Vart och vartannat halvår kommer en ny rubrik som säger att kalkylblad är på väg att försvinna. AI-dashboards, automatiserade BI-verktyg och chattbaserade dataassistenter låter som slutet för Excel. Sedan sätter du dig ner med ett riktigt ekonomiteam, en verksamhetschef eller en HR-avdelning, och då ser bilden helt annorlunda ut. Rapporterna byggs fortfarande i Excel. Modellerna lever fortfarande i Excel. AI-verktygen ligger ovanpå det, inte i stället för det.

Den klyftan mellan berättelsen och den dagliga verkligheten är värd att förstå, särskilt om du är den som ansvarar för att hålla ditt teams rapportering korrekt och er data faktiskt användbar.

AI-verktyg är verkligen användbara för att sammanfatta data, upptäcka avvikelser och generera första utkast till kommentarer om siffror som någon annan redan har förberett. Det de inte gör är att ersätta den underliggande struktur som rapporteringen bygger på.

Enligt Venas rapport ”2025 State of Strategic Finance” använder 89 % av ekonomiteamen fortfarande Excel för viktiga processer, främst på grund av den flexibilitet och de integrationsmöjligheter som verktyget erbjuder jämfört med nyare alternativ. Den siffran har inte sjunkit i takt med att AI-användningen ökar. Om något visar det att de två löper parallellt, snarare än att det ena ersätter det andra.

Den genomsnittliga kontorsanställda spenderar också nästan 20 timmar i veckan i kalkylblad, enligt forskning från Acuity Training, vilket motsvarar cirka 38 % av en arbetsvecka. Det är ingen utdöende vana från förr. Det är en central del av hur verksamheter faktiskt fungerar, dag för dag.

Det finns flera anledningar till att Excel behåller sin plats, även när nyare verktyg lanseras runt omkring det.

• Det är det gemensamma språket mellan avdelningar: Ekonomi, verksamhet, HR och försäljning förstår alla ett kalkylblad. AI-dashboards är oftast byggda för en enskild funktion och fungerar inte lika bra mellan olika team.
• Det hanterar ad hoc-arbete som AI-verktyg inte kan förutse: Merparten av rapporteringen följer inte en fast mall. Ofta handlar det om att en chef eller specialist snabbt behöver bygga något nytt för att besvara en specifik fråga.
• Migrering är dyrt och riskabelt: Åratal av formler, modeller och historisk data finns lagrade i kalkylblad. Venas forskning visar också att 80 % av de företag som byter till alternativa program för resultatstyrning så småningom återgår till Excel. Ofta beror det på att kostnaden för att återskapa historik i ett nytt system överstiger de besparingar som bytet förväntades ge.
• Det är fortfarande standardkompetensen i varje jobbannons: Avancerade kunskaper i Excel är fortfarande en av de mest efterfrågade färdigheterna inom ekonomi, verksamhet och administrativa roller, oavsett vilken annan programvara ett företag använder.

Inget av detta innebär att AI saknar en viktig roll. Det innebär att Excel är det lager som allt annat byggs kring, inte det lager som ersätts.

Det hjälper att vara specifik kring var gränsen egentligen går.

AI är stark på att identifiera mönster i stora datamängder, generera skriftliga sammanfattningar av siffror och effektivisera repetitiva uppgifter som formatering eller inledande analyser. Däremot är den mindre bra på att förstå den specifika kontexten i ditt företag, avgöra vilka siffror som faktiskt är viktigast under ett visst kvartal och bygga den typ av anpassad logik som en avdelningschef behöver för sin egen rapportering.

Den andra halvan är fortfarande mänskligt arbete, och i de flesta företag utförs det fortfarande i Excel. En AI-assistent kan hjälpa till att skriva sammanfattningen i slutet av en rapport. Den bygger däremot inte rapportens underliggande modell.

Den största delen av den frustration företag upplever med Excel handlar egentligen inte om själva programvaran. Det handlar om kompetensluckor.

Fel smyger sig in när formler byggs inkonsekvent inom ett team, när det saknas gemensamma standarder för hur rapporter ska struktureras eller när en person bygger något så komplext att ingen annan kan underhålla det efter att personen har slutat. Det är ett utbildnings- och processproblem, inte ett skäl att överge verktyget.

Det är också här mycket av besvikelsen kring AI-verktyg har sin grund. Team inför ett nytt automatiserat rapporteringslager, men den underliggande datan som matar systemet är fortfarande rörig, inkonsekvent och beroende av ett fåtal personer som har tillräckligt goda Excel-kunskaper för att kunna lösa problem när något går fel. AI-lagret löser inte det. Gedigna Excel-kunskaper i hela teamet gör det.

Vissa avdelningar märker av detta mer än andra. Ekonomi- och inköpsteam arbetar dagligen med modeller och pivottabeller. Logistik- och verksamhetsteam förlitar sig på Excel för schemaläggning, lagerhantering och rapportering uppåt i organisationen. Fastighets- och FMCG-team använder det kontinuerligt för prissättning, prognoser och resultatuppföljning på flera olika platser.

I samtliga dessa fall handlar utmaningen inte om ett bristande intresse för AI. Problemet är att hälften av teamet känner sig trygga i Excel medan den andra hälften saknar samma kompetensnivå, samtidigt som det ofta saknas en gemensam standard inom avdelningen. Det är just denna kompetensklyfta som HR- och L&D-chefer vanligtvis försöker överbrygga när de investerar i teambaserad Excel-utbildning i stället för att låta varje individ lösa utmaningen på egen hand.

Den mest användbara lösningen just nu är inte ”AI i stället för Excel”. Det är Excel som grund, med AI-verktyg ovanpå för de delar som faktiskt gynnas av automatisering, exempelvis att identifiera avvikelser, skapa utkast till sammanfattningar eller effektivisera repetitiva uppgifter.

De team som får störst värde av AI i rapporteringen är oftast de som redan har starka Excel-kunskaper på plats. AI:n har då tillgång till ren och välstrukturerad data att arbeta med, samtidigt som användarna förstår tillräckligt väl hur siffrorna har byggts upp för att kunna kvalitetssäkra det AI:n producerar. Team som saknar den grunden tenderar snarare att flytta sina kalkylbladsproblem till ett nytt verktyg.

Om din avdelning planerar att förlita sig mer på AI-assisterad rapportering under det kommande året är grundarbetet fortfarande detsamma som det alltid har varit: konsekventa formler, gemensamma standarder och ett team som inte är beroende av en eller två personer för att hålla ihop allt.

Det är ofta här generella kurser för en bred kontorspublik kommer till korta. En kurs som är utformad för alla speglar sällan hur ett logistikteam faktiskt rapporterar lagernivåer eller hur en inköpsavdelning bygger upp en leverantörsjämförelse. Excelutbildning som är anpassad för inköp och logistik hjälper teamet att nå resultat snabbare, eftersom exemplen och arbetsflödena redan speglar det dagliga arbetet, i stället för att utgå från en generisk mall och hoppas att den kan tillämpas i praktiken.

För HR- och L&D-ansvariga är den svåra delen sällan själva utbildningen, utan att kunna visa att den har genomförts och faktiskt gett resultat. Det är ofta den avgörande skillnaden mellan en kurs som används och en som tyst faller i glömska efter den första veckan. Därför ger Learnesys administratörsstöd för utrullning till team ofta bättre långsiktiga resultat än individuell och självstyrd inlärning.

AI förändrar delar av hur rapportering genomförs, men det har ännu inte ersatt det arbete som Excel utför i bakgrunden. Datan visar detta tydligt: de flesta ekonomiteam använder fortfarande Excel för kritiska processer, de flesta kontorsanställda tillbringar fortfarande en betydande del av sin arbetsvecka i kalkylblad, och företag som försöker lämna verktyget bakom sig återvänder ofta till det efter en tid.

Den verkliga möjligheten handlar därför inte om att välja mellan Excel och AI. Den handlar om att säkerställa att teamets Excel-kunskaper är tillräckligt starka för att AI-verktygen ska ha tillgång till pålitlig, välstrukturerad data att arbeta med och skapa värde utifrån.