Poprosiłem ChatGPT i Gemini o zbudowanie panelu w Excelu — ale tylko jeden naprawdę to zrobił

Tworzenie pulpitów nawigacyjnych w Excelu zazwyczaj oznacza spędzenie całego popołudnia na projektowaniu układu. Dlatego zestawiłem ChatGPT z Gemini, aby sprawdzić, które narzędzie najlepiej automatyzuje żmudną pracę — i tylko jedno zbliżyło się do tego, czego oczekiwałem.

Dla obu modeli korzystałem z ich darmowych wersji — ChatGPT Free i Gemini Flash — więc wyniki odzwierciedlają to, czego większość ludzi faktycznie doświadczy bez płatnych funkcji czy rozszerzeń. Upewniłem się również, że każdy z tych narzędzi otrzymał ten sam zestaw danych, polecenie i ograniczenia.

Oto jak to poszło.

Poprosiłem oba modele o wygenerowanie kompletnego pliku Excel od zera

Bezpośrednie generowanie skoroszytu zawiodło w praktyce

Zacząłem od poproszenia obu narzędzi o zbudowanie kompletnego pulpitowego arkusza Excel od podstaw, używając zmodyfikowanej wersji przykładowego zestawu danych finansowych Microsoft, aby sprawdzić, czy mogą stworzyć działający plik, który mógłbym od razu otworzyć i używać.

Prompt rozpoczął się od polecenia obu modelom, aby działały jako projektanci dashboardów w Excelu, i poprosiłem je o użycie ścisłej architektury trzech arkuszy (Dane, Przetwarzanie, Dashboard), opierając się wyłącznie na natywnych formułach i funkcjach Excela. Poleciłem im również stworzenie kart KPI dla Sprzedaży Całkowitej, Zysku Całkowitego i Łącznej Sprzedanej Ilości, utworzenie tabel przestawnych, wstawienie trzech wykresów, dodanie filtra powiązanego z całym dashboardem oraz zastosowanie profesjonalnego projektu z granatowymi akcentami i stonowanymi odcieniami szarości.

Niestety, bezpośrednie podejście do generowania plików nie powiodło się.

Gemini stworzyło użyteczny skoroszyt, który poprawnie odbudował zestaw danych — choć bez żadnych formuł. Wygenerowało karty KPI i wykresy odzwierciedlające rzeczywiste wartości, chociaż kolory nie spełniały moich wymagań, i opierało się na sztywno zakodowanych wynikach w warstwie przetwarzania zamiast na w pełni wielokrotnego użytku systemie Tabeli przestawnej.

ChatGPT również stworzył podręcznik ćwiczeń, ale dotarł on w znacznie mniej kompletnym stanie. Zbiór danych nie został w pełni odtworzony, arkusz przetwarzania zawierał bezużyteczne zastępniki, a karty panelu wyświetlały zera i puste wykresy z powodu brakujących połączeń danych.

Chociaż oba wyniki - szczególnie ten wygenerowany przez Gemini - wyglądały wizualnie obiecująco na pierwszy rzut oka, żaden z nich nie dostarczył niezawodnej, nadającej się do ponownego użycia struktury pulpitu nawigacyjnego. Szybko zdałem sobie sprawę, że proszenie tych narzędzi o bezpośrednie wygenerowanie złożonego pliku arkusza kalkulacyjnego, nawet przy kompleksowych wskazówkach, było niewłaściwym podejściem do tego typu zadania.

Podstawy sztucznej inteligencji
Wyzwaniem wiedzy

Od chatbotów po sieci neuronowe — dowiedz się, ile naprawdę wiesz o sztucznej inteligencji.

Co termin 'uczenie maszynowe' opisuje najdokładniej?

Kto jest powszechnie uznawany za osobę, która ukuła termin 'sztuczna inteligencja' w 1956 roku?

Jaki typ modelu AI zasila popularne chatboty, takie jak ChatGPT?

Czym jest 'przeuczenie' w uczeniu maszynowym?

Do czego najczęściej odnosi się termin „uprzedzenia sztucznej inteligencji”?

Co oznacza 'GPT' w nazwach modeli AI, takich jak GPT-4?

Które z poniższych najlepiej opisuje 'uczenie głębokie'?

Jak nazywał się system sztucznej inteligencji IBM, który w 1997 roku słynnie pokonał mistrza szachowego Garry'ego Kasparowa?

Twój wynik

Dzięki za granie!

Zamiast więc prosić o gotowy skoroszyt, zmieniłem swoją strategię tak, aby oba modele wygenerowały pełny blueprint automatyzacji, który mógłbym wykorzystać do ręcznego stworzenia dashboardu w Excelu. Użyłem dokładnie tego samego zestawu danych i ograniczeń co wcześniej, ale dostosowałem zapytanie, aby poprosić o konkretne instrukcje, współrzędne komórek, kody kolorów w formacie heksadecymalnym oraz rozmiary elementów.

Ta zmiana zmieniła charakter porównania, ujawniając, jak dokładnie każdy model potrafił przetłumaczyć abstrakcyjne wymagania na konkretne kroki realizacji.

Plan Geminiego był precyzyjny i łatwy do wdrożenia

Czyste mapowanie współrzędnych sprawiło, że ręczny montaż był dziecinnie prosty

Projekt Geminiego został czysto przetłumaczony na Excel, ponieważ dostarczał dokładne odniesienia do komórek i konkretne zakresy wykresów. Szczególnie podobało mi się, że zapewniał bezpośrednie odniesienia źródłowe dla wykresów, takie jak konkretne zakresy arkuszy, co oznacza, że mogłem je bezpośrednio skopiować do pól źródłowych wykresu w Excelu, zamiast ręcznie wybierać wyniki tabel przestawnych.

Obsługiwał formuły KPI w sposób przejrzysty, zapewniał, że wyniki tabeli przestawnej były zgodne z układem panelu sterowania i konsekwentnie mapował współrzędne. Cała struktura wydawała się stabilna, gdy skończyłem ręczne tworzenie.

System wizualny Gemini również działał. Używał żądanej palety z granatowymi akcentami, prawidłowo strukturyzował karty KPI i zasugerował poziome rozmieszczenie selektora, co znacznie poprawiło odstępy.

Jednak plan wciąż wymagał drobnych poprawek. Wymiary krajalnicy były zbyt małe, aby w pełni wyświetlić jej przyciski tekstowe, wykres pierścieniowy pozostawił jeden segment z domyślnym neonowym kolorem, ponieważ model powiedział mi tylko, żeby przekształcić pięć z sześciu kategorii, a tytuły wykresów były brakujące. Musiałem też wprowadzić drobne poprawki w elementach wykresu i pionowych odstępach, aby poprawić czytelność.

To powiedziawszy, żaden z tych problemów nie wpłynął na podstawową funkcjonalność, i zajęło to tylko około dwóch minut szybkich poprawek, aby przekształcić wynik w coś, z czego byłem zadowolony.

Plan ChatGPT wymagał obszernej ręcznej interpretacji

Niejasne instrukcje i zepsute formuły zwiększały tarcie

ChatGPT omówił te same podstawowe elementy: formuły, konfigurację tabeli przestawnej, rozmieszczenie wykresów i konfigurację filtrów. Jednak podał znacznie mniej precyzyjne mapowanie współrzędnych, co prowadziło do pewnego zamieszania przy tłumaczeniu instrukcji na Excela.

Na przykład opisywał regiony układu używając ogólnych określeń, takich jak „Tło: Białe; Nieużywana powierzchnia: Miękkie szare wypełnienie”, nie definiując wyraźnych granic między nimi, a stosowanie się do dokładnych instrukcji umieszczenia narzędzia do cięcia spowodowało, że zostało ono zasłonięte przez jeden z wykresów po złożeniu wszystkiego.

Wykresy wydawały się również pionowo ściśnięte, co zmniejszało czytelność i wymagało więcej ręcznych korekt niż bardziej rozłożony układ Gemini.

Halucynacje AI pojawiły się również w wynikach ChatGPT. Zawierały sekcję Executive Insight zaprojektowaną do generowania automatycznych komentarzy tekstowych — ale ta funkcja zawiodła w praktyce, ponieważ użyte formuły zwracały błędy lub puste wyniki, co oznaczało, że musiałem albo przebudować, albo całkowicie usunąć dodatkową sekcję.

Kilka problemów z formatowaniem wymagało korekty, w tym domyślne kolory wykresu pierścieniowego, które nie zostały nadpisane, słaba hierarchia kart KPI, w której etykiety i wartości nie miały wyraźnej wagi wizualnej, oraz ciasne odstępy powodujące, że elementy się gromadziły. ChatGPT również powiedział mi tylko, żeby usunąć tło w jednym wykresie, zamiast we wszystkich trzech.

Z drugiej strony, jasno nakłoniło mnie do zmiany nazw moich obiektów wykresu — kluczowy szczegół, który Gemini pominęło. A jego instrukcje dotyczące tabel przestawnych były ogólnie łatwiejsze do śledzenia niż instrukcje Gemini, chociaż oba modele nadal zakładały pewną znajomość Excela.

Chociaż żaden z problemów ChatGPT nie był katastrofalny, sama ich liczba sprawiła, że naprawienie wyniku zajęło znacznie więcej czasu niż w przypadku wyniku Gemini.

Oba narzędzia AI rozumieją podstawy Excela, ale różnią się w wykonaniu

Prawdziwa luka pojawia się podczas mapowania elementów na siatkę

ChatGPT i Gemini prawidłowo uporządkowały skoroszyt na arkusze Dane, Przetwarzanie i Dashboard, podały poprawne formuły KPI dla Sprzedaży, Zysku i Sprzedanych Jednostek oraz jasno wyjaśniły tworzenie tabeli przestawnej i powiązania z filtrami.

Krytyczne różnice stały się oczywiste, gdy wdrażałem kolejne kroki. Gemini dostarczało wielokrotnego użytku, bezpośrednio kopiowalne elementy, takie jak jawne zakresy komórek i źródła wykresów, podczas gdy ChatGPT opierał się na ogólnych instrukcjach i miał problemy z formatowaniem. W rezultacie pewne w działaniu wyjście Gemini wymagało mniejszej liczby poprawek i stabilnie się wpasowywało, podczas gdy mniej precyzyjny szablon ChatGPT sprawiał, że spędzałem znacznie więcej czasu na dopracowywaniu odstępów i struktury wizualnej, zanim mogłem faktycznie użyć skoroszytu.

A zwycięzcą jest...

Żaden z modeli nie dostarczył w pełni zautomatyzowanego pulpitów Excel od początkowego żądania skoroszytu. Jednak gdy przeszedłem na podejście oparte na planie, różnice stały się wyraźniejsze. Gemini wygenerował bardziej precyzyjny i użyteczny wynik i wymagał tylko drobnych poprawek, podczas gdy zniekształcone układy i zmyślenia ChatGPT oznaczały, że jego wynik wymagał więcej ręcznej korekty, aby osiągnąć ten sam poziom dopracowania.

W praktyce eksperyment pokazał, że kluczowa różnica nie polegała na samej zdolności, lecz na precyzji instrukcji. Ponieważ Gemini dostarczał jaśniejsze formuły, dokładne współrzędne siatki i bardziej precyzyjne instrukcje układu, był jedynym narzędziem, które naprawdę zmniejszało ilość ręcznego czasu i wysiłku potrzebnego do zbudowania Excela dashboardu, którego chciałem.