Magma
14.10.2026
Artikkelen bidrar til diskusjonen om hvordan kunstig intelligens (KI) påvirker regnearkundervisning i økonomiskadministrative fag når dialogbaserte
... KI-verktøy som Microsoft Copilot integreres i regnearkprogrammer. Integreringen gir brukere mulighet til å beskrive problemstillinger i naturlig språk og få forslag til ferdige modeller. Artikkelen presenterer en studie der Copilot utviklet og videreutviklet en regnearkmodell for en budsjetteringsoppgave, vurdert mot prinsipper for modellering i regne-
ark. Resultatene viser at Copilot raskt leverer modeller som ved første øyekast fremstår ryddige og profesjonelle, men som inneholder en rekke svakheter ved nærmere kontroll. KI-verktøy som Copilot reduserer dermed ikke behovet for undervisning i regnearkmodellering. Undervisningen må imidlertid omfatte spesifikk opplæring i hvordan KI-verktøy kan benyttes efektivt for utvikling av modeller i økonomisk-administrative beslutningssituasjoner som krever utforskning av usikkerhet.
Innledning Formålet med dette bidraget er å øke forståelsen av hvordan KI-verktøy eventuelt kan støtte uerfarne studenter ved utvikling av regnearkmodeller, og hvordan tilgang til KI-verktøy endrer undervisningen i regneark.
Regneark har i flere tiår vært et sentralt verktøy for økonomer. Med regneark kan brukere lage modeller, gjennomføre beregninger og analysere økonomiske problemstillinger uten å være avhengige av personer med IT-utdanning. Regneark inngår derfor også i økonomiskadministrativ utdanning i Norge, særlig i emner der studentene lærer å bruke digitale verktøy til databehandling, modellering og analyse.
Med KI integrert i regneark får brukeren mulighet til å beskrive en oppgave i naturlig språk og få forslag til formler, beregninger eller hele regnearkmodeller. Slike forslag kan senke terskelen for å komme i gang med å bruke regneark.
Undersøkelser om KI og regneark har satt søkelys på om KI kan lage formler som gir korrekte beregninger for enkle oppgaver (se nedenfor). Vi har ikke funnet studier som går inn på hvordan KI utvikler økonomiske beslutningsmodeller hvor forutsetninger og tidshorisont endres under beslutningsprosessen. Vår undersøkelse atskiller seg dermed fra tidligere studier ved at vi har gitt Copilot en oppgave med krav til modellutformingen og programmeringen som er særlig relevante for økonomisk-administrative oppgaver.
Vi undersøker hvordan Copilot eventuelt kan støtte modellering i regneark med utgangspunkt i en budsjetteringsoppgave som har vært brukt som første oppgave for bachelorstudenter i et kurs med regnearkundervisning. Oppgaven krever at studenten utvikler en kontantstrømmodell for en enkel økonomisk beslutningssituasjon, og at modellen kan videreutvikles når forutsetninger og tidshorisonten endres. Oppgaven er derfor egnet til å gi grunnleggende innsikt i hva Copilot eventuelt kan bidra med, og hvilke regnearkferdigheter studentene trenger for å vurdere Copilot sitt forslag og ha en efektiv dialog med Copilot. Forskningsspørsmålet er:
I hvilken grad kan Copilot støtte en uerfaren student i å utvikle og videreutvikle en regnearkmodell for en økonomisk beslutningssituasjon som tilfredsstiller prinsipper for regnearkprogrammering?
Med en uerfaren student sikter vi til en student med kunnskaper i bedriftsøkonomi, men begrenset regnearkerfaring. Med utvikling mener vi den første modellen Copilot foreslår. Med videreutvikling mener vi hvordan Copilot endrer modellen når tidshorisonten endres. Modellens kvalitet vurderes mot prinsipper for god regnearkskikk (Fuglseth & Skjellum, 1994), som beskrives nedenfor. Copilots forslag til løsning sammenlignes dessuten med uerfarne studenters forslag. Den samme oppgaven ble gitt til studentene i introduksjonen til regnearkundervisningen i 2017, altså før opplæring og uten KI ( Johannessen & Fuglseth, 2017). Vi har da mulighet til å vurdere hvilke styrker og svakheter som er særegne for Copilots løsning, og hvilke som ligner utfordringer uerfarne studenter har.
Artikkelen er strukturert som følger: I neste avsnitt gjennomgår vi forskning på regneark og bruk av KI i regnearkarbeid. Deretter beskriver vi forskningsopplegget, budsjetteringsoppgaven og vurderingskriteriene som brukes i analysen. Videre presenterer vi funnene fra våre forsøk med Copilot. Til slutt diskuterer vi implikasjoner for regnearkundervisning, studiens begrensninger og videre forskning.
Litteraturgjennomgang
Formålet med dette avsnittet er å gjøre rede for en del begreper vi bruker i artikkelen, og å posisjonere vårt bidrag. Vi går gjennom forskningen på regneark før brukere hadde mulighet til å få støtte av KI. Deretter går vi inn på forskningen på bruk av KI i regneark.
Et regneark kan i utgangspunktet beskrives som et stort elektronisk ruteark, koblet til en avansert kalkulator. Med tiden har regnearkprogrammer som Excel fått en rekke tillegg, men her avgrenser vi oss til regnearket.
Fordelen ved regneark er at det er enkelt å legge inn tall og få regneark til å utføre beregninger, slik at brukere uten spesiell IKT-kompetanse kan bygge modeller. Selv om hjelpefunksjonene bistår med å rette opp syntaktiske feil, er det ikke slik at regnearket hjelper brukerne med å strukturere modeller, unngå logiske feil, og å programmere formler hensiktsmessig, se Johannessen og Fuglseth (2017).
Svakhetene har ført til kritiske feil i regnearkmodeller benyttet i forretningsprosesser (Panko & Aurigemma, 2010; JPMorgan Chase & Co, 2013). Videre synes erfaring med regneark ikke å øke ekspertisen nevneverdig (Madahar, 2011). Derfor er undervisning i modellering i regneark vesentlig.
Det er en omfattende litteratur om feil i regneark, se Powell et al. (2008) for en oversikt. Mye av litteraturen er deskriptiv. Formålet er å forstå hvilke typer feil som oppstår, og hva feilene skyldes. Galletta et al. (1993) skiller mellom manglende forståelse av problemområdet (for eksempel budsjettering) og bruken av regnearket som verktøy (for eksempel feil i formler). Panko og Halverson (1996) skiller mellom feil i den aktuelle modellen og modelleringsvalg som kan føre til feil i senere versjoner (for eksempel bruk av konstanter i formler).
Andre studier er preskriptive og gir retningslinjer for modellering i regneark. En gruppe studier undersøker utviklings- og feilsøkingsprosesser for å finne ut hvordan feil oppstår (Panko, 1998, 2006; Panko & Halverson, 1996). Poon et al. (2024) peker på at kvalitetssikring av regneark starter med problemanalyse og må gjennomsyre hele utviklingsprosessen. I noen studier vurderes efektene av opplæring ( Janvrin & Morrison, 1996; Kruck & Sheetz, 2001). Frownfelter-Lohrke (2017) utviklet for eksempel en plan for undervisning basert på «principles of good design». I vår studie av uerfarne studenters regnearkferdigheter skiller vi mellom tekniske ferdigheter og designferdigheter ( Johannessen & Fuglseth, 2017). Tekniske ferdigheter knyttes til efektiv bruk av regnearket med cellereferanser og biblioteksfunksjoner. Designferdigheter gjelder studentenes evne til å strukturere og programmere regnearket, slik at modellene er lette å forstå for andre enn utvikleren selv, og slik at modellene er egnet for analyse når forutsetningene endres.
Med utviklingen av generativ KI har vi fått studier som undersøker i hvilken grad KI kan støtte modellering i regneark. Begrepet generativ KI refererer til systemer, ofte bygget på store språkmodeller (LLM-er), som produserer nytt innhold, for eksempel tekst og regnearkformler, som respons på brukerens instru
Gå til medietark. Resultatene viser at Copilot raskt leverer modeller som ved første øyekast fremstår ryddige og profesjonelle, men som inneholder en rekke svakheter ved nærmere kontroll. KI-verktøy som Copilot reduserer dermed ikke behovet for undervisning i regnearkmodellering. Undervisningen må imidlertid omfatte spesifikk opplæring i hvordan KI-verktøy kan benyttes efektivt for utvikling av modeller i økonomisk-administrative beslutningssituasjoner som krever utforskning av usikkerhet.
Innledning Formålet med dette bidraget er å øke forståelsen av hvordan KI-verktøy eventuelt kan støtte uerfarne studenter ved utvikling av regnearkmodeller, og hvordan tilgang til KI-verktøy endrer undervisningen i regneark.
Regneark har i flere tiår vært et sentralt verktøy for økonomer. Med regneark kan brukere lage modeller, gjennomføre beregninger og analysere økonomiske problemstillinger uten å være avhengige av personer med IT-utdanning. Regneark inngår derfor også i økonomiskadministrativ utdanning i Norge, særlig i emner der studentene lærer å bruke digitale verktøy til databehandling, modellering og analyse.
Med KI integrert i regneark får brukeren mulighet til å beskrive en oppgave i naturlig språk og få forslag til formler, beregninger eller hele regnearkmodeller. Slike forslag kan senke terskelen for å komme i gang med å bruke regneark.
Undersøkelser om KI og regneark har satt søkelys på om KI kan lage formler som gir korrekte beregninger for enkle oppgaver (se nedenfor). Vi har ikke funnet studier som går inn på hvordan KI utvikler økonomiske beslutningsmodeller hvor forutsetninger og tidshorisont endres under beslutningsprosessen. Vår undersøkelse atskiller seg dermed fra tidligere studier ved at vi har gitt Copilot en oppgave med krav til modellutformingen og programmeringen som er særlig relevante for økonomisk-administrative oppgaver.
Vi undersøker hvordan Copilot eventuelt kan støtte modellering i regneark med utgangspunkt i en budsjetteringsoppgave som har vært brukt som første oppgave for bachelorstudenter i et kurs med regnearkundervisning. Oppgaven krever at studenten utvikler en kontantstrømmodell for en enkel økonomisk beslutningssituasjon, og at modellen kan videreutvikles når forutsetninger og tidshorisonten endres. Oppgaven er derfor egnet til å gi grunnleggende innsikt i hva Copilot eventuelt kan bidra med, og hvilke regnearkferdigheter studentene trenger for å vurdere Copilot sitt forslag og ha en efektiv dialog med Copilot. Forskningsspørsmålet er:
I hvilken grad kan Copilot støtte en uerfaren student i å utvikle og videreutvikle en regnearkmodell for en økonomisk beslutningssituasjon som tilfredsstiller prinsipper for regnearkprogrammering?
Med en uerfaren student sikter vi til en student med kunnskaper i bedriftsøkonomi, men begrenset regnearkerfaring. Med utvikling mener vi den første modellen Copilot foreslår. Med videreutvikling mener vi hvordan Copilot endrer modellen når tidshorisonten endres. Modellens kvalitet vurderes mot prinsipper for god regnearkskikk (Fuglseth & Skjellum, 1994), som beskrives nedenfor. Copilots forslag til løsning sammenlignes dessuten med uerfarne studenters forslag. Den samme oppgaven ble gitt til studentene i introduksjonen til regnearkundervisningen i 2017, altså før opplæring og uten KI ( Johannessen & Fuglseth, 2017). Vi har da mulighet til å vurdere hvilke styrker og svakheter som er særegne for Copilots løsning, og hvilke som ligner utfordringer uerfarne studenter har.
Artikkelen er strukturert som følger: I neste avsnitt gjennomgår vi forskning på regneark og bruk av KI i regnearkarbeid. Deretter beskriver vi forskningsopplegget, budsjetteringsoppgaven og vurderingskriteriene som brukes i analysen. Videre presenterer vi funnene fra våre forsøk med Copilot. Til slutt diskuterer vi implikasjoner for regnearkundervisning, studiens begrensninger og videre forskning.
Litteraturgjennomgang
Formålet med dette avsnittet er å gjøre rede for en del begreper vi bruker i artikkelen, og å posisjonere vårt bidrag. Vi går gjennom forskningen på regneark før brukere hadde mulighet til å få støtte av KI. Deretter går vi inn på forskningen på bruk av KI i regneark.
Et regneark kan i utgangspunktet beskrives som et stort elektronisk ruteark, koblet til en avansert kalkulator. Med tiden har regnearkprogrammer som Excel fått en rekke tillegg, men her avgrenser vi oss til regnearket.
Fordelen ved regneark er at det er enkelt å legge inn tall og få regneark til å utføre beregninger, slik at brukere uten spesiell IKT-kompetanse kan bygge modeller. Selv om hjelpefunksjonene bistår med å rette opp syntaktiske feil, er det ikke slik at regnearket hjelper brukerne med å strukturere modeller, unngå logiske feil, og å programmere formler hensiktsmessig, se Johannessen og Fuglseth (2017).
Svakhetene har ført til kritiske feil i regnearkmodeller benyttet i forretningsprosesser (Panko & Aurigemma, 2010; JPMorgan Chase & Co, 2013). Videre synes erfaring med regneark ikke å øke ekspertisen nevneverdig (Madahar, 2011). Derfor er undervisning i modellering i regneark vesentlig.
Det er en omfattende litteratur om feil i regneark, se Powell et al. (2008) for en oversikt. Mye av litteraturen er deskriptiv. Formålet er å forstå hvilke typer feil som oppstår, og hva feilene skyldes. Galletta et al. (1993) skiller mellom manglende forståelse av problemområdet (for eksempel budsjettering) og bruken av regnearket som verktøy (for eksempel feil i formler). Panko og Halverson (1996) skiller mellom feil i den aktuelle modellen og modelleringsvalg som kan føre til feil i senere versjoner (for eksempel bruk av konstanter i formler).
Andre studier er preskriptive og gir retningslinjer for modellering i regneark. En gruppe studier undersøker utviklings- og feilsøkingsprosesser for å finne ut hvordan feil oppstår (Panko, 1998, 2006; Panko & Halverson, 1996). Poon et al. (2024) peker på at kvalitetssikring av regneark starter med problemanalyse og må gjennomsyre hele utviklingsprosessen. I noen studier vurderes efektene av opplæring ( Janvrin & Morrison, 1996; Kruck & Sheetz, 2001). Frownfelter-Lohrke (2017) utviklet for eksempel en plan for undervisning basert på «principles of good design». I vår studie av uerfarne studenters regnearkferdigheter skiller vi mellom tekniske ferdigheter og designferdigheter ( Johannessen & Fuglseth, 2017). Tekniske ferdigheter knyttes til efektiv bruk av regnearket med cellereferanser og biblioteksfunksjoner. Designferdigheter gjelder studentenes evne til å strukturere og programmere regnearket, slik at modellene er lette å forstå for andre enn utvikleren selv, og slik at modellene er egnet for analyse når forutsetningene endres.
Med utviklingen av generativ KI har vi fått studier som undersøker i hvilken grad KI kan støtte modellering i regneark. Begrepet generativ KI refererer til systemer, ofte bygget på store språkmodeller (LLM-er), som produserer nytt innhold, for eksempel tekst og regnearkformler, som respons på brukerens instru
