KI-Agent und Excel: Tabellen als Datenquelle und Ausgabe nutzen
In vielen Fachbereichen ist Excel die eigentliche Datenbank: Preislisten, Stücklisten, Projektlisten, Prüfprotokolle, Kalkulationen. Wer dort einen KI-Agenten einsetzen will, kommt an der Tabelle nicht vorbei. Die Frage ist nicht, ob ein Agent Excel kann, sondern wie er damit arbeitet, ohne Zahlen zu verfälschen.
Was heißt es, einen KI-Agenten an Excel anzubinden?
Einen KI-Agenten an Excel anzubinden heißt, ihm Werkzeuge zu geben, mit denen er Tabellen gezielt liest, prüft und beschreibt. Das Sprachmodell versteht die Aufgabe und plant die Schritte. Das eigentliche Lesen und Schreiben der Zellen erledigt Code, der jede Zahl exakt übernimmt, statt sie aus einem Textabbild abzuschreiben.
Der Unterschied zum Hochladen einer Datei in ein Chatfenster ist grundlegend. Im Chat wird die Tabelle in Text umgewandelt, das Modell sieht eine lange Zeichenfolge und antwortet darauf. Das genügt für eine schnelle Einschätzung. Für einen Prozess, der jede Woche gleich laufen soll, genügt es nicht: Ergebnisse sind nicht reproduzierbar, große Dateien passen nicht in den Kontext, und niemand kann nachvollziehen, welche Zelle zu welcher Aussage geführt hat.
Typische Aufgaben, für die Unternehmen einen Agenten an Excel anbinden:
- Auswerten: Umsätze je Kunde, offene Positionen je Projekt, Abweichungen zwischen Plan und Ist.
- Zusammenführen: zehn Lieferantenlisten mit unterschiedlichen Spaltennamen in ein einheitliches Format bringen.
- Prüfen: Pflichtfelder, Einheiten, Dubletten, Ausreißer in einer Stückliste oder einem Prüfprotokoll finden.
- Ausgeben: eine Angebotskalkulation, einen Monatsbericht oder eine Bestellliste in eine bestehende Vorlage schreiben.
Wie funktioniert die Anbindung? Die Bausteine
Die Anbindung besteht aus drei Bausteinen: einem Zugriffsweg auf die Datei, Werkzeugen, die das Modell aufrufen darf, und Regeln, die festlegen, was der Agent schreiben darf. Das Modell selbst rechnet nicht in der Tabelle, sondern ruft Funktionen auf und interpretiert deren Ergebnisse.
Zugriffsweg. Liegt die Datei auf einem Netzlaufwerk oder wird sie per E-Mail geliefert, liest der Agent sie lokal mit einer Bibliothek. Liegt sie in OneDrive for Business oder SharePoint, kann er sie über die Excel-API von Microsoft Graph direkt in der Cloud bearbeiten, ohne sie herunterzuladen.
Werkzeuge. Statt „lies die ganze Datei" bekommt der Agent kleine, eindeutige Funktionen: Tabellenblätter auflisten, Kopfzeile lesen, eine Spalte filtern, eine Kennzahl berechnen, Zeilen an eine Tabelle anhängen. Jede Funktion gibt ein kompaktes, strukturiertes Ergebnis zurück. So bleibt der Kontext klein und jede Aussage lässt sich auf einen Werkzeugaufruf zurückführen. Wie sich solche Werkzeuge einheitlich für verschiedene Agenten bereitstellen lassen, beschreibt der Artikel MCP-Server: KI-Agenten standardisiert an Systeme anbinden.
Regeln. Lesen ist unkritisch, Schreiben nicht. Bewährt hat sich, dass der Agent nie die Originaldatei überschreibt, sondern in eine Kopie oder in eine dafür vorgesehene Ausgabetabelle schreibt. Wer schreiben darf, welche Blätter tabu sind und ab welcher Änderungsmenge ein Mensch freigibt, gehört in die Konfiguration, nicht in den Prompt.
Lesen per Code statt Copy-Paste
Für lokale Dateien ist in Python pandas der übliche Weg. Laut Dokumentation (Version 3.1.0) liest read_excel die Formate xls, xlsx, xlsm, xlsb und ods; je nach Format kommt ein anderer Leser zum Einsatz, etwa openpyxl für neuere Excel-Dateien und xlrd für alte .xls-Dateien. Ein Werkzeug für den Agenten kann so aussehen:
import pandas as pd
def tabelle_lesen(pfad: str, blatt: str, spalten: list[str]) -> dict:
"""Liest ausgewählte Spalten eines Blatts und liefert eine kompakte Übersicht."""
df = pd.read_excel(pfad, sheet_name=blatt, engine="openpyxl", dtype=str)
fehlend = [s for s in spalten if s not in df.columns]
if fehlend:
return {"fehler": f"Spalten fehlen: {fehlend}", "vorhanden": list(df.columns)}
teil = df[spalten]
return {
"zeilen": len(teil),
"leere_zellen": int(teil.isna().sum().sum()),
"vorschau": teil.head(20).to_dict(orient="records"),
}
Das Werkzeug gibt bewusst nur eine Vorschau und Kennzahlen zurück. Braucht der Agent eine Summe, ruft er ein zweites Werkzeug auf, das die Summe im Code berechnet. Das Modell bekommt das Ergebnis, nicht die 40.000 Zeilen, aus denen es entstanden ist. Die Option dtype=str verhindert, dass Artikelnummern mit führenden Nullen still in Zahlen umgewandelt werden; Zahlenspalten wandelt das Werkzeug danach gezielt um.
Formeln: Wert oder Formel?
Excel-Dateien enthalten oft Formeln. openpyxl liefert standardmäßig die Formel selbst; mit data_only=True liefert es stattdessen den Wert, der gespeichert wurde, als Excel das Blatt zuletzt eingelesen hat. Laut Dokumentation berechnet openpyxl Formeln nie selbst. Wurde eine Datei von einem anderen Programm erzeugt und nie in Excel geöffnet, kann dieser gespeicherte Wert fehlen.
Für den Agenten heißt das: Er muss wissen, welche Zellen Eingaben und welche Ergebnisse sind. Ergebnisse liest er als gespeicherte Werte, Eingaben schreibt er, und die Neuberechnung übernimmt Excel, entweder beim nächsten Öffnen oder in der Cloud über die Graph-API.
Schreiben in Vorlagen
Die sicherste Ausgabe ist eine feste Vorlage: Kopfbereich, Tabelle mit benannten Spalten, Formeln für Summen, Formatierung. Der Agent füllt nur die Eingabezellen. So bleibt das Layout, das Fachbereich und Kunden kennen, erhalten, und das Modell muss keine Formatierung erfinden.
from openpyxl import load_workbook
def vorlage_befuellen(vorlage: str, ziel: str, positionen: list[dict]) -> str:
wb = load_workbook(vorlage) # Formeln der Vorlage bleiben als Formeln erhalten
ws = wb["Positionen"]
start = 5 # erste Datenzeile der Vorlage
for i, p in enumerate(positionen):
ws.cell(row=start + i, column=1, value=p["artikel"])
ws.cell(row=start + i, column=2, value=p["menge"])
ws.cell(row=start + i, column=3, value=p["einzelpreis"])
wb.save(ziel) # nie die Vorlage selbst überschreiben
return ziel
Die Werte in positionen stammen aus Werkzeugen, die Preise und Mengen aus einem Quellsystem lesen, nicht aus dem freien Text des Modells. Getestet mit openpyxl 3.1.5 und pandas 3.1.0 unter Python 3.12, Stand November 2026; pandas 3.1.0 verlangt mindestens openpyxl 3.1.5.
Excel in der Cloud über die Graph-Excel-API
Liegt die Datei in OneDrive for Business oder SharePoint, bietet Microsoft Graph Endpunkte für Arbeitsblätter, Bereiche, Tabellen, Diagramme und sogar Excel-Funktionen. Der Vorteil: Die Berechnung übernimmt das Excel-Backend auf dem Server, und die Datei bleibt an ihrem Ort. Microsoft nennt nicht persistente Sitzungen ausdrücklich für Fälle, in denen nur Berechnungsergebnisse gebraucht werden.
Ein paar Punkte aus der Microsoft-Dokumentation, die für Agenten wichtig sind:
- Die API unterstützt nur Arbeitsmappen im Office-Open-XML-Format; .xls-Dateien werden nicht unterstützt. Dateien in privaten OneDrive-Konten werden ebenfalls nicht unterstützt.
- Für mehrere Aufrufe empfiehlt Microsoft eine Sitzung (
createSession), deren ID im Headerworkbook-session-idmitgeschickt wird. Eine nicht persistente Sitzung speichert Änderungen nicht in der Datei, was sich für reine Berechnungen eignet. - Laut Dokumentation läuft eine persistente Sitzung nach etwa 5 Minuten Inaktivität ab, eine nicht persistente nach etwa 7 Minuten.
- In den Best Practices rät Microsoft davon ab, Schreibanfragen an dieselbe Arbeitsmappe parallel zu senden, und empfiehlt, jede Anfrage erst nach der Antwort auf die vorherige zu schicken.
Ein Werkzeug, das eine Zeile an eine Excel-Tabelle in SharePoint anhängt:
import os
import requests
GRAPH = "https://graph.microsoft.com/v1.0"
def zeile_anhaengen(drive_id: str, item_id: str, tabelle: str, werte: list) -> dict:
headers = {"Authorization": f"Bearer {os.environ['GRAPH_TOKEN']}"}
basis = f"{GRAPH}/drives/{drive_id}/items/{item_id}/workbook"
s = requests.post(f"{basis}/createSession", json={"persistChanges": True}, headers=headers)
s.raise_for_status()
headers["workbook-session-id"] = s.json()["id"]
try:
r = requests.post(f"{basis}/tables/{tabelle}/rows/add",
json={"values": [werte]}, headers=headers)
r.raise_for_status()
return r.json()
finally:
requests.post(f"{basis}/closeSession", json={}, headers=headers)
Benötigte Berechtigungen sind laut Microsoft Files.Read zum Lesen und Files.ReadWrite zum Schreiben. Vergeben Sie dem Agenten nur die Rechte, die er für seine Aufgabe braucht: Ein Agent, der nur auswertet, bekommt keine Schreibrechte.
Einsatzfelder: wo Excel Datenquelle und wo Ausgabe ist
Excel taucht in zwei Rollen auf: als Quelle, aus der der Agent Wissen und Zahlen holt, und als Ausgabe, in die er Ergebnisse schreibt. Viele Prozesse brauchen beides. Entscheidend ist, die Rolle pro Datei festzulegen, damit der Agent nie versehentlich eine Quelle verändert.
Excel als Datenquelle. Preislisten, Rabattstaffeln, Lieferzeiten, Ersatzteillisten und Projektübersichten liegen in vielen Unternehmen in Tabellen, die eine Person pflegt. Ein Agent für die Angebotserstellung liest daraus Preise und Lieferzeiten, ein Agent im technischen Service findet in einer Ersatzteilliste die passende Teilenummer. Wichtig ist hier die Lesequalität: eindeutige Spaltennamen, eine Kopfzeile, keine verbundenen Zellen im Datenbereich.
Excel als Ausgabe. Kalkulationen, Monatsberichte, Bestelllisten oder Prüfprotokolle sollen am Ende als Excel-Datei vorliegen, weil der Fachbereich damit weiterarbeitet. Der Agent füllt dann eine Vorlage, wie oben gezeigt. Hier zählt, dass Formeln und Formatierung der Vorlage unangetastet bleiben.
Excel als Prüfobjekt. Ein Agent kann eingehende Listen, etwa Lieferantenmeldungen oder Messprotokolle, gegen Regeln prüfen: Fehlen Pflichtfelder? Passen die Einheiten? Gibt es Dubletten? Er schreibt einen Prüfbericht und markiert auffällige Zeilen, ändert aber die gelieferte Datei nicht. Kommen die Daten dagegen als PDF oder Scan, ist der erste Schritt die Texterkennung; das behandelt der Artikel Dokumente, PDFs und Scans für KI-Agenten erschließen.
Excel als Brücke zu anderen Systemen. Oft ist die Tabelle ein Export aus einem ERP oder CRM. Wenn das Quellsystem eine Schnittstelle hat, ist der direkte Weg meist stabiler. Wie ein Agent strukturierte Daten direkt aus einer Datenbank abfragt, beschreibt der Artikel KI-Agent an Datenbanken anbinden. Der Unterschied: Bei einer Datenbank formuliert der Agent Abfragen gegen ein festes Schema, bei Excel muss er zuerst herausfinden, wie die Tabelle aufgebaut ist, und mit Abweichungen umgehen.
Welche Voraussetzungen braucht der Einsatz?
Die wichtigste Voraussetzung ist nicht die Technik, sondern eine Tabelle, deren Aufbau sich nicht jede Woche ändert. Ein Agent kommt mit unordentlichen Daten zurecht, solange die Unordnung gleichbleibend ist. Zusätzlich braucht es einen klaren Speicherort, Zugriffsrechte und eine Person, die die Tabelle fachlich verantwortet.
Daten. Prüfen Sie Ihre Tabellen auf folgende Punkte:
- Genau eine Kopfzeile pro Tabelle, keine zusammengesetzten Überschriften über mehrere Zeilen.
- Keine verbundenen Zellen im Datenbereich.
- Eine Information pro Spalte (nicht „Menge + Einheit" in einer Zelle).
- Als Excel-Tabelle formatierte Bereiche (Einfügen → Tabelle) mit sprechendem Namen. Die Graph-API kann Tabellen direkt über ihren Namen ansprechen.
- Keine Zwischensummen mitten in den Daten.
Größe. Ein Arbeitsblatt fasst laut Microsoft bis zu 1.048.576 Zeilen und 16.384 Spalten. Das ist für Excel selbst viel, für einen Sprachmodell-Kontext aber weit zu viel. Darum gilt: Der Agent liest nie ganze Blätter in den Kontext, sondern arbeitet mit Werkzeugen, die filtern und aggregieren. Auch die Graph-API empfiehlt, große Bereiche in mehreren kleineren Abschnitten zu lesen oder zu schreiben.
Systeme. Für lokale Dateien genügt ein Rechner oder Server mit Python und Lesezugriff auf das Laufwerk. Für Dateien in Microsoft 365 braucht der Agent eine Anmeldung über die Microsoft Identity Platform mit passenden Berechtigungen.
Organisation. Legen Sie fest, wer die Quelltabelle pflegt, wer die Ausgabe prüft und was passiert, wenn der Agent eine Spalte nicht findet. Ohne diese Zuständigkeit entstehen schnell stille Fehler, die erst beim Kunden auffallen.
Vorgehen in Schritten
Bewährt hat sich ein schrittweiser Aufbau, der mit Lesen beginnt und Schreiben erst freischaltet, wenn das Lesen über mehrere Wochen stabil läuft. So sehen Sie früh, wo die Tabellen uneinheitlich sind, ohne dass der Agent bereits Daten verändert.
- Prozess und Dateien festlegen. Welche Aufgabe soll der Agent übernehmen, welche Dateien sind Quelle, welche Ausgabe? Schreiben Sie das als kurze Liste auf, inklusive Speicherort.
- Tabellen bereinigen. Kopfzeilen vereinheitlichen, verbundene Zellen auflösen, Bereiche als Excel-Tabellen formatieren. Dieser Schritt bringt oft schon ohne Agent einen Nutzen.
- Lesewerkzeuge bauen. Blätter auflisten, Kopfzeile lesen, filtern, aggregieren. Jedes Werkzeug gibt bei Abweichungen eine klare Fehlermeldung zurück, etwa „Spalte Einzelpreis fehlt".
- Prüfwerkzeuge ergänzen. Pflichtfelder, Wertebereiche, Dubletten. Der Agent meldet Auffälligkeiten, statt sie stillschweigend zu korrigieren.
- Ausgabe in Vorlage. Eine feste Vorlage anlegen, Eingabezellen markieren, Formeln schützen. Der Agent schreibt nur in eine Kopie.
- Testlauf mit echten Dateien. Mindestens einige Wochen echte Dateien verarbeiten und die Ergebnisse von einer Fachperson gegen die bisherige Handarbeit prüfen lassen.
- Freigabe und Protokoll. Jede Ausgabe mit Quelle, Zeitpunkt und verwendeten Werkzeugaufrufen protokollieren. Erst danach den Menschen aus der Routineprüfung nehmen, wenn überhaupt.
In unserem eigenen Betrieb hat sich gezeigt, dass Schritt 2 oft länger dauert als der Bau des Agenten. Das ist kein Nachteil: Eine aufgeräumte Tabelle hilft allen, die damit arbeiten.
Grenzen und Risiken
Excel ist als Datenquelle praktisch, aber nicht für jeden Zweck geeignet. Die größten Risiken entstehen, wenn mehrere Personen und Agenten gleichzeitig schreiben, wenn sich der Tabellenaufbau ohne Ankündigung ändert oder wenn das Modell Zahlen aus Text abschreibt, statt sie per Code zu übernehmen.
Gleichzeitiges Schreiben. Microsoft weist in den Best Practices darauf hin, dass parallele Schreibanfragen an dieselbe Arbeitsmappe häufig zu Drosselung, Zeitüberschreitungen und Zusammenführungskonflikten führen. Arbeiten mehrere Agenten oder Personen gleichzeitig in einer Datei, ist eine Datenbank der robustere Ort, Excel bleibt dann Export.
Strukturänderungen. Benennt jemand eine Spalte um oder fügt ein Blatt ein, findet der Agent die Daten nicht mehr. Gute Werkzeuge erkennen das und brechen mit einer verständlichen Meldung ab, statt mit falschen Spalten weiterzurechnen.
Halluzinierte Zahlen. Gibt man dem Modell Tabelleninhalt als Text und lässt es selbst rechnen, kann es Werte falsch übernehmen. Die Gegenmaßnahme ist die Arbeitsteilung aus diesem Artikel: Rechnen im Code, Erklären im Modell.
Formeln und Makros. openpyxl berechnet keine Formeln neu, und Makros in .xlsm-Dateien führt ein Agent nicht aus und sollte es auch nicht. Wer auf aktuelle Formelergebnisse angewiesen ist, nutzt die Graph-API oder lässt die Datei durch Excel neu berechnen.
Datenschutz. Tabellen enthalten oft personenbezogene Daten, etwa Kundenkontakte oder Personalnummern. Prüfen Sie, welche Spalten der Agent überhaupt sehen muss, und filtern Sie den Rest vor dem Modellaufruf heraus. Wo die Daten verarbeitet werden, entscheidet mit, ob der Betrieb datenschutzkonform betreibbar ist. Für die konkrete rechtliche Bewertung sollten Sie Ihre Datenschutzverantwortlichen einbeziehen; dieser Artikel ist keine Rechtsberatung.
Wann der Ansatz nicht passt. Wenn die Daten ohnehin in einem ERP mit Schnittstelle liegen und Excel nur ein manueller Zwischenschritt ist, binden Sie den Agenten besser direkt an das Quellsystem an. Excel lohnt sich als Anbindung dort, wo die Tabelle wirklich die maßgebliche Quelle ist oder wo das Ergebnis zwingend als Tabelle vorliegen muss.
Wie fange ich an?
Starten Sie mit einem einzigen lesenden Prozess, dessen Ergebnis Sie heute schon von Hand erzeugen, zum Beispiel einem wöchentlichen Bericht aus einer Projektliste. Dann können Sie Agent und Handarbeit direkt vergleichen. Erst wenn das Lesen stabil läuft, kommt das Schreiben in eine Vorlage dazu.
Eine kurze Startliste:
- Eine Tabelle auswählen, die eine Person verantwortet und deren Aufbau stabil ist.
- Den Bereich als Excel-Tabelle formatieren und benennen.
- Zwei bis drei Lesewerkzeuge bauen, die filtern und zusammenfassen.
- Ergebnisse über einige Wochen neben der bisherigen Handarbeit prüfen.
- Danach entscheiden: Ausgabe in eine Vorlage ergänzen, oder die Daten mittelfristig in eine Datenbank verlagern.
Wie solche Agenten für einzelne Fachaufgaben aufgebaut sind, etwa im Vertrieb oder im Wissensmanagement, finden Sie in der Übersicht zu KI-Agenten für Fachbereiche. Weitere Anbindungen an Systeme wie Datenbanken, ERP und Postfächer sammelt der Wissensbereich.
Häufige Fragen
Kann ich eine Excel-Datei einfach in den Chat eines KI-Modells hochladen?
Für einen einmaligen Blick ja. Für einen wiederkehrenden Prozess nicht: Das Modell sieht dann Text statt Zellen, kann Zahlen falsch abschreiben und liefert bei jeder Datei ein anders aufgebautes Ergebnis.
Funktioniert das auch mit alten .xls-Dateien?
Lesen ja, etwa mit pandas und dem Leser xlrd oder calamine. Die Excel-API von Microsoft Graph unterstützt laut Microsoft nur Dateien im Office-Open-XML-Format, also .xlsx, nicht .xls.
Rechnet der Agent die Formeln in meiner Datei neu aus?
Nicht automatisch. openpyxl liest entweder die Formel oder den Wert, den Excel zuletzt gespeichert hat. Wer frisch berechnete Ergebnisse braucht, liest über die Graph-Excel-API, wo Excel selbst rechnet.
Wann sollte ich Excel durch eine Datenbank ersetzen?
Wenn mehrere Personen und Agenten gleichzeitig schreiben, wenn Daten über viele Dateien verteilt sind oder wenn Sie Auswertungen über Jahre brauchen. Excel bleibt dann oft als Eingabe- und Ausgabeformat erhalten.
Quellen
- Microsoft Learn: Working with Excel in Microsoft Graph learn.microsoft.com
- Microsoft Learn: Best practices for working with the Excel API in Microsoft Graph learn.microsoft.com
- pandas 3.1.0 Dokumentation: pandas.read_excel pandas.pydata.org
- openpyxl-Dokumentation: Tutorial (data_only) openpyxl.readthedocs.io
- openpyxl-Dokumentation: Simple Formulae openpyxl.readthedocs.io
- PyPI: openpyxl pypi.org
- Microsoft Support: Excel specifications and limits support.microsoft.com