Uvod
Python in Excel spaja dve radne kulture koje su dugo bile razdvojene:
poznatu mrežu Excel ćelija i programsko okruženje namenjeno obradi
podataka, statistici i mašinskom učenju. Za računovodstvene i
finansijske timove to znači da naprednija analiza više ne mora nužno da
počne izvan radne sveske.
Funkcija se pokreće unosom =PY u ćeliju ili izborom
komande za umetanje Python koda. Kod ostaje u ćelijama, dok funkcija
xl() preuzima izričito navedene Excel opsege, tabele ili
podatke koji su prethodno učitani preko Power Query-ja. Rezultat može
biti pojedinačna vrednost, tabela podataka ili grafički prikaz vraćen u
radnu svesku. Standardne Excel formule i Python izračunavanja tako mogu
postojati u istom modelu.
Ipak, Python se ne izvršava lokalno. Microsoft ga pokreće u
izolovanom kontejneru u Microsoft Cloud-u, uz upravljano okruženje i
biblioteke koje distribuira Anaconda. Dostupni su alati kao što su
pandas, NumPy, Matplotlib,
seaborn, statsmodels i
scikit-learn, ali korisnici ne mogu proizvoljno da
instaliraju druge pakete. Kod nema mrežni pristup niti pristup lokalnim
datotekama, uređajima i akreditivima. Zbog toga se podaci iz spoljnih
sistema najpre moraju dovesti u Excel, najčešće preko Power
Query-ja.
Važno je razdvojiti Python in Excel od generativne veštačke
inteligencije. Sama funkcija je okruženje za izvršavanje Python koda, a
ne AI koji samostalno razume poslovni problem. Copilot može da generiše,
objasni ili umetne kod na osnovu zahteva napisanog prirodnim jezikom,
ali to je dodatni AI sloj. Ta razlika je posebno važna kada se rezultat
koristi u računovodstvu, kontroli ili reviziji.
Optimisticki
pogled: više produktivnosti i dublja analiza
Najveća neposredna korist jeste mogućnost da se ponovljivi analitički
posao pretvori u kod. Umesto niza ručnih koraka za čišćenje podataka,
spajanje tabela, grupisanje transakcija i izračunavanje pokazatelja,
računovođa može definisati postupak koji se ponovo izvršava kada se
ulazni podaci promene. Time se ne uklanja potreba za kontrolom, ali se
smanjuje stalno rekonstruisanje iste analize.
Kod finansijskog modelovanja Python može dopuniti klasične Excel
formule. Biblioteke za obradu podataka omogućavaju pripremu ulaznih
skupova, dok statistički alati podržavaju vremenske serije i
prognoziranje. Monte Karlo simulacije mogu prikazati raspon mogućih
ishoda kada su cene materijala, troškovi rada ili prihod neizvesni.
Rezultat se zatim može prikazati u radnoj svesci koja je već poznata
menadžmentu.
Druga važna oblast jeste otkrivanje anomalija. Tradicionalna pravila,
poput provere duplikata, graničnih iznosa ili neuobičajenog vremena
knjiženja, mogu se kombinovati sa statističkim metodama i modelima kao
što je Isolation Forest. Takav model može učiti obrasce u istorijskim
podacima i izdvojiti transakcije koje se razlikuju od uobičajenog
ponašanja. To usmerava pažnju kontrolora na rizičnije stavke, umesto da
svaki red pregleda jednakim intenzitetom.
Python može pomoći i pri usaglašavanju bankarskih i ERP podataka,
uključujući približno povezivanje zapisa sa manjim razlikama u tekstu
ili formatu. Za izveštavanje, tok može početi osvežavanjem podataka
preko Power Query-ja, nastaviti se Python obradom i završiti ažuriranim
tabelama i vizuelizacijama. Automatizacija ipak zavisi od režima
preračunavanja, licenci, raspoloživih računarskih resursa i mesečnih
kvota.
Profesionalna korist nije samo brzina. Računovođe dobijaju pristup
metodama koje je teško održavati kao dugačke lance formula, a
analitičari podataka mogu rezultate predati u formatu koji finansijski
tim već koristi. Najvrednija kombinacija je poznavanje računovodstvenog
konteksta, sposobnost čitanja koda i kritičko tumačenje modela.
Pesimisticki
pogled: istiskivanje rutine i širenje kontrolnog rizika
Ista automatizacija koja povećava produktivnost može smanjiti potrebu
za pojedinim rutinskim zadacima. Ručno čišćenje izvoza, ponavljano
spajanje tabela, osnovno usaglašavanje i priprema standardnih grafikona
sve je lakše preneti na kod. To ne znači automatski nestanak
računovodstvene profesije, ali menja početne uloge kroz koje su mlađi
zaposleni tradicionalno učili podatke, kontrole i poslovne procese.
Prvi praktični problem je jaz u veštinama. Kod može izgledati
uverljivo i kada sadrži pogrešnu pretpostavku, loše izabran period ili
nepravilno tretiranje nedostajućih vrednosti. Copilot može sniziti
prepreku za pisanje Python-a, ali AI-generisani kod mora biti pregledan,
testiran i objašnjen. Prirodno formulisan zahtev nije zamena za preciznu
računovodstvenu specifikaciju.
Drugi problem je obrada u oblaku. Microsoft navodi da se izvršavanje
odvija u izolovanim kontejnerima, bez mrežnog i lokalnog pristupa, da se
kontejneri uništavaju nakon upotrebe i da se podaci ne koriste za obuku
Copilot modela. To su značajne zaštite, ali organizacija i dalje mora
proveriti da li su cloud obrada, podešavanja povezanih usluga i
konkretna vrsta finansijskih podataka usklađeni sa njenim pravilima.
Postoje i funkcionalna ograničenja. Python ne može neposredno
pristupati lokalnim datotekama ili internim bazama, proizvoljno menjati
makroe, PivotTable objekte i postojeće formule, niti instalirati svaki
paket koji timu zatreba. Standardni pristup može biti ograničen kvotama,
a veće performanse i dodatni režimi preračunavanja mogu zahtevati
posebnu licencu.
Poseban rizik predstavljaju kontrola verzija, proverljivost i
auditabilnost. Radna sveska sa kodom ostaje dokument koji može biti
kopiran i menjan, pa su potrebna pravila za vlasništvo, odobravanje i
evidentiranje izmena. Python in Excel nije glavni knjigovodstveni sistem
i ne obezbeđuje sam po sebi potpun revizorski trag svake promene
finansijskih podataka. Čak i kada širi Microsoft 365 sistem beleži
određene aktivnosti, to nije isto što i detaljan trag računovodstvene
odluke i izvršenja svake linije koda.
Najvažnija ograda glasi: rezultat statističkog ili ML modela, kao ni
AI predlog formule ili koda, nije knjigovodstveni dokaz i nije zamena za
stručni sud. Anomalija nije dokaz prevare, a prognoza nije potvrđena
buduća vrednost. Odgovornost ostaje na ljudima koji odobravaju model i
koriste njegov rezultat.
Prakticni koraci za
uvodjenje
- Izabrati ograničen slučaj upotrebe, poput čišćenja mesečnog izvoza,
usaglašavanja ili pomoćne analize odstupanja. - Dokumentovati poreklo podataka, računovodstvena pravila, očekivani
izlaz i kontrolne zbirove pre pisanja koda. - Razdvojiti pripremu podataka, izračunavanje i prikaz rezultata kako
bi svaka faza mogla zasebno da se testira. - Uvesti stručni pregled Python koda, naročito kada ga generiše AI, i
čuvati odobrene verzije radnih svezaka. - Definisati ko sme da osvežava podatke, menja pretpostavke, odobrava
model i koristi rezultat za knjiženje ili izveštavanje. - Proveriti politike cloud obrade, licence, kvote, podržane platforme
i raspoložive biblioteke pre šire primene. - Zadržati nezavisne kontrole: poređenje sa glavnom knjigom, ručni
pregled uzorka i objašnjenje svake značajne anomalije.
Tokom 2025. Python in Excel postao je opšte dostupan kvalifikovanim
Business i Enterprise korisnicima na Windows-u, vebu i Mac-u. Status
potrošačkih i obrazovnih planova zavisi od kanala i programa
dostupnosti, dok mobilne platforme nisu podržane. Za period 2025–2026 ne
postoje dovoljno pouzdani i javno uporedivi podaci o usvajanju baš ove
funkcije u računovodstvu. Realnije je očekivati neravnomernu primenu,
zavisnu od licenci, bezbednosnih pravila, kvaliteta podataka i veština
tima.
Zakljucak
Python in Excel nije čarobni računovođa u ćeliji, ali jeste značajno
proširenje Excel-a. Može ubrzati obradu podataka, omogućiti statističke
prognoze, poboljšati scenarijsko modelovanje i usmeriti kontrole prema
neuobičajenim transakcijama. Njegova najveća vrednost nastaje kada
automatizuje mehanički deo rada, a stručnjaku ostavlja više vremena za
tumačenje, komunikaciju i procenu rizika.
Istovremeno, lako generisan kod, cloud izvršavanje i složeniji modeli
stvaraju novu kontrolnu obavezu. Organizacije koje uvedu jasna pravila
pregleda, verzionisanja, dokumentovanja i ljudskog odobravanja mogu
dobiti ozbiljan analitički alat. One koje rezultat prihvate samo zato
što dolazi iz Python-a ili AI sistema rizikuju da brže proizvedu
sofisticiraniju grešku.