Как использовать локальные нейросети для автоматизации Excel без облачных сервисов

Работа с электронными таблицами зачастую сопровождается утомительными задачами: от форматирования до очистки данных. При этом использование популярных облачных нейросетей, таких как Claude или ChatGPT, не всегда допустимо, если документы содержат конфиденциальную или юридически защищенную информацию. Переход на локальные модели искусственного интеллекта решает проблему безопасности, так как все вычисления происходят исключительно на вашем компьютере.

Настройка локальной ИИ-системы для работы с таблицами

Для создания такой системы потребуется модель с открытыми весами и квантованием, объемом от 9 до 15 миллиардов параметров. Среди подходящих кандидатов — Qwen3.5 (9B), Gemma 4 (12B) или Ministral 3 (14B). В качестве среды исполнения используется программа LM Studio.

Для работы такой системы достаточно 8–16 ГБ оперативной или видеопамяти. Хотя использование VRAM значительно ускоряет процесс генерации кода, современные модели подобного размера вполне работоспособны и на центральном процессоре. Пользователь описывает желаемое действие на обычном языке, а нейросеть выдает готовый код макроса, который остается скопировать в Excel.

Преимущества локального ИИ перед облачными решениями

Главный фактор — это конфиденциальность. Пока ваш компьютер защищен, данные остаются в безопасности, так как ни одна строка не покидает устройство. Кроме того, это экономически выгодно: единожды настроив локальную систему на имеющемся ПК, вы избавляетесь от расходов на платные подписки и оплату токенов API, стоимость которых может значительно возрастать при необходимости частых итераций для получения нужного результата.

Практика написания кода для Excel

Современные модели с 8–14 млрд параметров демонстрируют высокие результаты в написании кода. Несмотря на то что VBA и Office Scripts представлены в тренировочных данных в меньшем объеме по сравнению с Python, нейросети справляются с ними достаточно эффективно. При работе с моделью Qwen3.5-9B автор использовал следующие настройки: температура 0.6, top_p 0.95, top_K 20, min_p 0, при включенном режиме мышления (Thinking mode).

Важным аспектом является контекстное окно. Рекомендуется увеличить его объем примерно до 20 000 токенов, так как глубокое «размышление» модели потребляет много ресурсов. Каждые дополнительные 8 000 токенов увеличивают требования к памяти примерно на 1 ГБ.

Очистка данных и создание автоматизаций

Тестирование возможностей нейросети проводилось на таблице с данными о продажах, содержащей лишние пробелы, неверные форматы имен и случайные пустые строки. Модель успешно справилась с задачей написания скрипта для нормализации данных. При возникновении ошибок или недостаточно точных инструкций, например, при удалении пустых строк, модель корректировала код после уточнения запроса.

При попытке выполнить сложный комплекс задач, включающий дедупликацию, исправление форматов дат, удаление пустых строк и добавление столбца итогов, модель иногда выдавала ошибки, требующие отладки. Рекомендуется разбивать крупные задачи на несколько последовательных этапов, так как при избыточной нагрузке нейросеть может терять контекст или попадать в бесконечный цикл.

Вердикт по использованию локального ИИ

Локальная модель размером 9B параметров является вполне эффективным помощником для автоматизации Excel. Она отлично подходит для разработки специализированных формул и простых макросов. Главное правило успеха — формулировать конкретные и узконаправленные запросы. Если давать модели слишком много задач одновременно, она может столкнуться с трудностями, однако при грамотном подходе такая система становится полноценным инструментом для повседневной работы.

Технические особенности настройки и выбора модели

Выбор конкретной модели имеет значение. Например, Qwen3.5-9B была выбрана автором эксперимента не только из-за доступности, но и из-за склонности модели к «избыточному размышлению» (overthinking). Такая особенность позволяет нейросети лучше удерживать в памяти важные ограничения, которые задает пользователь в промпте. Важно понимать, что на данный момент это решение не является плагином или автономным агентом, имеющим прямой доступ к файловой системе или программному интерфейсу таблицы. Это инструмент «внешнего» помощника: вы описываете задачу, получаете код и самостоятельно переносите его в Excel. Подобная изоляция — временная мера, и автор планирует предоставить нейросети прямой доступ к таблицам, если текущие тесты покажут стабильно надежные результаты.

Что касается аппаратных требований, использование VRAM видеокарты предпочтительнее для скорости, но не является критическим требованием. В экспериментах автора модели указанного размера работали приемлемо даже на ресурсах центрального процессора. Однако при настройке контекстного окна стоит учитывать «стоимость» памяти: процесс «мышления» модели требует значительного количества токенов, и в первом тесте автора весь стандартный контекст в 8К был полностью израсходован еще до того, как был сгенерирован рабочий скрипт. Именно поэтому увеличение контекста до 20К является необходимой мерой для сложных задач.

Нюансы написания запросов и отладки

Опыт показал, что точность формулировки промпта определяет результат. В примере с удалением пустых строк модель сначала не поняла задачу, восприняв команду слишком буквально. Когда промпт был уточнен и содержал пояснение о том, что пустые строки распределены вперемешку с валидными данными, нейросеть мгновенно выдала корректный VBA-код. При выполнении комплексных задач, объединяющих несколько операций (дедупликация, форматирование дат, удаление строк, добавление столбцов), модель может выдавать ошибки исполнения. В таких случаях процесс отладки становится циклическим: если вы предоставляете модели информацию об ошибке, она способна провести самокоррекцию и исправить код.

Тем не менее, автор настоятельно рекомендует следовать стратегии дробления задач. Попытка решить всё «одним махом» часто приводит к тому, что модель застревает в цикле или достигает лимита контекстного окна и внезапно прекращает генерацию. Разбиение на этапы гарантирует более высокую надежность кода.

«Если вам не нужна сложная автоматизация, локальные модели 9B-14B станут отличным инструментом для написания специфических формул Excel, с которыми они справляются не хуже, чем со скриптами», — отмечает автор эксперимента.

Таким образом, локальное решение — это не только вопрос безопасности данных (невозможность их утечки в облако или попадания под действие сомнительных политик хранения данных компании), но и долгосрочная экономическая эффективность. В отличие от платных API, где каждый запрос или «итерация с итерацией» (например, при переключении между сложными моделями вроде Fable 5.1 или Sonnet 5 для исправления кода) стоит реальных денег, локальная модель работает бесплатно после первичной настройки оборудования.