Аудит формул в Excel через ChatGPT: находим ошибки в таблицах до того, как они попадут в отчёт

Каждый месяц я вижу одно и то же: таблица собрана, итоги сходятся до копейки, а отчёт уже у собственника. Потом выясняется, что в формуле расчёта наценки вместо процентного отношения стояла сумма. Пересчитать всё заново, извиниться, объяснить, почему так вышло. Каждый, кто хоть раз закрывал месяц в Excel, проходил через это. Меня зовут Натали Васильева, я эксперт по нейросетям и продюсер онлайн-школы «Финансовый директор | Мастер CFO». С февраля 2023 года я помогаю финансистам и бухгалтерам внедрять нейросети в работу, через курс «AI-навыки финансиста» прошли 800+ выпускников, наши каналы читают 45 000 подписчиков в Telegram и 13 000 в канале «АИ с Софьей и Натали». Материал актуален на 26 августа 2026 года.

В этой статье показываю, как ChatGPT находит ошибки в формулах Excel до того, как таблица попадёт в отчёт. Внутри: четыре шага аудита, семь типов ошибок, которые нейросеть ловит лучше человека, одиннадцать готовых промптов, три кейса с реальными часами и рублями, сравнение моделей и жёсткие правила безопасности.

Что такое аудит формул и почему без него не обходится ни одна серьёзная таблица

Аудит формул это проверка, что каждая формула в книге считает то, что должна считать, ссылается на те ячейки, на которые должна ссылаться, и выдаёт результат, который сходится с источником. Это про логику, а про арифметику во вторую очередь. Таблица с верными цифрами на экране может быть глубоко неверной внутри.

ChatGPT превращает эту проверку из многочасовой рутины в процесс на 20-30 минут. Нейросеть читает формулы, сравнивает их между собой и с заданными правилами, находит подозрительные места и объясняет, почему они подозрительны. Она не подписывает отчёт. Каждую находку проверяет человек, потому что нейросеть видит паттерн, а человек знает контекст: какая статья как считается, где проходит грань между допустимым и странным.

Я провожу аудит формул через нейросеть по четырём шагам:

1. Собрать файлы и построить макет. Таблицы складываются в одну папку, на отдельном листе описывается, что в каждой колонке и по какой логике считается.
2. Обезличить данные. Суммы остаются, названия контрагентов, ИНН, счета и ФИО заменяются масками.
3. Прогнать через промпт сканирования. Нейросеть получает файлы, макет и правила, возвращает список кандидатов в ошибки.
4. Проверить находки и закрыть итоги критическим промптом. Каждая найденная формула подтверждается человеком, итоги пересчитываются независимым способом.

Дальше разбираю каждый шаг с готовыми промптами. Если вы ещё не работали с нейросетями, начните с бесплатного эфира-экскурсии в конце статьи, там показываю весь процесс на живом примере.

Сколько стоит ошибка в формуле: цена непроверенной таблицы

Академические исследования качества электронных таблиц ведутся с конца восьмидесятых, и выводы стабильные: ошибки находят в большинстве реальных файлов, которые попадали под исследование. Это не про плохих специалистов. Про то, что человеческая проверка формул по своей природе ограничена: мы проверяем выборочно, пропускаем логические сдвиги и доверяем глазам, которые видят итог, а не формулу.

Что стоит одна незамеченная ошибка на практике:

• Неверное управленческое решение. Собственник получает модель с завышенной маржой и решает расширять направление, которое убыточно. Потери считаются месяцами.
• Неверная отчётность для банка. Банк возвращает пакет, задаёт вопросы, кредитная линия задерживается на недели. В кейсах ниже такой случай разобран подробно.
• Пересчёт и потеря доверия. Ошибка найдена после сдачи, цифры пересчитываются, отчёт переделывается. Собственник запоминает: цифры финдира надо перепроверять. Доверие восстанавливается дольше, чем правятся формулы.
• Налоговые и зарплатные риски. Ошибка в зарплатном расчёте или в расчёте налогового обязательства это прямые деньги, которые потом возвращают или доплачивают.

Вот почему я настаиваю на аудите формул как на отдельном шаге перед каждой сдачей. Пять минут подготовки таблицы и двадцать минут проверки через нейросеть стоят дешевле, чем один инцидент из списка выше. Дальше разберу, что именно искать в формулах.

Семь типов ошибок, которые ChatGPT находит лучше человека

Семь типов ошибок я встречаю в таблицах выпускников и клиентов чаще всего. Человек пропускает их, потому что они не видны на глаз: цифры сходятся, итоги красивые, а внутри не то.

1. Неверная ссылка на строку. Формула в строке 15 ссылается на строку 14. При протягивании вниз или вставке строки ссылка сместилась, и расчёт пошёл по соседней строке. На глаз это не видно, пока не сверишь каждую ссылку.

2. Разорванный диапазон в СУММЕСЛИМН или ВПР. Вставили строку в середину таблицы, диапазон разъехался, и часть данных перестала попадать в расчёт. Итог по-прежнему сходится, потому что сумма по внешнему виду не меняется, при этом одна категория внутри недосчитана.

3. Смещение после вставки строки. Формула ссылается на ячейку, которая после вставки сдвинулась. Расчёт пошёл по неверным данным, а подпись «итого за июль» осталась прежней.

4. Логика вместо суммы. Самая дорогая ошибка: формула считает верно, но не то, что должна. Вместо доли в процентах стоит сумма, вместо наценки себестоимость, вместо среднедневного остатка среднее арифметическое.

5. Потерянная проверка. В формуле была проверка на ноль или на отрицательное значение, при копировании она потерялась, и расчёт начал выдавать бессмысленные результаты в особых случаях.

6. Разные формулы в столбце. Колонка должна содержать одинаковые формулы, а на деле половина строк одного вида, половина другого. Обычно это следствие ручного редактирования и копирования вразнобой.

7. Жёсткие суммы. Вместо ссылки на ячейку в формуле зашито число. Обновили исходные данные, а «итого» осталось старым. Сходится всё, кроме правды.

ChatGPT находит все семь типов, если дать ему правила и эталон. Без правил он скажет «таблица выглядит корректно». С правилами он сравнивает каждую формулу с ожидаемой логикой и подсвечивает отклонения. Разница между этими двумя сценариями в одном: подготовка макета занимает пять минут, а экономит часы.

Как подготовить таблицы к аудиту: макет, нормализация, обезличивание

Половина успеха аудита формул решается до загрузки файлов в нейросеть. Три вещи: единый макет, нормализованные данные, обезличенные поля.

Макет. Отдельный лист в книге, где написано, что лежит в каждой колонке: код строки, название статьи, валюта, период, формула расчёта. Нейросеть читает макет как инструкцию и ищет отклонения от неё. Без макета она гадает, что означают колонки, и пропускает логические ошибки.

Нормализация. Одинаковые названия статей, единый формат дат, без объединённых ячеек и многоэтажных шапок. Разные названия одной статьи («Выручка», «Реализация», «Продажи») нейросеть не сведёт сама, пока вы не дадите справочник соответствий. Если в файле есть объединённые ячейки, разбейте их до загрузки: они ломают чтение диапазонов.

Обезличивание. Суммы оставляем, названия контрагентов, ИНН, счета и ФИО заменяем масками. Название «ООО Ромашка» становится «Контрагент 1». Выключаем в настройках обучение на данных. Документы под NDA и банковскую тайну в публичные тарифы не грузим, для них корпоративные тарифы или локальные модели.

Промпт, который задаёт правила для проверки, выглядит так:

Ты аудитор формул Excel. Проверяешь таблицы перед сдачей отчёта.

Правила проверки:
- каждая формула ссылается на правильную строку и правильный диапазон
- в столбце формулы одного типа, отклонения отмечай отдельно
- проверки на ноль и на отрицательные значения не потеряны
- в формулах нет жёстких сумм, где должны быть ссылки
- логика расчёта соответствует макету листа
- расхождение итогов с контрольными суммами помечай как критичное

Для каждой подозрительной формулы укажи:
1. адрес ячейки
2. текущую формулу
3. что должно быть по логике макета
4. почему это ошибка
5. исправленный вариант формулы

Если сомневаешься, что формула ошибочна, не включай её в список.
Лучше пропустить, чем пометить верную формулу как ошибку.

Формат ответа: таблица с колонками адрес, формула, ожидание, причина, исправление.

Язык деловой, без канцелярита. Формат таблицей: модель структурирует находки так, что вы проходитесь по списку сверху вниз и подтверждаете или отклоняете каждую. Подробнее про структуру промптов для финансовых задач в статье про промпты для бухгалтера, там те же принципы, адаптированные под учётные задачи.

Как настроить ChatGPT под аудит формул за 10 минут

Перед первым аудитом стоит настроить персонализацию. Это влияет на качество всех последующих проверок, а пропускают этот шаг почти все, кто начинает с разовых промптов.

Идём в Settings → Personalization → Custom Instructions и вставляем такой текст:

Я финансовый специалист. Проверяю таблицы Excel перед сдачей отчётов.

Правила работы:
- при анализе формул всегда объясняй, что именно считает формула
- если данные неоднозначны, перечисли неясности, не додумывай
- никогда не выдумывай цифры, которых нет в загруженных файлах
- если для вывода не хватает правил, попроси макет или эталон
- при пересчёте итогов используй Python и показывай ход расчёта
- исправления формул давай текстом, файл не редактируй
- язык ответа: деловой русский, без канцелярита

Этот текст закрывает главный риск работы с нейросетью в финансах: фабрикацию данных. Модель честно сигнализирует о пробелах, а не дозаполняет их воображением. Второй шаг в настройке это отключение обучения на данных: Settings → Data Controls, выключаем тумблер «улучшить модель для всех». Обязательно до любой работы с корпоративными файлами.

Доступ к chatgpt.com из России требует специальных средств подключения. Какой способ выбрать, каждый решает с учётом требований своей компании и службы безопасности. Работайте напрямую через официальный сайт, а не через сторонние боты, которые часто под видом ChatGPT используют дешёвые модели и не дают гарантий по данным. Пользоваться нейросетями из России не запрещено.

Как выглядит аудит на живом примере: разбор таблицы наценки

Разберу процесс на простой таблице, чтобы стало видно, как промпты работают вместе. Таблица «Расчёт наценки» на 20 строк, в ней четыре колонки: артикул, себестоимость, цена продажи, наценка. В столбце D формула наценки. Эталонная логика: наценка в рублях это цена минус себестоимость, а в процентах это разница, делённая на себестоимость.

Сначала идёт макет. На листе «Макет» записано: колонка A артикул, колонка B себестоимость, колонка C цена продажи, колонка D наценка в процентах, формула в D должна быть (C-B)/B.

Потом промпт полного аудита. Нейросеть получает файл с макетом и возвращает список кандидатов. Типичный результат для такой таблицы:

• В строке 7 формула в D не (C7-B7)/B7, а C7-B7. Разница между суммой и процентным отношением.
• В строке 12 формула ссылается на B11 вместо B12. Смещение на одну строку, скорее всего после вставки.
• В строках 15-18 в столбце D формулы одного вида, а в 19-20 другого. Разнобой в столбце.

Дальше эталонный промпт по колонке D. Он сравнивает каждую строку с эталоном (C-B)/B и подтверждает или опровергает находки полного аудита.

В конце критический промпт. Он пересчитывает на Python итог по всей таблице: сумму себестоимости, сумму цены, средневзвешенную наценку. Если итог по наценке из файла не совпадает с расчётом из исходных строк, это видно сразу.

Весь цикл занимает минут двадцать: пять минут подготовка макета и обезличивание, десять минут прогон двух промптов, пять минут ручная проверка найденного. Без нейросети выборочная проверка той же таблицы руками заняла бы час-полтора, и часть ошибок всё равно осталась бы незамеченной.

Про результат стоит помнить одно: нейросеть дала список кандидатов, а не приговор. Строка 12 с ссылкой на B11 могла оказаться правильной, если в макете была другая логика для этой позиции. Подтвердил человек, который знает смысл каждой строки. Модель сузила область проверки с двадцати формул до трёх подозрительных, и в этом её главная ценность.

Какие таблицы проверять в первую очередь: приоритеты аудита

Аудит формул можно запускать по всем файлам подряд, но в разгар закрытия месяца на всё времени нет. Расставьте приоритеты по цене ошибки. Я проверяю в таком порядке.

Первый приоритет: таблицы, из которых уходят цифры наружу. Отчётность для банка, налоговой, собственника, инвестора. Ошибка в такой таблице стоит дороже всего: она попадает к внешнему читателю и подрывает доверие к вам лично. Сюда же относятся документы с подписью: пояснительные записки с таблицами, заявки на кредит, пакеты для тендеров.

Второй приоритет: расчёты, из которых платятся деньги. Зарплата, премии, налоги, платежи поставщикам. Ошибка здесь это прямые деньги, которые потом возвращают или доплачивают. Зарплатный расчёт из кейса выше попал именно в эту категорию, и там нашли завышение на 8 тысяч рублей.

Третий приоритет: модели, по которым принимаются решения. Финмодель, бюджет, план инвестиций, расчёт себестоимости. Ошибка логики в такой таблице ведёт к неверному решению, а не к неверной цифре в отчёте. Это самый коварный тип: цифры красивые, а решение убыточное.

Четвёртый приоритет: внутренние операционные таблицы. Аналитика для отдела, черновые расчёты, рабочие выгрузки. Здесь цена ошибки ниже, поэтому аудит можно проводить выборочно или по факту возникновения сомнений.

Правило простое: чем дальше уходит таблица от вашего рабочего стола, тем внимательнее её проверяем. Внутренний черновик можно прогнать за десять минут, документ для банка заслуживает полного цикла из четырёх шагов.

Частота проверок тоже имеет значение. Для внешней отчётности аудит формул входит в обязательную процедуру перед каждой сдачей. Для внутренних таблиц достаточно проверки раз в месяц, лучше всего в момент, когда таблица начинает использоваться в расчётах дальше по цепочке.

Встроенные инструменты Excel для аудита и где их дополняет ChatGPT

Прежде чем звать нейросеть, стоит понимать, что у Excel есть собственные инструменты проверки формул. В официальной документации Microsoft перечислены и «проверка ошибок» (Error Checking), которая подсвечивает ячейки с ошибками зелёным треугольником, и средства аудита формул: трассировка зависимостей (Trace Precedents и Trace Dependents), вычисление формулы по шагам (Evaluate Formula), контрольное окно (Watch Window). Они ловят очевидные сбои: деление на ноль, неверную ссылку, битый диапазон, ячейку с текстом вместо числа.

Граница встроенных инструментов в том, что они видят формальные ошибки, а логические не видят. Если в формуле стоит сумма вместо процентного отношения, Excel скажет «всё в порядке», потому что синтаксически формула корректна. Ему не с чем сравнить, у него нет эталона.

ChatGPT дополняет встроенные средства тремя способами:

• Сравнивает с эталоном. Вы даёте макет и правила, модель находит расхождения логики, которые Excel не считает ошибкой.
• Объясняет формулу словами. Модель переводит формулу на человеческий язык, и вы видите, что именно она считает.
• Пересчитывает независимо. Код на Python в диалоге проверяет арифметику внешним расчётом, а собственной проверкой по цепочке модели.

Рабочая связка на практике: встроенными инструментами Excel быстро чистим явные ошибки и смотрим зависимости формул, ChatGPT используем для проверки логики, объяснения непонятных формул и независимого пересчёта итогов. Ссылка на официальную документацию Microsoft по проверке ошибок: Detect formula errors in Excel.

Как проверить итоги критическим промптом: пересчёт на Python

Самый сильный приём в аудите формул это пересчёт на Python прямо в диалоге. Вы просите модель пересчитать итоги независимым способом, построчно показывая промежуточные результаты. Внешний расчёт проверяет внутреннюю логику модели: если она ошиблась в рассуждении, код на Python покажет расхождение.

Почему это работает: самопроверка модели по той же цепочке рассуждений пропускает ошибки, потому что ошибка сидит внутри цепочки. Внешний код считает заново по правилам и не знает, что модель собиралась ответить. Это как два разных расчёта в Excel: если сходятся, почти наверняка верно.

Перед тобой таблица с итоговыми суммами [загружаете файл].
Пересчитай каждый итог на Python независимым способом.

Для каждого листа:
1. Собери все строки по категориям из исходных данных
2. Посчитай сумму по каждой категории и общий итог
3. Сравни с суммой, которая заявлена в файле
4. Выведи построчно: категория, расчётная сумма, заявленная сумма, 
   разница
5. Если разница не равна нулю, это критично. Выведи отдельным блоком.

Формат:
- код на Python покажи полностью
- потом таблицу сравнения
- потом список расхождений с пояснением, где именно не сходится

Не подгоняй расчёт под заявленные суммы.
Считай по данным, а не по итогам файла.

Этот промпт находит несоответствия, которые не видны при выборочной проверке: если итог в файле не совпадает с суммой исходных строк, модель увидит разницу в коде. Используйте его после основного сканирования, чтобы закрыть арифметику. Он же работает как финальный контроль перед подписью отчёта.

Как объяснить сложную формулу и проверить логику по эталону

Вторая по полезности задача: взять непонятную формулу, попросить нейросеть объяснить, что она делает, и сравнить с ожидаемой логикой. Часто достаточно объяснения, чтобы увидеть, что формула считает не то.

Объясни, что делает эта формула [вставляете формулу Excel]:

=ЕСЛИ(ИЛИ(D15="";E15="");"";D15*$H$4/100*ЕСЛИ(E15>0;1;-1))

Разбери по шагам:
1. что проверяет каждое условие
2. что считается в каждой ветке
3. что означают абсолютные ссылки
4. какой бизнес-смысл у результата

Потом ответь: есть ли в формуле потенциальные ошибки?
- деление на ноль
- потерянные проверки
- смешанные типы данных
- жёсткие константы, которые стоит вынести в ячейку
- логика, которая противоречит типовому расчёту наценки

Не переписывай формулу, пока не объяснишь. Сначала разбор, потом вывод.

Я проверяю так формулы, которые приходят от аналитиков и которых я сама не писала. Чужие формулы читать сложно, а объяснение нейросети за минуту показывает, что считает каждая часть. Если объяснение не совпадает с тем, что должно быть по смыслу, это сигнал проверить глубже.

Промпт для проверки логики конкретной колонки, когда есть эталон:

В столбце F листа «Расчёт» считается наценка по каждой позиции.
Эталонная логика: наценка = (цена продажи - себестоимость) / себестоимость.

Проверь каждую формулу в столбце F на соответствие эталону.
Для каждой строки:
- если формула совпадает с эталоном, отметь "ок"
- если отличается, покажи отличие и объясни, что именно она считает
- особо отметь строки, где вместо наценки стоит сумма или среднее

Если в столбце встречаются разные формулы, сгруппируй их по видам
и покажи, сколько строк каждого вида.

Формат: сначала общая картина по столбцу, потом таблица отклонений.

Эталонный промпт главный инструмент против ошибок логики: пока вы не сказали модели, как должно быть, она не поймёт, что формула считает не то. С эталоном она сравнивает каждую строку и находит расхождения.

Отдельный случай сложные вложенные формулы, где в одном ЕСЛИ сидят ещё два-три условия. Для них прошу модель разложить конструкцию на ветки и показать, какие строки попадают в каждую:

Разложи вложенную формулу на ветки [вставляете формулу].

Для каждой ветки:
1. условие, при котором она срабатывает
2. какие строки данных в неё попадают
3. что считается в этой ветке
4. какой результат возвращается

Потом проверь:
- не теряются ли строки, которые не подходят ни под одно условие
- не перекрываются ли условия (две ветки ловят одну строку)
- корректно ли считается итог по всем веткам в сумме

Формат: таблица веток, потом список найденных проблем.

Проверка на «потерянные» строки особенно важна в зарплатных и премиальных расчётах: если строка не попала ни в одну ветку условия, сотрудник остаётся без начисления, и это обнаруживается только при сплошной проверке.

Где чаще всего ошибаются типовые функции: ВПР, СУММЕСЛИМН, ЕСЛИОШИБКА

Типовые функции, которые живут почти в каждой финансовой таблице, имеют свои типичные сбои. По ним у меня есть отдельные проверочные промпты.

ВПР (VLOOKUP). Классическая зона риска: приблизительное совпадение вместо точного, отсутствие проверки на #Н/Д, ищется не тот столбец, диапазон сместился после вставки. Ошибка ВПР часто молчит: формула возвращает значение из соседней строки, и никто этого не замечает. Промпт просит модель проверить, что каждый ключ находится ровно в одной строке источника и что для всех ключей есть совпадение.

СУММЕСЛИМН (SUMIFS). Разорванный диапазон после вставки строк, критерий с лишними пробелами, частичное совпадение по тексту там, где нужен точный ключ. Типичная история: критерий написан с невидимым пробелом, и половина строк не попадает в сумму.

ЕСЛИОШИБКА (IFERROR). Самая коварная функция из всех: она маскирует любую ошибку заранее заданным значением. Формула с ЕСЛИОШИБКА может годами возвращать ноль там, где должна была показать ошибку, и никто не знает, что расчёт фактически не выполняется. Я прошу модель перечислить все ячейки с ЕСЛИОШИБКА и проверить, какие из них прячут реальную ошибку расчёта, а какие используют функцию осознанно для допустимых случаев.

Промпт для проверки зон риска в типовых функциях:

Проверь таблицу на типовые ошибки функций ВПР, СУММЕСЛИМН, ЕСЛИОШИБКА
[загружаете файл].

Для ВПР:
- все ли ключи имеют совпадение в источнике
- точное или приблизительное совпадение в каждом случае
- не смещён ли столбец, из которого берётся значение
- есть ли дубликаты ключей в источнике (ВПР берёт первый)

Для СУММЕСЛИМН:
- совпадает ли диапазон суммирования с диапазоном критериев
- нет ли скрытых пробелов в критериях
- не разорван ли диапазон после вставки строк
- сумма по критерию сверяется с ручным подсчётом по фильтру

Для ЕСЛИОШИБКА:
- перечисли все ячейки с ЕСЛИОШИБКА
- отметь, где она прячет возможную реальную ошибку
- где использование оправдано (ожидаемые пустые значения)

Формат: таблица по каждой функции с колонками адрес, функция, риск, рекомендация.

Сплошная проверка по функциям хороша тем, что покрывает таблицу целиком, а не выборочно. После неё остаются только те зоны, где логика уникальна и требует отдельного эталона.

Как сравнить две версии таблицы и найти изменения

Бывает, что к отчёту приложили две версии файла: вчерашнюю и сегодняшнюю, или свою и от коллеги. Разница между ними может быть в одной цифре, которая всё меняет. ChatGPT сравнивает две таблицы и показывает, какие ячейки и формулы изменились.

Сравни две версии одной таблицы [загружаете два файла: версия А и версия Б].

Найди все различия:
1. добавленные и удалённые строки
2. изменённые значения в одинаковых ячейках
3. изменённые формулы
4. изменённые итоги

Для каждого изменения:
- адрес ячейки
- значение в версии А
- значение в версии Б
- что изменилось в формуле, если менялась формула

В конце сводная таблица: сколько изменений каждого типа,
и какие из них влияют на итоговые суммы.

Не оценивай, какая версия правильная. Только зафиксируй различия.

Этот промпт заменяет утомительное сравнение листов глазами или через сводные. Модель строит разницу и выводит только изменённое. Особенно удобно, когда файл большой, а правка была одна: вы сразу видите, что поменялось и стоит ли это пересчёта итогов.

Как проверить сводные таблицы и консолидированные книги

Сводные таблицы это отдельная зона риска: итоги в них считаются по данным, которые могут расходиться с исходным листом. ChatGPT проверяет, сходится ли сводная с источником, и находит, почему не сходится.

Проверь сводную таблицу на листе «Сводная» против исходных данных 
на листе «Данные» [загружаете файл].

Задачи:
1. По каждому полю сводной сверь итог с суммой соответствующих строк
   из исходных данных
2. Найди, какие категории в сводной не сходятся с источником
3. Проверь, не потеряны ли строки исходных данных из-за фильтров
   или скрытых категорий
4. Сверь общий итог сводной с суммой всех строк исходных данных

Формат ответа: таблица «поле, итог сводной, сумма источника, разница».
Расхождения выдели отдельным блоком с пояснением возможной причины:
фильтр, скрытые строки, дубликаты, обновление не выполнено.

Не предлагай исправлений, пока не покажешь расчёт.

Та же логика работает для консолидированных книг по юрлицам или филиалам. Разница в том, что там добавляется нормализация названий статей: «Выручка» у одного юрлица и «Реализация» у другого должны стать одной статьёй до проверки. Подробный процесс сборки и проверки консолидированной отчётности разобран в статье про консолидацию через ChatGPT.

Как проверить файлы от аналитиков и подрядчиков

Чужие файлы это самый рискованный случай: вы не знаете, как собрана таблица, какие в ней допущения и где зашиты ошибки. Аудит чужого файла через нейросеть даёт карту книги до того, как вы начнёте в неё погружаться.

Ты аудитор. Проверяешь файл, который сделал другой человек.
Твоя задача: составить карту книги и найти зоны риска.

Шаг 1. Опиши структуру книги: листы, их назначение, 
связи между листами, где итоги.

Шаг 2. Найди зоны риска:
- листы, где формулы ссылаются на другие файлы
- формулы с внешними связями и жёсткими суммами
- ячейки с ошибками #ЗНАЧ!, #ДЕЛ/0!, #ССЫЛКА!, #ИМЯ?, #Н/Д
- скрытые листы и скрытые строки в расчётных диапазонах
- объединённые ячейки в диапазонах формул
- повторяющиеся формулы с разной логикой в одном столбце

Шаг 3. По каждому найденному риску:
- адрес и формула
- почему это риск
- как проверить

Не переписывай файл. Только карта и список зон риска.
Формат: структура книги, таблица рисков, приоритет проверки для каждого.

После такого сканирования вы приходите в чужую таблицу с готовым списком вопросов: что за внешняя ссылка, почему жёсткая сумма, почему скрытая строка внутри расчётного диапазона. Это экономит часы погружения в незнакомую структуру.

Для файлов, которые ссылаются на другие книги, отдельный промпт:

Найди в книге все формулы, которые ссылаются на внешние файлы.
Для каждой:
- адрес ячейки
- полный путь внешней ссылки, если он виден
- что берётся из внешнего файла

Потом проверь:
- откроются ли эти ссылки на другом компьютере
- что произойдёт с расчётом, если внешний файл недоступен
- есть ли в книге значения, которые пришли из внешних файлов 
  и не пересчитываются (вставлено как текст или как значение)

Формат: таблица внешних ссылок, потом список рисков с приоритетом.

Внешние ссылки это классический источник «магических» расхождений: книга показывает одни цифры у автора и другие у получателя, потому что на другом компьютере ссылка ведёт в другое место или не открывается. Сплошной поиск внешних связей через нейросеть закрывает эту зону до пересылки файла. Тема ошибок нейросетей и проверки данных перед подписью подробно разобрана в статье про галлюцинации и проверку нейросетевых данных, рекомендую прочитать вместе с этим материалом.

Сравнение моделей для аудита формул: ChatGPT, Claude, Gemini

Для аудита формул выбор модели заметно влияет на результат. Я сравнивала их на одинаковых задачах: проверка формулы с вложенными условиями, поиск разорванного диапазона, пересчёт итогов на Python.

Актуально на август 2026 года. Цены подписок меняются, актуальные тарифы смотрите на официальных сайтах: chatgpt.com, claude.ai, gemini.google.com. Для большинства финансовых задач рабочая связка такая: GPT-5.5 как основной инструмент, Claude Sonnet 4.6 для сложных случаев, DeepSeek бесплатно для черновиков на обезличенных данных. Детальнее про выбор бесплатных нейросетей для Excel в статье про сравнение бесплатных моделей.

Если ваши таблицы живут в Google Таблицах, а в Excel попадают уже готовыми, попробуйте Gemini 2.5: он работает прямо в Google Sheets через расширения и не требует выгрузки файлов. Для аудита формул в Google Таблицах промпты из этой статьи работают без изменений, только файл прикрепляете не Excel, а ссылкой на таблицу или экспортом в CSV. Подробнее про работу с таблицами и формулами через нейросети в статье про Excel-автоматизацию с ChatGPT.

Три кейса из практики с часами и рублями

Показываю на реальных задачах, которые разбирали с учениками. Цифры честные, из замеров, а не из рекламных обещаний.

Кейс 1. Годовая модель с 14 листами за 40 минут вместо 8 часов.

Финансовый директор производственной компании перед сдачей годовой модели собственнику прогнал её через аудит формул. В модели было 14 листов: P&L, баланс, ДДС, расчёты себестоимости по четырём продуктам, план инвестиций. Раньше выборочная проверка занимала полный рабочий день, и всё равно после сдачи находили одну-две ошибки.

Что сделали: собрали макет, обезличили, прогнали через промпт полного аудита, потом критический промпт с пересчётом на Python. Нашли 11 подозрительных мест, из них 6 подтвердились как реальные ошибки. Одна была логической: в расчёте себестоимости продукта Б стояла сумма вместо процентного отношения. Ошибка стоила бы собственнику неверного решения по ассортименту. Итог: 40 минут вместо 8 часов, 6 найденных ошибок до сдачи отчёта.

Кейс 2. Зарплатный расчёт за 20 минут вместо 5 часов.

Главный бухгалтер проверила месячный зарплатный расчёт: премии, надбавки, районные коэффициенты, удержания. Таблица на 240 строк, в каждой своя формула, часть с вложенными условиями. Ручная сверка выборочно по 30 строкам заняла бы полдня, и осталось бы 210 непроверенных строк.

Прогнали через нейросеть: сначала макет с правилами расчёта премий, потом сканирование формул, потом пересчёт итогов на Python. Нашли три строки, где при копировании формулы потерялась проверка на предельную сумму премии. У двух сотрудников премия была бы завышена примерно на 8 тысяч рублей в сумме. Нашли до выплаты, пересчитали, подписали корректный расчёт. 20 минут вместо 5 часов.

Кейс 3. Заявка в банк за час вместо трёх дней.

Финансист готовил пакет для получения кредитной линии: финансовая модель, прогноз ДДС, расчёт коэффициентов покрытия. Банк вернул документы с вопросом: почему в модели расчёт коэффициента покрытия не совпадает с прогнозом денежного потока на два месяца.

Проверили через ChatGPT: в формуле коэффициента стояла жёсткая сумма вместо ссылки на ячейку прогнозного ДДС. Когда обновили прогноз, коэффициент остался на старом значении. Исправили ссылку, пересчитали, пересдали пакет. Час на поиск вместо трёх дней переписки с банком и повторного сбора документов.

Общий вывод по кейсам: экономия от 75 до 90 процентов времени на контрольной рутине, а главная ценность не в часах, а в том, что ошибки находятся до того, как уйдут в отчёт собственнику, банку или налоговой.

Частые ошибки и мифы про аудит формул через нейросети

Вижу одни и те же ошибки у тех, кто начинает проверять таблицы через нейросеть. Пять штук, все легко обходятся.

1. Грузить сырые файлы без макета. Нейросеть без правил не знает, что должно быть в колонке, и пропускает логические ошибки. Макет это 80 процентов качества проверки.

2. Просить «посмотреть таблицу» без задачи. Модель отвечает «таблица выглядит корректно», и все довольны. Аудиту нужен эталон и правила, иначе проверки нет.

3. Принимать каждое слово модели за истину. Нейросеть может ошибочно пометить верную формулу или пропустить реальную. Каждая находка проверяется человеком.

4. Проверять только арифметику, а не логику. Пересчёт на Python ловит арифметику, но не объяснит, что наценка посчитана как сумма. Логику ловит эталонный промпт.

5. Загружать чувствительные данные без обезличивания. Названия контрагентов, ИНН, счета и ФИО в публичный тариф не грузятся. Только маски, только после отключения обучения.

Теперь про мифы, которые мешают начать.

Миф: нейросеть сама исправит все формулы, я только загружу файл. Модель даёт исправленный текст формулы, а вносит его человек. Прямое редактирование файла доступно через надстройки, но для финансовых таблиц лучше руками: вы видите каждое изменение и не теряете контроль. ChatGPT это второй контролёр, а не авторедактор.

Миф: ChatGPT только для простых таблиц, сложные не тянет. На сложных книгах модель работает, если разбить проверку на этапы: карта книги, проверка по листам, пересчёт итогов. Плюс Claude Sonnet 4.6 с длинным контекстом держит большие книги целиком.

Миф: если итоги сходятся, формул можно не проверять. Итоги сходятся в большинстве случаев, когда ошибка логическая. Формула верно складывает не те строки, и сумма совпадает просто потому, что обе части неверны одинаково. Аудит ищет не расхождение цифр, а расхождение логики.

Как настроить повторяемый аудит: шаблон проверки

Разовый аудит формул это хорошо, а системный ещё лучше. Когда проверка формул входит в закрытие месяца, повторяемый процесс экономит больше, чем разовая акция. Три шага, чтобы превратить разовую проверку в ежемесячную.

Первый шаг: сохранить мастер-промпт. Проверенный промпт полного аудита сохраните в заметки или в отдельный документ. В следующем месяце вы не вспомните формулировку, а с сохранённым шаблоном проверка начинается с места, где закончилась.

Второй шаг: завести шаблон макета. Лист «Макет» с описанием колонок и правил расчёта храните как файл-шаблон. Каждый месяц копируете его в новую книгу и заполняете под текущий отчёт. Макет это половина качества аудита, и его не нужно перепридумывать.

Третий шаг: собрать библиотеку промптов под свои процессы. Отдельные промпты для проверки зарплаты, себестоимости, сводных, внешних ссылок. Каждый отлаживается один раз и потом переиспользуется. Со временем у вас появится своя библиотека, которая закрывает именно ваши типовые отчёты.

Итог аудита удобно оформлять отдельным промптом, чтобы был след для руководителя или собственника:

Составь отчёт о результатах аудита формул по итогам проверки.

В отчёте:
1. Перечень проверенных листов и диапазонов
2. Количество найденных подозрительных мест по типам
3. Список подтверждённых ошибок: адрес, формула, исправление
4. Что проверено и не вызвало вопросов
5. Рекомендации по процессу: что стоит изменить в построении
   таблиц, чтобы снизить риск ошибок в следующий раз

Язык: деловой, без канцелярита. Формат: документ для руководства,
который можно приложить к сдаче отчёта.

Отчёт по итогам аудита закрывает вопрос «а что вы проверяли?». Когда собственник или коллега видит документ со списком проверенных листов и подтверждённых ошибок, доверие к процессу растёт, а вопросов меньше. Для более сложных автоматизаций поверх Excel, включая макросы и Lambda-функции, смотрите статью про продвинутую автоматизацию Excel через ChatGPT.

Чек-лист: аудит формул перед сдачей отчёта

Пять шагов, по одному на каждую проверку перед сдачей. Сохраните в заметки и гоняйте таблицы через него каждый месяц.

1. Соберите файлы в одну папку. Названия по схеме «01_ФОП_июль», «02_ДДС_июль». Так нейросеть понимает, что за файл перед ней, и вы не путаетесь в версиях.
2. Постройте макет листа. На отдельном листе опишите, что в каждой колонке и по какой логике считается. Это правила для проверки.
3. Обезличьте данные. Контрагенты, ИНН, счета и ФИО замените масками. Выключите обучение на данных. Документы под NDA в публичные тарифы не грузим.
4. Прогоните через промпт полного аудита. Загрузите файлы и макет, получите таблицу кандидатов в ошибки. Проверьте каждую находку руками.
5. Закройте итоги критическим промптом. Пересчёт на Python, сравнение с исходниками, возврат настоящих названий. Исправления вносите руками.

Этот чек-лист стоит держать под рукой не потому, что процесс сложный, а потому, что в разгар закрытия месяца проще свериться со списком из пяти пунктов, чем вспоминать логику проверки с нуля.

FAQ: частые вопросы про аудит формул в Excel через ChatGPT

Можно ли доверять ChatGPT проверку формул Excel? Можно, если схема «нейросеть находит, человек подтверждает». Арифметику пересчитывайте в коде на Python, логику проверяйте по эталону, финальную подпись ставьте сами.

Какие ошибки в формулах чаще всего пропускает человек? Разорванный диапазон после вставки строки, ссылка на соседнюю строку, верная арифметика с неверной логикой, потерянная проверка, разные формулы в столбце, жёсткие суммы.

Сколько времени экономит аудит формул через ChatGPT? От 75 до 90 процентов на контрольной рутине: годовая модель за 40 минут вместо 8 часов, зарплатный расчёт за 20 минут вместо 5 часов, заявка в банк за час вместо трёх дней.

Какая нейросеть лучше для проверки формул? GPT-5.5 для массовой проверки и Python, Claude Sonnet 4.6 для сложных вложенных формул и длинных книг, Gemini 2.5 для Google Таблиц, DeepSeek V3.2 бесплатно для черновиков на обезличенных данных.

Безопасно ли загружать таблицы с формулами в ChatGPT? Только после обезличивания и отключения обучения. Названия контрагентов, ИНН и ФИО маскируются, документы под NDA в публичные тарифы не грузятся.

Может ли ChatGPT сам исправить формулы? Он даёт исправленный текст, вносит человек. Для финансовых таблиц это правильная схема: вы видите изменение и сохраняете контроль.

Что такое критический промпт? Промпт, где модель пересчитывает итоги на Python с построчным выводом. Внешний расчёт проверяет внутреннюю логику модели и ловит арифметические ошибки.

Что делать, если модель пропустила ошибку? Разбейте проверку на свободный и придирчивый аудит, дайте эталон и правила, пересчитайте на Python. Почти всегда причина в промпте: нет макета или эталона.

Нужно ли проверять через нейросеть каждую таблицу? Проверяйте в первую очередь те, из которых цифры уходят наружу: отчётность для банка и налоговой, документы с подписью, расчёты, из которых платятся деньги. Внутренние черновики можно прогонять выборочно. Правило: чем дальше уходит таблица от рабочего стола, тем внимательнее проверка. Полный цикл из четырёх шагов занимает 20-30 минут и оправдан для каждого документа, который покидает ваш отдел.

Что дальше

Аудит формул через нейросеть закрывает конкретную боль: страх сдать отчёт с ошибкой. Но это один приём из целой системы. Следующий шаг собрать вокруг нейросетей весь контур финансовой работы: проверка данных перед подписью, сборка консолидации, автоматизация рутины, подготовка к проверкам. На курсе «AI-навыки финансиста» онлайн-школы «Финансовый директор | Мастер CFO» разбираю, как выстроить такую систему: от обезличивания данных до готовых промптов под ваши процессы. 10 модулей, 800+ выпускников, диплом установленного образца с лицензией и налоговый вычет 13%. Начать можно с бесплатного эфира-экскурсии, где показываю процесс на практике.

Записаться на курс «AI-навыки финансиста»

Наши каналы для финансистов

@findir_pro. Основной Telegram-канал «Финансовый директор | Мастер CFO». 45 000 подписчиков. Ежедневно: практические разборы, кейсы выпускников, обновления инструментов, новые промпты для финансистов.

«АИ с Софьей и Натали». Канал об AI для финансистов. 13 000 подписчиков. Вместе с Софьей Бурцевой, основателем школы, разбираем новые модели, делаем живые тесты и публикуем обновлённые промпты сразу после выхода новых версий.

MAX. Закрытое сообщество для действующих финансовых директоров. 5 000+ участников. Кейсы коллег, шаблоны, закрытые эфиры по AI и стратегии CFO.

Об авторе

Натали Васильева. Эксперт по нейросетям и продюсер онлайн-школы «Финансовый директор | Мастер CFO». С нейросетями в работе финансиста с февраля 2023 года. Через курс «AI-навыки финансиста» прошли 800+ финансистов, главбухов и финдиров. Веду Telegram-канал @findir_pro (45 000 подписчиков) и MAX-канал «Финансовый директор» (5 000+).