Нейросеть для таблиц: как работает?

Что умеют нейросети для работы с таблицами?

Нейросеть для таблиц делает три вещи: читает готовые данные и объясняет, что в них происходит; собирает таблицу с нуля по текстовому описанию; переводит сырой список в структуру, пригодную для отчёта. Загружать при этом можно CSV, содержимое листа копипастом или просто перечисление в свободной форме.

Разница с обычным табличным редактором в том, что вопрос задаётся словами. «Какая категория съела больше всего бюджета в марте и на сколько выросла к февралю» — это один запрос вместо сводной таблицы, фильтра и трёх формул. Модель прочитает данные, посчитает и напишет ответ предложением.

За этим кроется главная ловушка: язык у ответа одинаково уверенный и когда модель посчитала, и когда она угадала. В 2024 году авторы бенчмарка TableBench собрали 18 предметных областей и четыре категории вопросов к таблицам и показали, что даже GPT-4 набирает заметно меньше человека. О разрыве между демонстрацией и промышленным применением они написали прямым текстом.

Как ИИ читает таблицу и что он видит на самом деле?

Модель видит таблицу как текст, а не как сетку. Строки склеиваются в последовательность символов, границы ячеек превращаются в разделители, и никакого «столбца C» в привычном смысле не остаётся. Отсюда следуют два практических вывода.

Первый: формат подачи влияет на результат. CSV и markdown-таблица читаются надёжнее, чем скриншот, потому что при распознавании картинки добавляется ещё один слой ошибок. Второй: заголовки столбцов работают как инструкция. Колонка «Сумма, ₽» понятнее, чем «Кол3», и разница видна в качестве ответа.

Исследователи предлагали и обходные приёмы. В работе Chain-of-Table, представленной на конференции ICLR в 2024 году, таблицу заставляют меняться прямо по ходу рассуждения: модель шаг за шагом применяет к ней операции и опирается на промежуточный результат, а не держит всё в голове. Идея пригодится и вручную: дробите вопрос на шаги.

Как получить из таблицы сводку и выводы?

Спрашивайте про смысл, а не про цифры. Запрос «посчитай сумму» упирается в арифметику, с которой у моделей проблемы. Запрос «объясни, что изменилось между кварталами и почему это могло произойти» попадает в сильную сторону: интерпретация, гипотезы, формулировки.

Порядок, который работает:

1. Опишите таблицу словами. «Первая строка — заголовки, дальше 200 строк расходов за март, три колонки». Модель не видит структуру файла, ей нужен ориентир.
2. Задайте вопрос бизнеса, а не Excel. Не «сделай сводную», а «где мы потратили больше, чем планировали».
3. Попросите показать ход рассуждения. Ответ с промежуточными числами проверяется в разы быстрее итогового «всё хорошо».

Полностью человека это не заменяет, но и не так далеко от него, как принято думать. В 2023 году в работе «Is GPT-4 a Good Data Analyst?» модель прогнали через сквозной анализ баз данных из разных доменов и сравнили с профессиональными аналитиками по нескольким метрикам. Результат авторы описали как сопоставимый с людьми, оговорившись, что до вывода о замене ещё далеко.

На какой таблице нейросеть начинает врать в цифрах?

Раньше, чем кажется. Мы прогнали один и тот же запрос на таблицах разной длины: посчитать сумму столбца, сумму по одной категории и её долю в процентах. Модель — Gemini 2.5 Flash, температура нулевая, эталон считался в Python.

На 40 строках ответ совпал с эталоном до копейки. На 150 строках сумма разошлась на 13–28 процентов в трёх прогонах подряд. На 400 строках модель промахнулась на 100 рублей из почти 20 миллионов, то есть снова попала. Зависимость немонотонная: дело не в длине как таковой, а в том, взялась модель считать по-настоящему или решила прикинуть.

Отсюда полезный признак, которого нет в обзорах сервисов. Подозрительно круглое число — это невычисленный ответ. Когда модель считала, у нас выходило «1 989 929,25». Когда не считала, приходили «5 800 000», «10 000 000» и доля ровно «20,00%». Круглые цифры на некруглых данных означают оценку, а не подсчёт.

Второе наблюдение неприятнее. Два прогона из трёх вернули одну и ту же неверную сумму — «7 000 514,66». Переспросить и сравнить ответы недостаточно: ошибка воспроизводится. Проверять нужно внешним способом, формулой или калькулятором.

Как создать таблицу нейросетью с нуля?

Опишите словами, что должно быть в строках и столбцах, и попросите вывод в markdown или CSV. Дальше готовый текст вставляется в редактор таблиц, и разметка разбирается автоматически.

Лучше всего это работает на трёх задачах: шаблон под регулярную работу (график дежурств, смета, контент-план), перевод сплошного текста в структуру, разметка справочника с фиксированными полями. Заполнение выдуманными данными тоже возможно, но такие цифры годятся только как рыба для формата.

Чем длиннее таблица, тем выше шанс, что к концу модель поплывёт: она может сменить формулировку заголовка, потерять колонку или начать повторяться. Для длинных списков просите генерировать по 20–30 строк за раз и склеивайте сами.

Насколько большую таблицу потянет модель?

Предел задаётся контекстным окном. Google в документации Gemini API описывает миллион токенов как примерно 50 000 строк кода или восемь романов средней длины; таблица на несколько тысяч строк в такой объём укладывается свободно. Раньше, при типовых 8000 токенов, о загрузке целого листа речи не шло вовсе.

Но влезть и быть посчитанной — разные вещи, и наш замер это показал. Практический потолок для арифметики ниже технического: сотня-полторы строк, дальше нужен внешний инструмент. Механику окна и способы его экономить разбираем в отдельном материале про контекстное окно нейросети.

Если данные не помещаются или считать нужно точно, действуйте иначе: попросите модель написать формулу или скрипт, а вычисления оставьте программе. Для листа Excel это отдельный разговор, и ему посвящён гайд про нейросеть для Excel с формулами и макросами.

Можно ли доверять ИИ коммерческие данные?

Выгружать на сторонний сервер выручку, зарплаты и клиентскую базу не стоит. Файл уходит в чужую инфраструктуру, оседает в логах и подпадает под чужую политику хранения; никакой галочки «не сохранять» это не отменяет.

Приём тот же, что с документами: обезличивание. Названия контрагентов заменяются на «Клиент 1» и «Клиент 2», суммы масштабируются на общий коэффициент, персональные данные вырезаются. Структура сохраняется, выводы остаются верными, а утекать становится нечему.

Какую модель выбрать под таблицу?

Под разбор данных берите модель с длинным контекстом и хорошей аккуратностью в рассуждении. Практическая разница между линейками для таблиц меньше, чем разница между «попросил посчитать» и «попросил объяснить»: сценарий влияет на результат сильнее выбора модели.

В каталоге Trackly модели OpenAI, Google и Anthropic собраны в одном окне: рубли, без VPN, единый баланс. Сообщение Gemini 2.5 Pro стоит 30 токенов, сообщение GPT-5 mini — 15 токенов, и на первые запросы хватает приветственного бонуса после регистрации.

Теперь про границу продукта: загрузки файла XLSX или CSV в чате нет. Данные вставляются текстом, а к сообщению прикрепляется фото — например, снимок части листа. Для таблицы на пару сотен строк копипаста хватает; для выгрузки на десятки тысяч строк нужен не чат, а скрипт.

Источники

• Xianjie Wu и соавторы. TableBench: A Comprehensive and Complex Benchmark for Table Question Answering, arXiv, 2024 (проверено 07.08.2026).
• Liying Cheng, Xingxuan Li, Lidong Bing. Is GPT-4 a Good Data Analyst?, arXiv, 2023 (проверено 07.08.2026).
• Zilong Wang и соавторы. Chain-of-Table: Evolving Tables in the Reasoning Chain for Table Understanding, ICLR 2024 (проверено 07.08.2026).
• Google. Long context, Gemini API — что помещается в миллион токенов (проверено 07.08.2026).