在 2026 年这一时间节点,人工智能与电子表格的结合已跨越了简单的 “功能插件” 阶段,演变为一种深度的 “交互重构”。从微软 Copilot 对传统 Excel 的内生赋能,到 Skywork(天工)、Sourcetable、Coze 等新一代 AI 平台对表格数据的原生处理,再到积木报表这类把 AI 嵌进 Web 报表设计与智能问数的工具,标志着办公软件的范式正从 “公式驱动” 转向 “意图驱动”。

一、范式转移:从工具内生 AI 到平台化表格交互
传统的电子表格(如 Excel 和 Google Sheets)正在通过集成大语言模型(LLM)实现智能化,而新兴的 AI 代理(Agent)平台则提供了完全不同的处理路径。落到企业场景里,还有第三条路:报表类工具把 AI 接入设计和问数环节。
1. 传统工具的内生进化
以 Excel 为例,Copilot 的引入使其具备了自然语言交互能力。用户可以直接在单元格内通过 =COPILOT() 函数进行趋势预测,或利用对话框完成期望的数据分析或图表生成。这种进化的核心在于降低专业功能的门槛,使普通用户能调用以往需要 VBA 或高级函数才能实现的操作。
2. 新兴 AI 平台的表格处理新模式
新兴平台如 Skywork、Sourcetable 和 Coze,则代表了 “AI 驱动的表格交互” 新趋势:
- Sourcetable:将电子表格作为 AI 的数据底座。它不仅是计算工具,更是一个集成了数百个数据源的实时中心,允许用户通过自然语言将外部数据库、API 数据直接拉取至表格中进行混合分析,消除了传统 Excel 在数据集成上的孤岛效应。
- Skywork(天工):利用强大的长文本与结构化数据处理能力,Skywork 能够直接 “阅读” 并 “理解” 用户上传的复杂 Excel 文件。它不仅能回答关于表格的具体问题,还能主动发现数据中的异常逻辑,并将其作为大模型的外部知识库进行关联推理。
- Coze(扣子):作为智能体开发平台,Coze 通过内置的表格插件或 Database 节点,允许开发者构建能够 “读写 Excel” 的机器人。这种结合使得电子表格成为了 AI Agent 的持久化存储和结构化输出终端,实现了 “对话即操作”。
3. 嵌入业务系统的 Web 报表:设计与问数两头接入 AI
前两类工具更偏个人和团队的办公场景。企业自己的业务系统里,报表往往是另一套逻辑:数据在数据库里,格式要符合业务单据,还要打印、填报、导出。这类需求催生了第三条路径——在 Web 报表工具里接入 AI。
积木报表(JimuReport)是其中的一个例子。它的设计器沿用了类 Excel 的操作习惯,通过拖拽单元格完成分组、交叉、合计等复杂报表,数据可以通过 SQL、API,或 Excel、CSV、JSON 文件接入,支持 30 多种数据源,也能集成到 Spring Boot 项目中。AI 的加入则体现在两处:一是一句话描述需求,自动生成报表和数据大屏,生成后还能通过对话继续修改组件、布局和样式;二是在报表之外,提供对话式的数据分析入口(后文的 JimuChatBI)。

对已经有成熟业务系统的团队来说,这条路的价值是:不必把数据搬进另一个表格平台,而是在原有系统里让 AI 帮着做报表。
二、AI 与电子表格结合的核心方向
1. 数据治理的自动化与智能化
AI 极大地缩短了从 “脏数据” 到 “标准数据” 的距离。在处理从 CSV 或第三方系统导入的非结构化数据时,AI 能够自动识别格式冲突、修复拼写错误、统一单位,并进行智能去重。例如,在采购管理系统中,AI 可以识别出不同格式的采购表的关键信息,按照采购类别进行汇总分析。
2. 自然语言驱动的深度洞察
这是目前最具代表性的结合方向。用户不再需要记忆复杂的 VLOOKUP 或数据透视表操作。
- 描述性分析:用户直接提问 “去年前三季度的毛利变动趋势及主因”,AI 会自动筛选相关列,生成对比表格并配以文字摘要。
- 诊断性分析:在 AI+Table 等平台工具中,AI 能跨表关联数据,解释产生某一现象的背后原因及改进措施。
自然语言取数落到企业数据库上,口径是否统一、权限能否管住,比 “答得快” 更关键。积木报表推出的 JimuChatBI(积木问数,也叫 Chat2BI)是个典型做法:先通过语义建模统一业务术语和指标口径,再把自然语言问题转换成查询、表格、图表和可复核的 SQL。业务人员不用写 SQL,提问之后会先看到 AI 理解到的 “分析口径”,指标和维度可以直接切换、即时重算,还能展开查看执行的 SQL,答案是否可信不必靠猜。

3. 公式与代码生成的低代码化
AI 正在终结 “公式焦虑”。无论是 Excel 内的 Copilot 补全建议,还是在 AI + 表格平台工具中通过自然语言描述逻辑后自动生成的 Python 处理脚本,都将复杂的逻辑运算转化为对话过程。这使得原本仅限于专业分析师的高级分析(如线性回归、异常点检测)能够普及到一线业务人员。
三、应用价值:效率革命与决策科学化
AI 与电子表格的结合,其价值不仅体现在速度的提升,更在于对数据价值的深度挖掘。
1. 业务流程的端到端自动化
通过智能体编排平台,电子表格不再是静态的记录本。用户可以创建一个 Agent,该 Agent 能够监控表格中特定列的变化(如:库存低于阈值),随后自动触发采购邮件发送,或在飞书 / 钉钉中推送预警。这种 “表格 + AI + 外部插件” 的组合,构建了轻量级的自动化 ERP 系统。
在业务系统一侧,思路类似:一次不错的提问,不必停在聊天窗口里。JimuChatBI 的结果可以直接另存为报表、加入数据大屏或导出,多轮对话里的多个分析结果还能汇总成一份带图表和洞察的分析报告,让 “问一次” 变成可以复用的报表资产。
2. 从 “数据呈现” 到 “结论生成” 的飞跃
在传统模式下,报表的终点是图表。而 AI 的加入使得报表能够直接输出结论。
例如,市场团队上传一份广告投放报表,AI + 表格平台不仅生成转化率柱状图,还能直接给出:“建议停止某个渠道的投入,因为其获客成本明显高于平均水平” 的文字建议。这种 “结论段” 的生成极大地缩减了汇报准备时间。对话式问数产品里的 “一句话洞察” 也是同样的思路:先给结论,再让人展开明细去核对。
3. 数据资产的民主化使用
对于缺乏专业 IT 支持的中小企业,AI + 表格类平台可提供内置交互处理能力,使其能够以极低的成本获得以往昂贵的 BI(商业智能)系统才具备的分析力。表格成为了 AI 与人沟通的通用语言。
“民主化” 也有边界:不是每个人都应该看到所有数据。对话式问数产品通常会在数据域层面做权限控制,比如访问授权、敏感词过滤、行级数据权限、列级权限与脱敏,同一句 “各区域销量”,不同角色看到的范围不一样,这样才能放心地把数据交给业务人员自己问。
四、风险评估与未来展望
尽管 AI 带来了前所未有的便利,但在实际应用中仍面临数据隐私与安全性的挑战,尤其是在涉及财务与核心客户数据的场景下。此外,过度依赖 AI 生成的公式和结论可能导致用户对底层逻辑的感知弱化。
应对这两类风险,有两点值得借鉴:一是把 AI 约束在已建模的范围内,让它只能查询已注册的表和字段,口径可控、范围可控,不让它自由扫描整个数据库;二是让过程可追溯,生成的 SQL、使用的指标口径都能被查看和复核,结论出错时才找得到原因。
展望未来,电子表格将成为 AI 平台的一个 “插件” 或 “交互窗口”。三类工具会长期共存:以 Excel Copilot 为代表的生产力套件负责深度的单机复杂计算;AI + 表格类平台化工具负责复杂的多源数据流与 Agent 协作;嵌入业务系统的报表与问数组件,则负责把 AI 能力放进企业已有的数据和权限体系里。对于职场人而言,未来的核心竞争力将不再是操作表格的熟练度,而是利用 AI 将业务意图高效转化为表格数据洞察的能力。