Som egenföretagare har jag funderat på billeasing i flera år. Problemet är inte att hitta offerter - det är att jämföra dem. Olika bindningstider, restvärden, miltal, förmånsvärden, avdragsmöjligheter. Varje gång jag försökt bygga en ordentlig jämförelse har det tagit dagar och jag har ändå känt mig osäker på om jag missat något.
Förra veckan testade jag Claude i Excel. På femton minuter hade jag en komplett modell: åtta flikar med leasingalternativ för tre bilmodeller, tre bindningstider, känslighetsanalys för miltal och restvärde, skatteeffekter för enskild firma vs aktiebolag, och en sammanfattande dashboard som visade totalkostnad per månad för varje scenario.
Det är en helt ny värld.
Vad som är annorlunda
Claude förstår strukturen i din arbetsbok. Varje flik, varje formel, varje cellreferens. Be den förklara hur modellen fungerar och den spårar formelrelationerna ner på cellnivå. Be den uppdatera ett antagande och den modifierar cellerna utan att bryta beroenden.
Det intressanta med leasingmodellen var att Claude föreslog analyser jag inte bett om. När jag nämnde att jag var egenföretagare la den automatiskt till en flik för skatteeffekter och en jämförelse mellan privatleasing och företagsleasing. Den ställde följdfrågor om min ungefärliga marginalskatt och körda mil per år.
Full spårbarhet gör det användbart på riktigt. Varje åtgärd loggas. Om du vill förstå varför en cell visar ett visst värde kan du spåra logiken bakåt. Det är skillnaden mellan ett experiment och något du faktiskt vågar fatta beslut utifrån.
Varför data är den nya vallgraven
Vi har ägnat år åt att diskutera vem som har den smartaste modellen. Den diskussionen börjar bli irrelevant.
Anthropic har i tysthet byggt licensierade partnerskap med de dataleverantörer finansvärlden faktiskt drivs av: LSEG för marknadsdata i realtid, Moody's för kreditbetyg, S&P Capital IQ för finansiella data, Morningstar och Pitchbook för analys.
En generisk språkmodell kan skriva en SUMMA.OM-formel. Claude kan hämta morgonens prissättning från Londonbörsen, korsreferera mot Moody's kreditbetyg och uppdatera din analys. I ett enda flöde.
Kvaliteten på AI:ns output beror helt på kvaliteten på input. Exklusiv data blir därmed en enorm fördel.
Det märkliga partnerskapet
Microsoft och Anthropic har ett partnerskap värt 30 miljarder dollar. Microsoft hostar Claude på Azure. Samtidigt konkurrerar Claude direkt med Microsofts egen Copilot for Excel.
Det finns en produktskillnad som spelar roll: lokal filhantering. Copilot kräver att filer sparas på OneDrive med autospar. Varje ändring synkas direkt till molnet.
Många avskyr detta. De vill ha kontroll över när arbete sparas och möjlighet att experimentera utan permanenta ändringar. Claude fungerar med lokala filer. För mig som egenföretagare med känsliga beräkningar är det värdefullt.
Vad som fungerar och vad som inte gör det
Låt oss vara ärliga om begränsningarna.
Det positiva:
- Hastigheten är remarkabel. Min leasingmodell tog femton minuter. För hand hade det tagit minst en heldag.
- Multi-flik-arkitekturer hanteras utmärkt. Åtta flikar med korsberoenden fungerade utan problem.
- Modellen är proaktiv. Skatteeffekter och alternativkostnadsanalys föreslog den själv.
- Priset är tillgängligt: 20 dollar i månaden.
Utmaningarna:
- Specifika siffror (exakta förmånsvärden, aktuella räntor) behövde jag mata in manuellt.
- Diagram är funktionella, inte snygga. För en presentation får du göra formateringsarbetet själv.
- Vid riktigt stora modeller kan du behöva starta om chatten på grund av minnesbegränsningar.
Vad det innebär
Norges oljefond uppskattar att de sparat 213 000 arbetstimmar genom att använda Claude i Excel. Det är siffror som är svåra att ignorera.
Men det viktigaste är inte tidsbesparingen. Det är vad som händer med analysarbetets värdekedja.
Beräkning blir billigt. Att bygga en modell, köra känslighetsanalys, jämföra scenarier - det har historiskt krävt dagar. Nu tar det minuter.
Omdöme blir dyrt. Att veta vilka antaganden som är rimliga, vilka scenarier som är relevanta, vilka slutsatser som håller - det kan AI inte leverera.
Min leasingmodell gav mig svar, men det var fortfarande jag som behövde avgöra om antagandena var rimliga. Hur sannolikt är det att jag kör exakt det miltalet? Hur värderar jag flexibilitet vs lägre månadskostnad? Det är omdömesfrågor som ingen modell kan svara på.
Åtgärder
1. Testa på ett riktigt problem. Inte ett leksaksexempel. Ta något du faktiskt behöver räkna på - ett investeringsbeslut, en prismodell, en leasingjämförelse. 20 dollar i månaden är inget att diskutera.
2. Fokusera på omdöme. Automatisera beräkningen. Lägg tiden på att ställa rätt frågor och validera svaren. Det är där värdet finns.
3. Var kritisk till antagandena. AI bygger modeller snabbt, men den vet inte om dina antaganden är rimliga. Det är fortfarande ditt jobb.
4. Använd det för beslut du skjutit upp. De flesta av oss har ekonomiska frågor vi undvikit för att analysen känts för tidskrävande. Nu finns den ursäkten inte längre.
Slutsats
Kalkylarket är affärsvärldens nervsystem. Från styrelsebeslut värderade i miljarder till egenföretagarens leasingval - allt flödar genom dess celler.
Claude har gjort analysarbete dramatiskt billigare. Det förändrar inte bara hastigheten - det förändrar vad som är värt att betala för.
Frågan är inte om AI:n är tillräckligt bra. Frågan är vilka beslut du skjutit upp för att analysen känts för dyr - och vad som händer när den kostnaden försvinner.