Ein LLM kann die Formel hinter jeder Zelle lesen statt nur den obenauf angezeigten Wert und diese Formel dann mit ihren Nachbarn und mit der Beschriftung im Zeilenkopf daneben vergleichen. Ein Modell zertifizieren kann es nicht. Was es liefert, ist eine priorisierte Liste von Zellen, die einen zweiten Blick verdienen, jede mit einer Begründung versehen, schnell genug, um sie durchlaufen zu lassen, bevor eine Zahl das Haus verlässt.
Ein Fehler in einer Tabelle ist selten laut. Die Datei öffnet sich, jede Zelle zeigt eine Zahl, und die Summe ganz unten wirkt plausibel. Die Fehler, auf die es ankommt, kündigen sich nie an, und genau deshalb rechtfertigt ein mechanischer Durchgang über die Formelebene seinen Platz. Das Modell selbst ist nicht die Kontrolle. Der Analyst, der seine Markierungen liest, ist die Kontrolle, und die Prüfspur ist der Nachweis, dass er es getan hat.
Was in einer Tabelle tatsächlich kaputtgeht
Die meisten Modellfehler fallen in eine Handvoll Muster, und keines davon taucht als Fehlermeldung auf. Ein #BEZUG! meldet sich immerhin selbst. Die gefährlichen bleiben stumm.
- Eine über eine Zeile kopierte Formel, die eine Spalte überspringt, sodass Monat sieben auf den falschen Vorgänger verweist und jede nachgelagerte Summe um ein Quartal an Umsatz danebenliegt.
- Eine hartcodierte Zahl mitten in einer Formel,
=B14*1,03*1200000, wobei die 1200000 ein Platzhalter war, den jemand während einer späten Bearbeitung eingetippt und nie wieder in einen Zellbezug zurückverwandelt hat. - Eine inkonsistente Formel in einem Bereich, der einheitlich sein sollte, eine Zelle in einer Zwölf-Monats-Projektion, die eine andere Menge an Zeilen summiert als die übrigen elf.
- Ein Vorzeichendreher, bei dem Kosten in einem Abschnitt positiv und in einem anderen negativ eingetragen sind und eine Zwischensumme addiert, was sie subtrahieren sollte.
- Ein defekter Link zu einer externen Arbeitsmappe, der nach dem Verschieben der Quelldatei auf einen veralteten zwischengespeicherten Wert auflöste.
- Eine Summe, die eine oberhalb eingefügte Zeile nicht mehr einschließt, weil der
SUMME-Bereich hart begrenzt statt erweitert wurde.
Ein Mensch, der ein großes Modell prüft, fängt einige davon ab und übersieht andere, überwiegend abhängig davon, wie müde er zum Quartalsende ist. Der Prüfer ist nicht inkompetent. Die Angriffsfläche sind tausende Zellen, und menschliche Aufmerksamkeit skaliert über sie nicht linear.
Gib dem Modell den Formelgraphen, kein Bild
Der naive Ansatz besteht darin, einen Screenshot oder das gedruckte Raster in einen Prompt einzufügen und zu fragen, was falsch aussieht. Das scheitert, weil die Werteebene genau das verbirgt, wonach man sucht. Eine hartcodierte Überschreibung ist in einer gerenderten Zahl nicht zu erkennen.
Wir extrahieren stattdessen Struktur. Für jede Zelle ziehen wir die Formelzeichenkette, den aufgelösten Wert, die Liste der Vorgänger und Nachfolger sowie den Text der nächstgelegenen Zeilen- und Spaltenköpfe. Das gibt dem Modell Herkunft: Es kann von einer Summe zurück zu den Eingaben laufen, die sie speisen, und es kann eine Zelle mit der Berechnung vergleichen, die ihre eigenen Nachbarn verwenden. Bereiche, die homogen sein sollten, werden gruppiert, sodass eine einzelne abweichende Formel in einem Block von vierzig als Musterbruch heraussticht statt als isolierte Zeichenkette.
Der Prompt stellt dann pro Cluster eine eng gefasste Frage. Nicht “ist dieses Modell korrekt”, was selbstbewussten Unsinn einlädt, sondern “hier sind zwölf Formeln, die dieselbe Zeile einer Projektion belegen, eine weicht ab, beschreibe wie und warum das absichtlich oder ein Fehler sein könnte”. Eng gefasste Fragen mit angehängtem umgebendem Kontext sind der Bereich, in dem diese Modelle wirklich nützlich sind. Breite Fragen sind der Bereich, in dem sie Dinge erfinden.
Die Ausgabe ist strukturiert, keine Prosa. Jedes Finding kommt als Zellbezug, Kategorie, kurze Begründung und Konfidenz zurück. Das erlaubt uns zu sortieren, zu deduplizieren, Kategorien zu unterdrücken, die ein bestimmtes Team nicht interessieren, und die gesamte Menge in eine Prüf-Queue einzuspeisen statt in einen Absatz, den ein Mensch parsen muss.
Halte den Menschen in der Schleife und bewahre die Belege
Zwei Regeln halten das Ganze zusammen. Das Modell bearbeitet die Arbeitsmappe nie, und das Modell hat nie das letzte Wort.
Jede Markierung ist ein Vorschlag. Sie landet vor einem Prüfer mit der Zelle, der Formel, der Begründung und einem Ein-Klick-Kontext, um an diese Stelle in der Datei zu springen. Der Prüfer akzeptiert, verwirft oder korrigiert. Seine Entscheidung wird gegen die Zelle und die Modellversion protokolliert, die sie ausgelöst hat, was eine Prüfspur ergibt: was markiert wurde, wer es angesehen hat, was er geschlossen hat. Wenn eine Aufsichtsbehörde oder ein interner Prüfer fragt, wie eine Zahl kontrolliert wurde, ist dieser Datensatz die Antwort, und er existiert, egal ob die Markierung richtig oder falsch war.
Die Ökonomie steckt im Falsch-Positiv-Budget. Ein Prüfer liest vielleicht ein paar Dutzend Markierungen, bevor er anfängt, abzunicken, also zählt Präzision an der Spitze der Rangliste mehr als Recall über die gesamte Datei. Wir halten einen gelabelten Eval-Datensatz aus echten Modellen mit bekannten eingepflanzten und natürlichen Fehlern vor und messen daran Präzision und Recall pro Fehlerkategorie, nicht an einer Demo. Wenn eine Prompt- oder Modelländerung den Recall bei Vorzeichendrehern hebt, aber die Queue mit falschen Hartcodiert-Wert-Markierungen flutet, zeigt der Eval-Datensatz das, bevor es einen Menschen erreicht. Das ist der Unterschied zwischen einem Werkzeug, das Menschen weiter benutzen, und einem, das sie nach der zweiten Woche stillschweigend abschalten.
Der Umfang ist ehrlich. Das fängt mechanische und strukturelle Defekte ab: Verweise, Konsistenz, Überschreibungen, Vorzeichen, veraltete Links. Es sagt nicht, ob eine Wachstumsannahme von 3 Prozent für dieses Geschäft in diesem Zyklus vernünftig ist. Dieses Urteil bleibt beim Analysten, und das sollte es auch. Was das Modell ihm einbringt, ist der mechanische Durchgang über jede Zelle, damit sein Urteil auf den Annahmen landet, die zählen, statt darauf verwendet zu werden, einen Tippfehler in Zeile 214 zu jagen.
Häufige Fragen
Kann ein LLM die Formeln lesen oder nur die angezeigten Werte?
Es arbeitet auf der Formelebene. Wir extrahieren für jede Zelle die Formelzeichenkette, den aufgelösten Wert sowie Vorgänger und Nachfolger, damit das Modell über die Berechnung nachdenkt und nicht über die Zahl, die ein Screenshot zufällig anzeigt.
Halluziniert das Modell nicht Fehler, die gar nicht existieren?
Doch, und genau deshalb ist nichts, was es sagt, verbindlich. Jede Markierung landet mit Zellbezug und Begründung bei einem Menschen. Wir justieren das Falsch-Positiv-Budget gegen einen gelabelten Eval-Datensatz, damit Prüfer nicht im Rauschen versinken.
Ersetzt das den Analysten, der das Modell prüft?
Nein. Es ersetzt den ersten mechanischen Durchgang über tausende Zellen und übergibt dem Prüfer eine priorisierte Auswahlliste. Das Urteil, ob eine Formel für dieses Geschäft falsch ist, bleibt beim Analysten.