Warsztat dla analityków finansowych, kontrolerów i księgowych pracujących na co dzień z arkuszami kalkulacyjnymi i modelami finansowymi.

Celem szkolenia jest nauczenie uczestników świadomego i bezpiecznego wykorzystania AI w pracy obliczeniowej – tam, gdzie błąd w liczbie może oznaczać błędną decyzję zarządczą. Uczestnicy poznają fundamentalną różnicę między Claude z narzędziem analitycznym a Copilotem zintegrowanym z Excelem, nauczą się wybierać właściwe narzędzie do zadania, a także zbudują praktyczne nawyki weryfikacji odpowiedzi AI w kontekście analizy wskaźnikowej i modelowania scenariuszowego.

I. Dlaczego AI źle liczy – granica arytmetyki w modelach językowych

Cel: Zbudowanie realistycznych oczekiwań wobec AI w zadaniach obliczeniowych.

Opis przebiegu: Prowadzący wyjaśnia, dlaczego duży model językowy natywnie nie jest kalkulatorem – przewiduje kolejny token na podstawie prawdopodobieństwa, a nie wykonuje operacji matematycznej. Uczestnicy wykonują ćwiczenie, w którym zadają Claude trzy coraz trudniejsze zadania liczbowe bez uruchomienia narzędzia analitycznego i obserwują, w którym momencie model zaczyna halucynować liczby. Następnie to samo zadanie uruchamiane jest z Analysis Tool – wynik jest natychmiast poprawny. Ćwiczenie ustanawia fundamentalne rozróżnienie: „LLM mówi o liczbach, narzędzie liczy liczby”.

Rezultaty:
• Uczestnicy wiedzą, kiedy AI daje realny wynik, a kiedy jedynie jego wiarygodną imitację.
• Potrafią świadomie włączać narzędzia obliczeniowe, zamiast polegać na natywnych odpowiedziach modelu.

II. Dwie drogi do wyniku – Copilot w Excelu vs. Claude z Analysis Tool

Cel: Porównanie dwóch podejść do analizy danych i wybór właściwego narzędzia dla konkretnego zadania.
Opis przebiegu: Uczestnicy otrzymują ten sam pakiet danych finansowych (bilans, rachunek zysków i strat, rachunek przepływów pieniężnych z trzech lat) i wykonują to samo zadanie analityczne w dwóch środowiskach: Copilot w Excelu oraz Claude z Analysis Tool. Porównują wyniki, czas wykonania, możliwość iteracji oraz jakość komentarza analitycznego. Na koniec mapują, która droga sprawdza się przy jakim typie zadania: ad-hoc analiza vs. model wielokrotnego użycia, dane wrażliwe vs. dane publiczne, zadanie jednorazowe vs. powtarzalne.

Rezultaty:
• Uczestnicy potrafią świadomie wybrać Claude lub Copilot dla konkretnego zadania analitycznego.
• Rozumieją granice obu narzędzi w kontekście bezpieczeństwa danych i jakości wyniku.

III. AI jako junior analityk – analiza wskaźnikowa sprawozdania

Cel: Praktyczne wykorzystanie AI do przyspieszenia analizy wskaźnikowej przy zachowaniu kontroli jakości.

Opis przebiegu: Każdy uczestnik otrzymuje sprawozdanie finansowe nieznanej spółki i zleca AI wygenerowanie pełnego zestawu wskaźników: rentowności, płynności, zadłużenia, sprawności operacyjnej, wraz z komentarzem analitycznym. Następnie wykonuje ręczną weryfikację trzech losowo wybranych wskaźników. Ćwiczenie kończy się dyskusją: które wskaźniki AI policzyło poprawnie, gdzie halucynowało, które błędy byłyby katastrofalne w komunikacji z zarządem, a które jedynie niewygodne.

Rezultaty:
• Uczestnicy potrafią wykorzystać AI jako asystenta analitycznego, zachowując rolę weryfikującego eksperta.
• Umieją zaprojektować procedurę kontroli jakości odpowiedzi AI dla analizy wskaźnikowej.

IV. Modelowanie scenariuszowe – delegowanie struktury, weryfikacja liczb

Cel: Opanowanie techniki delegowania AI pracy koncepcyjnej przy zachowaniu kontroli nad obliczeniami.

Opis przebiegu: Uczestnicy budują prosty model scenariuszowy dla hipotetycznej decyzji inwestycyjnej: trzy scenariusze (bazowy, optymistyczny, pesymistyczny), kluczowe zmienne i założenia. Claude generuje strukturę modelu, uczestnik przenosi ją do Excela, uruchamia i iteruje. Prowadzący wprowadza zasadę „deleguj wyniki, nie funkcje” – AI projektuje architekturę modelu, uczestnik zachowuje kontrolę nad logiką obliczeń i założeniami. Ćwiczenie pokazuje, gdzie kończy się użyteczność AI w modelowaniu i gdzie zaczyna niezastępowalna rola analityka.

Rezultaty:
• Uczestnicy potrafią wykorzystać AI do zaprojektowania architektury modelu finansowego.
• Rozumieją, które elementy modelu muszą pozostać pod pełną kontrolą człowieka.

V. Projekt warsztatowy – roboczy model finansowy z weryfikacją AI

Cel: Zbudowanie w trakcie warsztatu gotowego modelu analitycznego do zastosowania w pracy zawodowej uczestnika.

Opis przebiegu: Każdy uczestnik wybiera jeden realny problem analityczny ze swojej pracy – analiza odchyleń, prognoza cash flow, model marżowy, analiza rentowności produktu – i wykonuje go z wykorzystaniem AI według metodyki poznanej w warsztacie. Efektem pracy jest arkusz Excela z komentarzem analitycznym i checklistą weryfikacyjną. Na zamknięciu uczestnicy deklarują, który proces analityczny w swojej firmie przepiszą na nowy tryb pracy w najbliższym miesiącu.

Rezultaty:
• Uczestnicy wynoszą z warsztatu roboczy model finansowy gotowy do adaptacji.
• Mają zdefiniowany pierwszy proces analityczny do przeprojektowania z wykorzystaniem AI.