KI kann rechnen - das Bild zeigt ein KI-Gehirn mit einer Formel — MG mit Gemini

Rechnen mit KI: Kann ChatGPT wirklich rechnen? Der Praxis-Check

ChatGPT, Gemini & Co. können rechnen – aber sie tun es nicht wie ein Taschenrechner.
LLMs sagen die wahrscheinlichste Ziffernfolge voraus statt logisch herzuleiten.
Bei einfachen bis mittleren Aufgaben klappt das erstaunlich gut, bei großen Zahlen
oder vielen Schritten schleichen sich Fehler ein. Mit Chain-of-Thought-Prompting
und generiertem Python-Code lässt sich die Genauigkeit deutlich verbessern.

Es gibt diesen einen Satz, den man in Ingenieurskreisen noch 2026 hört:

„Solange KI aus 1+1=3 macht, braucht man mir als Ingenieur damit gar nicht kommen.“

Ehrlich? Das stimmt so nicht mehr. Und das Verrückte daran: Es ist eigentlich völlig unlogisch, dass es überhaupt funktioniert. ChatGPT ist ein Sprachmodell. Kein Taschenrechner, kein CAS, kein Mathe-Tool. Und trotzdem rechnet es – oft erstaunlich gut.

Die eigentlich interessante Frage ist also nicht "kann KI rechnen?", sondern: wann kannst du dich darauf verlassen, und wann solltest du es besser lassen? Genau das schauen wir uns in diesem Beitrag an – in drei Etappen: direkt im Chat rechnen, KI Excel-Formeln & Makros schreiben lassen, und KI ein eigenes Rechen-Skript bauen lassen.

Inhalt des Guides

Dieser Guide bildet das Handout zu einer Trainingsreihe von mir: "AI in Business Processes & Engineering" - die Nutzung von KI, LLM, Chatbots im Berufs-Alltag. Die Trainingsreihe besteht aus grob einem Duzend Sessions, jeder Post hier eine Session wieder. Das Training ist inhaltlich wesentlich ausführlicher, der Post hier ist eher als Handout und Gedächtnisstütze und Nachschlagwerk zu verstehen.

Das Training richtet sich an den durchschnittlichen Angestellten im Büroalltag - wir schauen uns Tools an, die ohne Programmierkenntnisse zu bedienen sind. Gelegentlich verwenden wir aber ChatBots um kurze Skripte zu schreiben.

Nutzungsbedingungen:

Für Teilnehmer meiner Trainings ist die Nutzung frei, inklusive privater Kopien
Für die eigene, private Bildung ist die Nutzung frei, inklusive privater Kopien
Die kommerzielle Nutzung von einzelnen Auszügen ist gestattet, wenn ein Link zu dem Original hier angegeben wird
Die kommerzielle Nutzung des Posts im Ganzen oder in weiten Teilen ist nur mit Lizensierung bzw. Absprache erlaubt.

Inhalt dieses Beitrags

1) GPT kann rechnen! Aber mit Limits…
2) Stattdessen: Excel-Formeln & Makros von KI schreiben lassen
3) Stattdessen: Mathe-Skript schreiben lassen
4) Zusammenfassung: Lessons Learned
5) Projektaufgabe: Rechnen mit LLM
FAQ

1) GPT kann rechnen! Aber mit Limits…

ChatGPT, Gemini und andere LLMs können mathematische Aufgaben lösen –
allerdings nicht durch Berechnung, sondern durch Vorhersage der wahrscheinlichsten
Ziffernfolge. Das funktioniert gut bei bekannten Aufgabentypen, wird aber bei
großen Zahlen und vielen Rechenschritten unzuverlässig.

Fangen wir mit der einfachsten Methode an: einfach direkt im Chat fragen. Wir zeigen dir, warum das überhaupt funktioniert, wo die Grenzen liegen – und wie sich verschiedene KI-Modelle im direkten Vergleich schlagen.

1.1 Wie funktioniert das technisch überhaupt?

LLMs berechnen nicht wie ein Taschenrechner durch logische Herleitung, sondern
sagen statistisch die wahrscheinlichste nächste Ziffernfolge voraus. Zwei Techniken
verbessern die Genauigkeit: Chain-of-Thought (Schritt-für-Schritt-Denken) und
Code-Ausführung (die KI schreibt und führt im Hintergrund Python-Code aus).

Hier der Knackpunkt, den viele übersehen: Ein LLM "berechnet" nicht durch logische Herleitung wie ein Taschenrechner. Es prädiziert auf Basis statistischer Wahrscheinlichkeiten.

Klingt erstmal beunruhigend. Ist es aber weniger, als man denkt. Das Modell behandelt Zahlen wie Textbausteine und sagt voraus, welche Ziffernfolge am wahrscheinlichsten auf eine Rechenaufgabe folgt.

Und weil so ein Modell Millionen von Rechnungen in seinen Trainingsdaten gesehen hat, "weiß" es ziemlich zuverlässig: Auf "5+5" folgt sehr wahrscheinlich "10". Das lässt sich sogar sehr gut mit synthetischen Trainingsdaten weiter trainieren.

Zwei Tricks verbessern die Trefferquote spürbar:

Chain-of-Thought: Die KI verbessert ihre Genauigkeit, indem sie Schritt für Schritt "denkt" – statt das Ergebnis in einem Rutsch zu raten
Code-Ausführung: Manche Modelle umgehen ihre statistische Schwäche komplett, indem sie im Hintergrund Python-Code schreiben und ausführen lassen, um exakte mathematische Ergebnisse zu bekommen. (Genau das machen wir später in diesem Beitrag auch – nur explizit und mit Absicht.)

Rechnen mit LLM: Chain-of-thoughts verbessert die Ergebnisse erheblich, wil das LLM nicht rechnet sondern textbasiert prädiziert. Je feiner die Zwischenschritte sind, desto besser die Chance, dass das klappt. Mit CoT erschafft sich das LLM die Zwischenschritte selbst. — Rechnen mit LLM: Chain-of-thoughts verbessert die Ergebnisse erheblich, weil das LLM nicht rechnet sondern textbasiert prädiziert. Je feiner die Zwischenschritte sind, desto besser die Chance, dass das klappt. Mit CoT erschafft sich das LLM die Zwischenschritte selbst.

Die typischen Fehlerquellen dabei:

Lange Zahlen werden in Sub-Zeichenketten zerbrochen
Es werden nur "sichtbare" Nachkommastellen berücksichtigt

Genug Theorie – schauen wir uns ein echtes Beispiel an. Prompt an ChatGPT:

Wie berechne ich die langjährige Rendite in Abhängigkeit von jährlicher Rendite und Inflation?

Die Antwort - hier von Gemini - führt sauber zur Fisher-Gleichung:

Ausgabe des LLM: Die Fischer-Gleichung zur Berechnung der Rendite: K_real(t) = K0 · ((1+r)/(1+i))^t — Ausgabe des LLM: Die Fischer-Gleichung zur Berechnung der Rendite.

Mit dem Beispiel K0 = 10.000 €, r = 5 %, i = 3 %, t = 10 Jahre gefüttert und um eine detaillierte Rechnung gebeten, kommt Folgendes zurück:

Fisher-Gleichung (geschlossene Form): K_real(t) = K0 · ((1+r)/(1+i))^t
Einsetzen der Werte: K_real(10) = 10.000 · (1,05/1,03)^10
Quotient berechnen: 1,05/1,03 ≈ 1,019417 → reale jährliche Wachstumsrate ≈ 1,94 %
Zehnjahres-Zinseszins: (1,019417)^10 ≈ 1,212
Reales Endvermögen: K_real(10) = 10.000 · 1,212 ≈ 12.120 €

Berechnung der Rendite mit der Fischergleichung durch das LLM

Rechenergebnis des LLM: durch das Schrittweise vorgehen wurde die Fischergleichung korrekt berechnet.

Ergebnis: Aus 10.000 € werden bei 5 % Rendite, 3 % Inflation und 10 Jahren Laufzeit real ca. 12.100 € Kaufkraft.

Nicht schlecht für ein "Sprachmodell", oder?

ZURÜCK ZUM GUIDE ZURÜCK NACH OBEN

Vergleiche: ChatGPT vs. Gemini vs. Qwen vs. Taschenrechner

Im direkten Vergleich lieferten Taschenrechner (12.120,50), GPT (12.120), Gemini
(12.119,86) und Qwen (12.118,67) bei derselben Aufgabe leicht unterschiedliche
Ergebnisse. Die Abweichungen entstehen durch unterschiedliches Runden und
unterschiedlich viele berücksichtigte Nachkommastellen – nicht durch grobe Rechenfehler.

Ein einzelner Test beweist noch nichts. Also haben wir denselben Prompt an mehrere Modelle geschickt:

Berechne die reale Rendite mit der Fischer-Gleichung für Startkapitel 10.000€, jährliche Rendite 5%, Inflation 3%, 10 Jahre

Alle LLM liefern dieselbe Herleitung über die Fisher-Gleichung, den selben Rechenweg und das Ergebnis ist wieder ca. 12.100 € reale Kaufkraft.

Und im direkten Vergleich mit einem echten Taschenrechner sieht das Ganze so aus:

Quelle	Ergebnis
Taschenrechner	12.120,50 €
ChatGPT	12.120 €
Gemini	12.119,86 €
Qwen	12.118,67 €

Die Unterschiede? Keine dramatischen Rechenfehler, sondern schlicht unterschiedlich viele berücksichtigte Nachkommastellen und unterschiedliche Rundungszeitpunkte. Für den Alltag: völlig unproblematisch. Für eine Bilanz: bitte nachrechnen.

1.2 Formeln vereinfachen mit LLM / Algebra mit LLM

Sprachmodelle sind heute zuverlässig in der Lage Formeln zu vereinfachen oder aufzulösen - das was in der Schule und z.T. in der Uni einen erheblichen Teil der Algebra ausmacht. Nicht einfach damit im Bildungssystem umzugehen!

Spannender wird's, wenn man nicht nur rechnen, sondern Formeln vereinfachen lässt. Gemini Prompt:

Vereinfache die Formel im Bild

Mit dem Ausgangsausdruck

Formel vereinfachen mit LLM - Ausgangsformel: ((a^-2 · b^(2/3)) / sqrt(a^2 - x^2) · sqrt(a-x)/b^(1/3))^-3 — Formel vereinfachen mit LLM - Ausgangsformel

löst die KI das sauber in drei nachvollziehbaren Schritten:

Formel vereinfachen mit LLM: Schritt 1: Wurzelterm

Formel vereinfachen mit LLM: Schritt 2: potenzieren und Ergebnis — Formel vereinfachen mit LLM: Schritt 1: Wurzelterm und Ergebnis

Zum Vergleich das Soll-Ergebnis:

Soll-Ergebnis der Formel-Vereinfachung - Gemini macht das korrekt!

Schritt 1 – Klammer vereinfachen: Die b-Terme werden zu ³√b zusammengefasst, die Wurzelterme mit a und x über die dritte binomische Formel (a²-x² = (a-x)(a+x)) auf 1/√(a+x) reduziert
Schritt 2 – Negativen Exponenten auflösen: Der Bruch wird gekehrt
Schritt 3 – Potenzieren mit 3: (a²)³ = a^6, (√(a+x))³ = √((a+x)³), (³√b)³ = b

Endergebnis: (a^6/b) · √((a+x)³) – korrekt.

Fazit: grade Formeln vereinfachen und auflösen ist, wenn man die Schule oder Uni schon länger hinter sich hat garnicht mehr so einfach - es fehlt die Routine, die man damals (ggf.) hatte. LLM lösen das heute zuverlässig. Sogar aus Screenshots. Probleme liegen vor allem in der Interpretation des Screenshots, wenn bei komplexen Formeln nicht klar ist, was Exponent ist, was über der Wurzel steht, etc.

1.3 Limits: Wo LLMs beim Rechnen scheitern

LLMs machen vor allem bei großen Zahlen, mehrstufigen Berechnungen und
Zahlenformaten (z.B. 1.000,00 vs. 1,000.00) Fehler. Chain-of-Thought-Prompting
("rechne Schritt für Schritt") und die explizite Aufforderung, ein Python-Skript
zur Berechnung zu schreiben, verbessern die Genauigkeit deutlich.

Sind wir ehrlich – es ist doch nicht alles Gold, was glänzt. Schauen wir uns die Probleme und Limits an.

Prompt: Was ist (6+6*9+9)^2 ?

Gleich zwei Rechenfehler: der Schritt 3 ist doppelt und das Ergebnis der Potenz stimmt nicht. Probleme mit großen Zahlen.

Richtiges Ergebnis wäre 22.667.121. Die KI hat den Rechenschritt doppelt gemacht, weil kein echter Prozess im Hintergrund läuft, der das prüft. Bei großen Zahlen schleichen sich manchmal Fehler ein. Aber eben nicht immer – bei Was ist 9^9 ? klappt es wieder tadellos.

Etwas kniffliger wird es hier:

Was ist 9^9+8^8+7^7 ? Gib sofort die Antwort aus, erkläre erst danach!

Rechenfehler des LLM bei großen Zahlen - v.a. wenn wir Chain-of-Thoughts verbieten

Chain-of-Thoughts wirkt zwar grundsätzlich – aber in einem unserer Testläufe (Stand August 2026) stimmten die einzelnen Potenzen (9^9 etc.) zwar, die Summe am Ende aber nicht. Klassischer Fall von: jeder Einzelschritt richtig, das Zusammenzählen verhauen.

Mit Chain-of-Thoughts ist die Rechnung dann korrekt

Interessant war die Reaktion, als wir explizit "rechne detailliert Schritt für Schritt" gefordert haben: Gemini hat daraufhin selbstständig wieder Python-Code geschrieben.

Gemini schreibt von sich aus ein Python Skript für die Berechnung, als ich gefordert hatte "gehe Schritt für Schritt vor".

Und genau das ist der Punkt, an dem wir bei Mathe-Aufgaben ansetzen sollten – die KI gleich dazu zwingen, ein Skript zu schreiben:

Berechne SQRT(9^9+3^3). Für die Berechnung erstelle ein Python skript, rechne nicht selbst

Zusammengefasst sind das die Stellen, an denen LLMs beim Rechnen stolpern:

Genauigkeit nur bei sichtbaren Nachkommastellen
Gelegentliche Fehler, v.a. bei großen Zahlen
Gelegentlich Fehler in Zwischenschritten
Fehler bei der Zuordnung von Wurzeln und Exponenten in Formeln, die als Bild eingegeben wurden
Fehler beim Zuordnen von Zahlenformaten (1.000,00 vs. 1,000.00)

Die zwei wirksamsten Gegenmittel: Chain-of-Thought-Prompting hilft. Ein von der KI selbst geschriebenes Python-Skript zur exakten Berechnung hilft noch mehr.

1.4 Zusammenfassung Einheit 1

LLMs können an sich schon komplexe Rechenaufgaben lösen. Auch Formeln vereinfachen und Auflösen geht gut.
Die typischen Fehlerquellen: Genauigkeit nur bei sichtbaren Nachkommastellen, gelegentliche Fehler vor allem bei großen Zahlen, gelegentlich Fehler in Zwischenschritten.
Chain-of-Thought-Prompting hilft dabei spürbar, die Genauigkeit zu verbessern.
Aber am besten lässt man die KI gleich ein Skript dafür schreiben, dann ist die Berechnung korrekt und deterministisch.

1.5 Übung 1: Rechnen in GPT

Jetzt bist du dran. Ziel der Übung: ein eigenes Gefühl dafür entwickeln, was funktioniert und was nicht.

So gehst du vor:

Überlege dir Berechnungen aus deinem Arbeitsalltag
Falls dir spontan nichts einfällt: google ein paar typische Berechnungen oder schau auf Wikipedia nach
Teste die Berechnungen in einem ChatBot deiner Wahl
Optional: probiere dasselbe in einem schwächeren, lokalen LLM aus

Tools, die du dafür brauchst:

Einen beliebigen ChatBot
Optional für Fortgeschrittene: ein lokales LLM über LM Studio oder Ollama (rechne mit 3–20 GB Speicherbedarf, je nach Modellgröße)

Kleiner Praxistipp aus eigener Erfahrung: Modell nach der Nutzung wieder entladen, bevor du das Programm schließt – sonst bleibt dir der RAM blockiert.

ZURÜCK ZUM GUIDE ZURÜCK NACH OBEN

2) Stattdessen: Excel-Formeln & Makros von KI schreiben lassen

Statt direkt im Chat zu rechnen, lässt sich die KI auch Excel-Formeln und
VBA-Makros generieren – reproduzierbar und automatisierbar. Das eignet sich
besonders für wiederkehrende Berechnungen, die direkt in bestehende Tabellen
eingebaut werden sollen.

Direkt im Chat rechnen ist praktisch für schnelle Fragen. Aber sobald du etwas wiederholt brauchst – jeden Monat, für jeden neuen Kunden – lohnt sich der Umweg über Excel. Die KI schreibt dir die Formel einmal, du nutzt sie beliebig oft.

2.1 Tabelle direkt in der KI rechnen lassen

Tabellen lassen sich direkt in den Chat kopieren, um Kennzahlen wie Mittelwert,
Median, Standardabweichung oder Varianz berechnen zu lassen – sogar inklusive
Diagramm. Für schnelle Analysen praktisch, aber nicht immer fehlerfrei.

Der schnellste Einstieg: Tabelle einfach reinkopieren und rechnen lassen. Prompt:

Berechne zu dem Vektor im Bild: ……

Statistische Operationen mit LLM: Summe, Mittelwert, Median, Varianz - klappt bei kleinen Datensätzen noch gut. Gemini hat sogar ungefragt eine Visualisierung in html programmiert.

Die Soll-Werte für unseren Test-Datensatz:

Kennzahl	Wert
Mittelwert	4
Median	3,5
StdDev	2,097618
Varianz	3,666667

Mal eben schnell was rechnen lassen geht ganz gut – sogar mit passendem Diagramm dazu. Ein Wort der Warnung aber: In unserem Test war das Ergebnis nicht durchgängig fehlerfrei. Vor dem Copy-Paste in die eigene Präsentation also lieber einmal gegenprüfen.

Bei größeren Vektoren geht es dann aber schnell schief, wie wir in der Einheit Datenauswertung mit LLM später sehen werden.

2.2 Excel-Formeln erstellen lassen

ChatGPT und Gemini generieren aus einer beschriebenen Tabelle passende
Excel-Formeln wie MITTELWERT, SUMMENPRODUKT oder XVERWEIS. Die Formeln sind
meist korrekt, sollten aber gegen die Zellreferenzen geprüft werden.

Jetzt wird's reproduzierbar. Statt die KI jedes Mal neu rechnen zu lassen, holen wir uns die Formel – die wandert dann direkt in unsere Excel-Tabelle und läuft von selbst.

Ausgangslage war diese Beispieltabelle mit Umsatz- und Margendaten zweier Kunden über mehrere Jahre. Prompt:

Gegeben ist folgende Tabelle: Schreibe die Formeln zur Berechnung von: Durchschnittliche Marge Kunde1, Durchschnittliche Marge Kunde2, Gewinn Kunde1, Gewinn Kunde2, Gewinn Kunde1 in 2025

Gemini Prompt zum Schreiben der Excel Formln: wir haben einen Screenshot der Tabelle mit gegeben aus der Gemini sehen kann, wie die Tabelle aufgebaut ist, inkl. Spalten-Buchstabe und Zeilen-Nr. — Gemini Prompt zum Schreiben der Excel Formln: wir haben einen Screenshot der Tabelle mit gegeben ("image.png") aus der Gemini sehen kann, wie die Tabelle aufgebaut ist, inkl. Spalten-Buchstabe und Zeilen-Nr.

Das Ergebnis – Formel neben Formel, jeweils mit Gegenprobe:

Kennzahl	Formel	Ergebnis
Ø Marge Kunde1	`=MITTELWERT(J5:J10)`	5 %
Ø Marge Kunde2	`=MITTELWERT(L5:L10)`	10 %
Gewinn Kunde1	`=SUMMENPRODUKT(I5:I10;J5:J10)`	105,36
Gewinn Kunde2	`=SUMMENPRODUKT(K5:K10;L5:L10)`	225
Gewinn Kunde1 (2025)	`=SUMMENPRODUKT((JAHR(H5:H10)=2025)*I5:I10;J5:J10)`	9,36

Alle fünf Formeln stimmten exakt mit unseren Soll-Werten überein.

In einem zweiten Test mit komplexeren XVERWEIS-Formeln fiel das Fazit fast genauso positiv aus: "fast korrekt". Der einzige Haken – die Daten fingen eigentlich einen Schritt später an, als die KI angenommen hatte. Ansonsten waren die Formeln sauber:

Prompt:

Ich habe folgende Tabelle die einen Projektplan darstellt. Bitte gib die Formeln mit denen ich folgende Zellen berechnen kann: Start-Datum eines AP, Ende-Datum eines AP, Ersten Monat eines APs in Projekt-Monaten, Letzten Monat eines APs in Projekt-Monaten

Komplexeres Beispiel: ein Projekt-Plan in Excel. Gemini soll XVERWEIS Formeln schreiben, die für jedes Arbeitspaket Start und End-Datum aus dem Gantt ablesen. Das Enddatum ist in Excel immer etwas nervig, weil die Monate unterschiedliche Längen haben. Daher hier der Look-Up über die letzte Zelle mit geplantem Aufwand.

=XVERWEIS(WAHR; Z4:AR4>0; Z$1:AR$1)

Das bringt uns zum wichtigsten Praxistipp dieser Einheit: Generierte Formeln sind meistens inhaltlich richtig – aber die Zellbezüge sind die Stelle, an der es am ehesten hakt. Immer kurz gegenchecken, bevor die Formel produktiv geht.

2.3 Excel-Makros schreiben lassen

Für komplexere Automatisierungen in Excel wie das Sortieren nach mehreren Spalten oder Datenaggregation lässt sich VBA-Code direkt von der KI generieren und in den sog. Entwicklertools-Editor einfügen. Bei Fehlern reicht oft das Kopieren der
Fehlermeldung zurück in den Chat.

Reicht eine einzelne Formel in Excel nicht mehr aus, kommen Excel VBA-Makros ins Spiel. Zunächst musst du dafür einmalig die Entwicklertools in Excel sichtbar machen – danach kannst du VBA-Code direkt einfügen und ausführen.

Zwei Beispiele aus der Praxis:

Sortieren nach mehreren Spalten – ein Klassiker, der in Excel gerne nervt
Daten aggregieren – per Formel oder gleich als Makro

In beiden Fällen wurde der generierte Code nicht inhaltlich geprüft, sondern einfach reinkopiert. Bei einem Fehler wurde lediglich die Fehlermeldung zurück in den Chat kopiert – der korrigierte Code dann wieder ungesehen übernommen.

Zunächst Excel "Entwicklertools" aktivieren

Dann Excel Entwicklertools öffnen in der Menüleiste

Prompt: Gegeben ist folgende Tabelle: Schreibe ein Makro, dass die Tabelle nach zwei Spalten sortiert. Und zwar nach den Spalten, die in J3 und J4 angegeben sind. Dort werden die Spalten-Buchstaben eingetragen.

Beispiel: Mit Gemini ein VBA Makro schreiben, dass in Excel nach mehreren Spalten sortiert. Das Bild zeigt den Prompt oben rechts, die Antwort mit dem Code darunter und den in Excel-Mako kopierten Code. Der Code wurde ungelesen kopiert (damit auch nicht-Programmierer dies 1:1 nachvollziehen können). Links sehen wir das Ergebnis in Excel.

Prompt: Schreibe ein Marko, dass den Gewinn pro Jahr in einer MessageBox ausgibt

Beispiel: Mit Gemini ein VBA Makro schreiben, dass in Excel eine Berechnung durchführt. Das Bild zeigt den Prompt oben rechts, die Antwort mit dem Code darunter und den in Excel-Mako kopierten Code. Der Code wurde ungelesen kopiert (damit auch nicht-Programmierer dies 1:1 nachvollziehen können). Links sehen wir das Ergebnis in Excel. Wir sehen, dass der erste Code fehlerhaft war, alle Werte waren 0. Wir haben dann diesen Fehler exakt so gepromptet und Gemeni hat ihn korrigiert.

Das funktioniert in der Praxis überraschend gut. Ist aber auch ein bewusstes Risiko: Bei sensiblen Daten oder Prozessen, die wirklich etwas kosten, wenn sie schiefgehen, lohnt sich ein zweiter Blick auf den Code – oder zumindest ein Testlauf mit Dummy-Daten, bevor das Makro an die echte Tabelle darf.

ZURÜCK ZUM GUIDE ZURÜCK NACH OBEN

2.4 Zusammenfassung Einheit 2

Direkt für Excel können LLMs Formeln und Makros schreiben. Diese haben gelegentlich kleine Fehler – korrigieren sich aber meist schnell, sobald man die Fehlermeldung zurückmeldet. Vor allem bei konkreten Zell-Bezügen irren sich die Modelle gelegentlich.

Fazit ist aber, dass Formeln mit LLM schreiben für jeden einfach zu machen ist, der bisher Formeln von Hand schreibt.

Und auch VBA Skripte kann man heute schreiben lassen von LLM ohne Programmierkenntnisse zu haben. Man muss nur den Code in das richtige Fenster von Excel kopieren. Bei Fehlern teilt man diese dem LLM in natürlicher Sprache oder per Screenshot mit. Hier muss man vor allem die 'Angst vorm Unbekannten' überwinden und es einfach einmal ausprobieren!

2.5 Übung 2: Excel-Formeln & Makros

Jetzt bist wieder du dran – dieses Mal geht's um Excel.

So gehst du vor:

Überlege dir XLS-Sheets aus deinem Arbeitsalltag
Falls dir nichts einfällt: google ein paar typische Berechnungen oder schau nach passenden Templates
Teste das Erstellen von Formeln mit einem ChatBot
Optional: teste zusätzlich das Erstellen von Makros

Tools, die du dafür brauchst: Ein ChatBot deiner Wahl sowie Excel, OpenOffice oder LibreOffice.

3) Stattdessen: Mathe-Skript schreiben lassen - vor allem in html+JavaSkript extrem bequem.

Für komplexere oder wiederkehrende Berechnungen lohnt sich ein eigenes Skript:
KI-generierter Python- oder JavaScript-Code rechnet schneller und flexibler als
Excel – besonders wenn die Daten noch nicht in Tabellenform vorliegen. Mit html+JavaScript kann man sich im Handumdrehen eigene Tools bauen (lassen).

Die dritte und letzte Etappe: Wenn deine Daten noch gar nicht ordentlich in einer Tabelle stecken – sondern als Textaufgabe im Kopf oder auf einem Zettel – lohnt sich der direkte Weg über ein Skript. Kein Excel-Sheet nötig, keine Formel-Fummelei.

3.1 Python-Skript von der KI generieren lassen

Für eine Textaufgabe (z.B. Farbmengenberechnung für einen Raum) lässt sich
direkt ein wiederverwendbares Python-Skript generieren – inklusive editierbarer
Parameter am Anfang des Codes. Test-Ausführung ohne Installation z.B. über
PlayCode oder die Edube Sandbox.

Hier sind wir noch schneller und flexibler als mit Excel. Statt erst eine Tabelle aufzubauen, gibst du die Textaufgabe direkt an die KI und lässt dir ein wiederverwendbares Skript schreiben. Als Beispiel eine waschechte Alltagsaufgabe – wie viel Farbe brauche ich für ein Zimmer:

Wie viel Farbe brauche ich zum Streichen des folgenden Raums: Grundfläche 5 x 3,5m, Deckenhöhe 2,5m, eine Tür mit Breite 80cm, zwei Fenster mit Höhe 80cm, Breite 60cm. Bei Tür und Fenster gehe von zusätzlichen 7cm Rahmen aus. Bitte berechne die benötigte Farbmenge, wenn die Farbe eine Reichweite von 10l pro 50m² hat. Bitte schreibe ein Python Script, dass die benötigte Farbmenge berechnet. Definiere alle Parameter oben, so dass ich sie einfach bearbeiten kann.

Der entscheidende Teil im Prompt: "Definiere alle Parameter oben". So bekommst du ein Skript, das du beim nächsten Zimmer einfach mit neuen Maßen füttern kannst, statt bei null anzufangen.

Zum Testen brauchst du noch nicht mal eine lokale Python-Installation. Diese beiden Sandboxen laufen komplett im Browser:

Kleiner Nebenhinweis: Der "Python Playground" auf PlayCode ist inzwischen nur noch KI-gestützt nutzbar – falls du also einen klassischen, reinen Sandbox-Editor suchst, gilt das zu beachten.

Python-Skript vom LLM geschrieben: Berechnung der Farbmenge zum streichen eines Raumes. Links oben stehen die Parameter, rechts die Ausgabe. — Python-Skript vom LLM geschrieben: Berechnung der Farbmenge zum streichen eines Raumes, ausgeführt in der Sandbox von edube.org. Links oben stehen die Parameter, rechts die Ausgabe.

3.2 Rechner als JavaScript & HTML-Seite

Statt eines reinen Skripts lässt sich die KI-Berechnung auch als interaktive
HTML-Seite mit JavaScript umsetzen – Werte lassen sich live im Browser ändern,
ganz ohne Programmierkenntnisse selbst schreiben zu müssen.

Noch einen Schritt komfortabler: Statt eines Python-Skripts, das du jedes Mal irgendwo ausführen musst, lässt du dir direkt eine kleine interaktive Webseite bauen. HTML plus JavaScript, im Browser lauffähig, Werte änderbar mit sofortiger Neuberechnung – wie ein Mini-Rechner, den es vorher gar nicht gab.

Der Charme dabei: Du musst den JavaScript-Code selbst nicht lesen oder verstehen können. Du gibst deine Eingabewerte ein, änderst sie live, und siehst sofort das neue Ergebnis.

Gib die Berechnung als Javascript aus, eingebettet in einer HTML Seite.
Die Eingangsdaten sind Felder, in die der Benutzer die Daten eintragen kann. Sie sind mit den genannten Werten vorbefüllt.
Es gibt einen Button "Berechnen" - wenn er gedrückt wird, wird die Berechnung durchgeführt und ausgegeben.

Eigenes Browser-Tool vom LLM geschrieben in html + JavaScript: die Berechnung der nötigen Farbmenge zum streichen eines Raumes. So ist das Tool noch komfortabler und wiederverwendbarer. Den generierten Code aus Gemeni einfach in einer Textdatei speichern und sie nach .htm umbenennen, dann im Browser öffnen (oder Doppelklicken).

3.3 Zusammenfassung Einheit 3

Für Textaufgaben, wiederkehrende Aufgaben oder wenn die Daten noch nicht in Tabellenform vorliegen, lohnt sich der Weg über ein Skript. Es gibt Sandboxen, in denen sich Python-Code direkt und ohne Installation ausführen lässt. Am besten (unsere persönliche Meinung) lässt man sich gleich eine interaktive Webseite in HTML schreiben – die langen Skripte im Hintergrund muss man dabei gar nicht selbst verstehen. Aber: mit einfachen Testdaten sollte man trotzdem immer prüfen, ob das Ergebnis wirklich stimmt. KI macht Fehler.

3.4 Übung 3: Rechnen mit Skripten

Letzte Übungsrunde – dieses Mal mit Skripten.

So gehst du vor:

Überlege dir eine kleine Berechnung als "Textaufgabe" aus deinem Arbeitsalltag
Falls dir nichts einfällt: google ein paar Beispiele oder lass dich vom ChatBot inspirieren
Teste das Erstellen von Skripten mit einem ChatBot

Tools, die du dafür brauchst: Ein ChatBot – vor allem, um daraus eine kleine Website ("in html") zu bauen. Optional als "Hacker-Tool" eine Python-Sandbox wie Edube oder PlayCode.

ZURÜCK ZUM GUIDE ZURÜCK NACH OBEN

4) Zusammenfassung: Lessons Learned

LLMs lösen komplexe Rechenaufgaben zuverlässig genug für den Alltag – Fehler
treten vor allem bei großen Zahlen und vielen Rechenschritten auf. Chain-of-Thought
hilft. In Excel generierte Formeln und Makros korrigieren sich meist schnell
selbst. Am flexibelsten ist der Weg über ein KI-generiertes Skript, idealerweise
als interaktive HTML-Seite – aber immer mit Testdaten gegenprüfen.

Fassen wir zusammen, was wir aus drei Runden Rechnen mit KI mitnehmen:

LLMs können an sich schon komplexe Rechenaufgaben lösen
Genauigkeit nur bei sichtbaren Nachkommastellen; gelegentliche Fehler v.a. bei großen Zahlen und in Zwischenschritten
Chain-of-Thought hilft!
Direkt in Excel können LLMs Formeln und Makros schreiben – gelegentlich kleine Fehler, die aber schnell korrigiert werden; vor allem bei konkreten Zell-Bezügen irren sie sich gelegentlich
Für Textaufgaben, wiederkehrende Aufgaben oder wenn Daten nicht in Tabellenform vorliegen: Skripte berechnen lassen
Es gibt Sandboxen, um Python-Code direkt und ohne Installation auszuführen
Am besten (unsere Meinung): gleich als interaktive Webseite in HTML schreiben lassen – die langen Skripte muss man dabei nicht selbst verstehen
Aber: mit einfachen Eingabedaten immer prüfen, ob das Ergebnis stimmt – KI macht Fehler

5) Projektaufgabe: Rechnen mit LLM

Wähle eine wiederkehrende Rechenaufgabe aus deinem Arbeitsalltag und löse sie
mit allen drei Methoden: direkt im Chat, als Excel-Formel und als Skript.
Vergleiche anschließend Aufwand, Genauigkeit und Wiederverwendbarkeit.

Zeit, alles zusammenzubringen. Diese Projektaufgabe verbindet alle drei Einheiten aus diesem Beitrag.

So gehst du vor:

Case Study wählen: Nimm eine Firma und eine typische Aufgabe an – gerne direkt aus deinem Arbeitsalltag. Idealerweise etwas, das immer Zeit kostet oder regelmäßig "schnell-schnell" gemacht werden muss.
Überlege: Welche Schritte sind in dieser Berechnung notwendig, und woher kommen die Daten?
Führe die Aufgabe in allen drei Methoden durch:
- Direkt im ChatBot
- Als passende Excel-Tabelle mit KI-generierten Formeln
- Als Skript: Excel-Makro, Python oder JavaScript
- Optional: lasse dir zusätzlich eine kleine Webseite dafür bauen
Vergleiche am Ende Aufwand und Ergebnisse: Welche Methode ging am schnellsten? Welche war am einfachsten? Welche lässt sich am besten wiederverwenden?

Lernziel: Ein echtes Verständnis dafür entwickeln, wie sich die drei Wege, Rechenaufgaben zu lösen, in der Praxis tatsächlich unterscheiden.

Tools, die du dafür brauchst: Ein ChatBot deiner Wahl (ChatGPT, Gemini, etc.), optional eine Python-Sandbox wie Edube oder PlayCode.

FAQ

Kann ChatGPT wirklich rechnen?
Ja, aber anders als ein Taschenrechner. ChatGPT sagt die statistisch wahrscheinlichste Ziffernfolge voraus, statt logisch herzuleiten. Bei einfachen bis mittleren Aufgaben ist das Ergebnis meist korrekt, bei großen Zahlen oder vielen Rechenschritten steigt die Fehlerquote.
Wie genau ist ChatGPT bei Zahlen?
Im direkten Vergleich mit einem Taschenrechner lagen die Abweichungen meist im Nachkommastellen-Bereich – verursacht durch unterschiedliches Runden, nicht durch grobe Rechenfehler. Bei großen Zahlen oder mehrstufigen Rechnungen können aber auch deutlichere Fehler auftreten.
Wie lasse ich ChatGPT Excel-Formeln schreiben?
Beschreibe deine Tabelle im Prompt (Struktur, Spaltennamen) und formuliere klar, welche Kennzahl du berechnen möchtest. ChatGPT oder Gemini liefern dir dann eine passende Formel, die du direkt in Excel einfügen kannst – prüfe anschließend die Zellbezüge.
Was ist Chain-of-Thought-Prompting?
Eine Prompting-Technik, bei der die KI aufgefordert wird, eine Aufgabe Schritt für Schritt zu lösen, statt das Endergebnis direkt zu "raten". Das verbessert nachweislich die Genauigkeit bei Rechenaufgaben.
Kann KI VBA-Makros schreiben?
Ja. Für komplexere Excel-Automatisierungen wie mehrspaltiges Sortieren oder Datenaggregation lässt sich fertiger VBA-Code generieren und direkt in den Entwicklertools-Editor einfügen. Fehler lassen sich meist durch Rückmeldung der Fehlermeldung an den Chat schnell korrigieren.
Welche Python-Sandbox kann ich ohne Installation nutzen?
Zum Beispiel die Edube Sandbox oder PlayCode – beide laufen komplett im Browser, ganz ohne lokale Python-Installation.