Arkusz liczył. Skąd więc podejrzany wynik?

Narzędzia i podział pracy

• Google Sheets — arkusz, w którym przeprowadzono opisane w briefie 22 testy dla różnych powierzchni i progów połączenia wzorów.
• Agent AI — analiza zależności i formuł, przygotowanie wariantów oraz porównań przed zmianą.
• Drugi agent AI — niezależny przegląd proponowanych poprawek. Jego ocena nie zastępuje oceny specjalisty od modelu energetycznego.

Moja rola polegała na zakwestionowaniu wyniku, ocenie propozycji i wybraniu zakresu wdrożenia. Z czterech korekt zaakceptowałem dwie, a dwie pozostawiłem do dalszej pracy.

Proces: zacząłem od podejrzanego wyniku

W złożonym arkuszu podejrzany wynik jest dobrym początkiem dochodzenia, a nie dowodem, że trzeba go „przyciąć”. W tym zanonimizowanym przypadku arkusz szacował dla budynków wskaźniki energii użytkowej (EU), końcowej (EK) i pierwotnej (EP). Zauważyłem wysokie wyniki i postawiłem hipotezę, że wartości nie powinny przekraczać 350. To była hipoteza do sprawdzenia — nie uniwersalny limit dla tych wskaźników.

Praca z AI zaczęła się więc od prostszego pytania: która formuła i która reguła wyboru doprowadzają do wyniku? Poprosiłem o odczyt zależności w arkuszu, przygotowanie wariantów i sprawdzenie ich w powtarzalnych punktach. To ja oceniałem, co ma sens w tym modelu, i wybierałem zakres zmiany.

Sprawdź, gdzie wzór przestaje pasować

Jednym z tropów był wielomian dopasowany do określonego zakresu powierzchni. Poza zakresem, z którego go wyprowadzono, taki wzór może zachowywać się inaczej, niż oczekujemy: na przykład dalej rosnąć albo zmierzać do wartości ujemnych. To nie jest jeszcze dowód zużycia energii ani diagnoza fizyczna budynku. To sygnał, że trzeba osobno sprawdzić obszar, w którym wzór jest stosowany.

Zaproponowano więc dla dużych powierzchni ograniczony przebieg, łączący się z dotychczasową krzywą przy ustalonym progu. Sprawdzaliśmy, czy po obu stronach jest ta sama wartość oraz czy krzywa ma tam to samo nachylenie. Dla gładkich fragmentów zgodność wartości i pochodnej daje płynne połączenie klasy C¹: bez uskoku i bez nagłego załamania linii.

Popraw wzór, nie tylko jego wynik

Analiza objęła też dobór reguł. Usunięto mechanizm, który sprowadzał większą liczbę kondygnacji do wartości zastępczej, uporządkowano wybór typu budynku według kategorii i dodano kontrolę dopasowania reguł. Przy małych powierzchniach sprawdzono również przypadki, w których krzywe sąsiednich roczników przecinały się w sposób sprzeczny z przyjętym porządkiem modelu.

Nie wybrałem prostego ograniczenia wyniku. Kierunek był inny: poprawić samą formułę tam, gdzie wykazywała niespójność, a przed wdrożeniem porównać skutki. Ważna lekcja: poprawa nie musi obniżyć każdej liczby. Jej celem może być spójniejszy przebieg reguły.

Efekt: dwie zatwierdzone korekty i sprawdzenie zapisu

Poniższa tabela jest wizualizacją wartości podanych w briefie źródłowym, a nie zrzutem arkusza ani nowym pomiarem. Dotyczy powierzchni 180 m².

Jednostka: kWh/(m²·rok). Z czterech przygotowanych korekt wybrałem te dwie. Dwa warianty dotyczące przypadków dworkowych wyraźniej zmieniały wyniki, więc świadomie ich nie wdrożyłem; znane niespójności w tej części pozostały nierozstrzygnięte.

Obie wdrożone poprawki przeszły 22 testy w Google Sheets dla różnych powierzchni i okolic progów połączenia. W drugim pliku przeniosłem 255 zmian w komórkach i po zapisie potwierdziłem ich zgodność. Przytaczam wyniki zapisane w podsumowaniu tej pracy; nie jest to nowy test wykonany na potrzeby wpisu. Liczba 255 opisuje zmiany komórek, a nie 255 błędów.

Oddaj AI zadanie, które da się sprawdzić

Zamiast prosić o „napraw arkusz”, podaj granicę zadania i oczekiwany dowód:

Znajdź przyczynę wskazanego wyniku i odpowiedzialne komórki.
Sprawdź formułę dla małej, typowej i bardzo dużej wartości wejściowej.
Przed zmianą pokaż porównanie wartości przed i po oraz wskaż, które reguły zmieniasz.
Zachowaj dane wejściowe; zmień wyłącznie uzgodnioną logikę.
Po zapisie odczytaj wskazane komórki ponownie i porównaj wynik.

Taki prompt ułatwia człowiekowi decyzję: najpierw diagnoza i wariant, potem zgoda na konkretną korektę, wdrożenie i odczyt po zapisie. W tym przypadku drugi agent AI wykonał niezależny przegląd, ale nie zastępuje on oceny specjalisty.

Co ten przykład potwierdza, a czego nie

Poprawność działania formuł i spójność matematyczna nie potwierdzają zgodności modelu z rzeczywistym zużyciem energii. Do tego potrzebne są dane referencyjne i ocena specjalisty. Nie należy też przedstawiać przeglądu AI jako takiej walidacji.

Po zmianie omawiano nazwanie zatwierdzonej wersji oraz blokadę pliku przed przypadkowymi edycjami. Blokady pliku nie wykonano. Zastosuj u siebie ten sam rytm: podejrzany wynik → diagnoza → wariant → porównanie → decyzja człowieka → wdrożenie → weryfikacja → oznaczenie wersji.