comportent un indicatif de pays, d’autres non ; certains utilisent des parenthèses, des tirets ou des espaces. Normalisez-les au format international E.164 (+372…). Supposez qu’il s’agit de l’Estonie lorsqu’aucun indicatif n’est fourni. Signalez les numéros impossibles à interpréter.
Adresses e-mail avec des erreurs cachées :
La colonne E contient des adresses e-mail. Trouvez celles qui sont probablement invalides (manque de @, manque de TLD, contient des espaces, contient des fautes de frappe comme “.con” au lieu de “.com”). Signalez-les dans une nouvelle colonne.
Selon l’outil et la tâche, le modèle peut renvoyer un fichier nettoyé avec un résumé de ses modifications. Vérifiez les deux avant de faire confiance au résultat.
Un piège à surveiller : les erreurs silencieuses
L’IA effectuant une analyse de données peut produire des réponses erronées de manière silencieuse de deux façons.
Calculs inventés. Le modèle fournit des chiffres plausibles sans les avoir réellement calculés. Cela peut arriver même lorsque l’outil intègre une fonction d’exécution de code (Python / interpréteur de code). Pour vous en protéger, demandez explicitement : « Montrez-moi le code ou la formule utilisés et indiquez-moi comment vérifier le résultat. »
Interprétation erronée des données. Le modèle suppose qu’une colonne signifie autre chose, par exemple “total” au lieu de “sous-total”, ou “clients actifs” au lieu de “tous les clients”. Montrez toujours au modèle les noms réels des colonnes et demandez-lui de confirmer l’interprétation :
Avant d’effectuer l’analyse, dites-moi ce que chaque colonne est. Confirmez-moi que votre interprétation correspond à ce que j’intends. Attendez la confirmation avant de calculer quoi que ce soit.
Cette courte étape de confirmation peut repérer une mauvaise interprétation du schéma avant qu’elle ne fausse tous les résultats.
Quand la feuille de calcul devient trop volumineuse
Les limites de fichiers et de charge de travail varient selon le produit et le compte, tandis que le nombre de lignes mesure mal à lui seul la difficulté : les formules, les onglets, la largeur des cellules et la complexité de la tâche comptent également. Consultez la documentation actuelle du fournisseur sur l’importation et la limite indiquée dans le produit avant d’envoyer le fichier. Lorsqu’un classeur ne tient plus dans l’outil ou que l’analyse doit être reproductible, passez à un flux de travail versionné en Python, R, SQL ou dans un outil d’informatique décisionnelle.
Pour un jeu de données volumineux, une approche intermédiaire utile consiste à créer un échantillon représentatif et documenté, à l’explorer avec l’assistant, puis à reproduire et confirmer le résultat sur l’ensemble des données dans un véritable outil d’analyse. Ne choisissez pas simplement les N premières lignes par commodité en les qualifiant de représentatives.
Décrivez le problème, vérifiez le résultat
Trois modes : dans le tableur, en dehors du tableur ou comme générateur de formules. Choisissez celui qui convient à la tâche ; une partie du travail peut alors passer de la recherche de syntaxe à la description du problème en langage courant.
Vous n’avez pas besoin de mémoriser la syntaxe des formules pour chaque tâche. En revanche, vous devez décrire précisément les données, l’opération et le résultat attendu. Vous devez aussi contrôler les résultats : la vérification fait partie de la tâche, ce n’est pas un coût facultatif.
Essayez dès aujourd’hui l’une de ces méthodes sur une véritable feuille de calcul.
