Mašinsko
Učenje u Excelu: Kako AI Menja Analizu Osetljivosti i Monte Karlo
Simulacije za Računovođe

Od
jedne cifre do mape rizika: kako Excel kvantifikuje neizvesnost

Budzet koji predvidja prihod od tacno 10 miliona dinara deluje
uredno, ali krije najvaznije pitanje: koliko je taj rezultat verovatan?
Troskovi, prodajne kolicine, kamatne stope i rokovi naplate nisu fiksne
tacke. Racunovodja zato ne treba samo da izracuna rezultat vec i da
pokaze raspon mogucih ishoda, njihove verovatnoce i pretpostavke od
kojih najvise zavise.

Excel za to nudi vise nivoa rada. Klasicna analiza osetljivosti
pokazuje kako promena jednog ili dva ulaza utice na formulu. Monte Carlo
simulacija ide dalje: neizvesnim ulazima dodeljuje raspodele, zatim ih
mnogo puta uzorkuje i dobija citavu raspodelu finansijskih ishoda. ML
moze pomoci da se iz podataka otkriju odnosi i izaberu realnije
pretpostavke, ali ne uklanja potrebu za profesionalnim sudom.

Od tabele
osetljivosti do probabilistickog modela

Klasicna tabela osetljivosti odgovara na jasno pitanje: sta se desava
sa dobiti ako cena poraste za pet odsto ili prodajna kolicina padne za
deset odsto? Excelove tabele podataka menjaju jednu ili dve promenljive
i prikazuju odgovarajuce rezultate formule. Scenariji mogu sacuvati
razlicite grupe vrednosti, dok trazenje cilja polazi od zeljenog
rezultata i pronalazi potreban ulaz [1]
[2]
[3].

Prednost ovog pristupa je preglednost. Menadzer lako vidi
optimistican, osnovni i pesimistican slucaj. Nedostatak je sto model ne
govori koliko je svaki slucaj verovatan, niti prikazuje sve kombinacije
koje mogu nastati kada se vise ulaza istovremeno menja.

Monte Carlo pristup umesto pojedinacnih vrednosti koristi raspodele.
Potraznja moze imati jedan raspon, cena sirovine drugi, a rok naplate
treci. Model u svakoj iteraciji uzima nove vrednosti, izracunava
rezultat i na kraju prikazuje raspodelu dobiti, novcanog toka ili drugog
pokazatelja [17]
[18]
[4].

Raspodele ne treba birati mehanicki. Istorijski podaci mogu dati
osnovu, ali ih treba dopuniti poslovnim znanjem kada se ocekuju novi
proizvodi, promena cena ili spoljasnji sokovi koje podaci ne sadrze [19]
[20].
Posebno je vazno modelirati zavisnosti: ako prodajna cena i traznja nisu
nezavisne, njihovo odvojeno nasumicno menjanje moze proizvesti ekonomski
nelogicne kombinacije. Rezultat treba prikazati kao interval ishoda i
verovatnocu prelaska vaznog praga, a ne kao lazno preciznu jednu
cifru.

Optimisticka
perspektiva: vise vremena za procenu i savetovanje

Najbolji slucaj nije racunovodja bez posla, vec racunovodja
oslobodjen ponavljajuceg prepisivanja, usaglasavanja i rucnog pravljenja
varijanti budzeta. Automatizacija moze ubrzati pripremu podataka,
otkrivanje obrazaca, izradu grafikona i ponavljanje simulacija. Strucni
izvori preporucuju da ML prvo napravi polaznu prognozu, a da finansijski
profesionalci zatim dodaju informacije o promocijama, novim proizvodima
i trzisnim poremecajima [21]
[19]
[20].

ML moze uciti linearne i nelinearne veze iz istorijskih podataka,
prepoznati najuticajnije pokretace i pomoci u proceni parametara
raspodela. Time se analiza pomera od proizvoljnog menjanja procenata ka
pretpostavkama koje imaju podatkovnu osnovu. Ipak, uocena korelacija ne
dokazuje uzrocnost. Ako model poveze rast prodaje sa nekim pokazateljem,
racunovodja mora proveriti postoji li poslovni mehanizam koji tu vezu
objasnjava.

Copilot omogucava postavljanje pitanja prirodnim jezikom, predlaganje
formula, uocavanje trendova i izradu grafikona. Uz Python moze podrzati
napredniju statisticku analizu, prognoziranje i vizuelizaciju [9]
[10]
[22].
To moze skratiti put od uredjene tabele do prve analiticke verzije, ali
dobijeni kod i zakljucci moraju biti pregledani [23].

Python u Excelu je koristan za simulacije koje su nezgodne u velikom
broju celija. Specijalizovane FP&A platforme mogu dodatno olaksati
zajednicko planiranje, konsolidaciju podataka i upravljanje verzijama,
dok se za napredne stohasticke modele mogu koristiti posebni simulacioni
dodaci ili motori [24]
[25].
Pravi izbor zavisi od slozenosti, kontrole pristupa i potrebe za
revizijskim tragom.

Pesimisticka
perspektiva: brze greske i uzi put do profesije

Isti alati mogu povecati produktivnost tako sto smanjuju broj ljudi
potreban za rutinske zadatke. Svetski ekonomski forum navodi da oko 40
odsto poslodavaca planira smanjenje broja zaposlenih tamo gde vestacka
inteligencija moze automatizovati zadatke, dok su administrativne i
unosne uloge medju onima sa najvecim ocekivanim padom [14]
[26]
[16].
Finansijske institucije su tokom 2025. i pocetkom 2026. povezivale
uvodjenje automatizacije sa daljim smanjenjem radne snage [27]
[28]
[29].

Poseban rizik postoji za pocetne pozicije. Ako softver priprema
podatke, racuna standardne pokazatelje i pravi prvu verziju analize,
organizacija moze zaposliti manje mladjih analiticara. Time se otvara i
dugorocno pitanje: kako ce buduci strucnjaci steci iskustvo ako nestanu
poslovi na kojima su ranije ucili osnove?

Postoje i tehnicka ogranicenja. Python u Excelu radi na udaljenim
Microsoftovim serverima, ne pristupa neposredno lokalnim datotekama ili
bazama i ne moze menjati makroe, postojece formule, grafikone ili
izvedene tabele [12].
Obrada po jednoj formuli ogranicena je na 100 MB, a kvote mogu dovesti
do blokiranja izvrsavanja [13]
[30]
[31].
Dostupnost Copilot funkcija zavisi od licence, konfiguracije i faze
uvodjenja, pa demonstracija iz jednog okruzenja nije garancija da je
ista mogucnost dostupna svakoj organizaciji
[[8]](https://learn.microsoft.com/en-us/answers/questions/5847583/python-in-copilot-(advanced-analysis)
[11]
[32].

Najveca opasnost ipak nije tehnicka vec upravljacka: losi podaci i
lose pretpostavke mogu proizvesti veoma uverljiv, ali pogresan interval.
Monte Carlo ne popravlja slab osnovni model, a istorijski kalibrisana
raspodela moze potceniti ekstremne dogadjaje [17]
[33]
[34].

Prakticni
saveti za racunovodstvene profesionalce

1. Pocnite jednim vaznim ishodom, poput novcanog toka, marze ili
   sposobnosti izmirenja obaveza, umesto simulacijom celog bilansa uspeha.
   Postepeni pristup sa jasno odredjenim prvim modelom preporucuje se i za
   uvodjenje ML prognoziranja [21].
2. Razdvojite odluke od neizvesnosti. Cena koju uprava bira nije isto
   sto i trzisna traznja koju ne kontrolise.
3. Za svaki neizvestan ulaz dokumentujte izvor podataka, oblik
   raspodele, parametre, datum procene i odgovornu osobu.
4. Proverite zavisnosti medju ulazima i izbegnite pretpostavku
   nezavisnosti samo zato sto je jednostavnija.
5. Pored prosecne vrednosti prikazite interval ishoda, mogucnost
   gubitka i verovatnocu dostizanja cilja.
6. Nezavisna osoba treba da proveri formule, kod, raspodele i poslovnu
   logiku pre nego sto rezultat ode upravi ili revizoru.
7. Cuvajte kontrolisane verzije modela i ogranicite pristup osetljivim
   finansijskim podacima.
8. Copilot i Python tretirajte kao pomocnike. Konacnu odgovornost za
   pretpostavke, tumacenje i odluku zadrzava covek.

Uravnotezen
zakljucak: bolja pitanja, ne nepogresivi odgovori

ML-osnazena analiza osetljivosti i Monte Carlo simulacija mogu
pretvoriti budzet iz jedne krhke cifre u razumljivu mapu rizika. Njihova
vrednost nije u obecanju savrsene prognoze, vec u jasnijem prikazu onoga
sto se zna, onoga sto je neizvesno i pretpostavki koje najvise menjaju
rezultat.

Klasicne tabele ostaju najbolji izbor za brzo i objasnjivo testiranje
manjeg broja promena. Probabilisticki model je korisniji kada vise
neizvesnih i medjusobno zavisnih faktora oblikuje ishod. ML, Copilot,
Python i FP&A platforme mogu ubrzati taj rad, ali ne stvaraju
uzrocnost, ne garantuju kvalitet podataka i ne preuzimaju profesionalnu
odgovornost. Najjaci model zato nije onaj sa najvise tehnologije, vec
onaj cije su pretpostavke dokumentovane, rezultati provereni i
ogranicenja otvoreno saopstena.