Koniec ery Excela? Rozmawiamy z Janem Zimochem, Co-Founderem & CPO Tracelight AI

Koniec ery Excela? Rozmawiamy z Janem Zimochem, Co-Founderem & CPO Tracelight AI

Czy to koniec ery Excela? Na naszych oczach dokonuje się transformacja technologiczna porównywana do narodzin internetu. Dotknie ona również pracę analityków, w ciągu kilku lat narzędzia AI mogą nawet dziesięciokrotnie zwiększyć ich efektywność. O tym, jak sztuczna inteligencja zmieni podejmowanie decyzji finansowych i w jaki sposób narzędzia ery AI wspierają pracę analityków korzystających z Excela, rozmawiamy z Janem Zimochem, Co-Founderem & CPO Tracelight AI.

Tracelight AI właśnie pozyskał 3,6 mln dolarów w rundzie seed, aby zrewolucjonizować sposób tworzenia i weryfikacji modeli finansowych. Jaki kluczowy problem tradycyjnego modelowania w Excelu chcecie rozwiązać?

Przechodzimy obecnie przez transformację technologiczną, która zdarza się raz na kilkadziesiąt lat. Sztuczna inteligencja ma potencjał zmienić sposób pracy w takim stopniu, w jakim kiedyś zrobił to internet – nawet gdyby jej rozwój zatrzymał się już dziś. W ciągu kilku lat narzędzia AI pozwolą ludziom pracować ponad dziesięciokrotnie efektywniej.

Na tym tle kluczowym problemem, który chcemy rozwiązać, jest brak efektywnej komunikacji człowieka z funkcjami Excela. Tradycyjne modelowanie finansowe w arkuszach kalkulacyjnych wymaga ogromnej ilości manualnej pracy – żmudnego wprowadzania danych, formuł i scenariuszy. To sprawia, że analitycy spędzają 90% czasu na mechanicznych czynnościach, zamiast na tym, co naprawdę tworzy wartość: rozmowie z klientem, zrozumieniu problemu biznesowego i interpretacji wyników.

W erze AI rola człowieka powinna zmienić się z „operatora Excela” na kreatora i decydenta, który deleguje pracę do sztucznej inteligencji, a następnie ocenia jej efekty w kontekście biznesowym. Dzięki Tracelight każdy analityk będzie mógł w tym samym czasie przeanalizować nawet 10 razy więcej danych i scenariuszy, znacząco zwiększając produktywność oraz jakość podejmowanych decyzji.

Modele finansowe często zawierają krytyczną dla działalności logikę biznesową ukrytą w skomplikowanych arkuszach kalkulacyjnych. W jaki sposób AI Tracelight „tłumaczy” tę logikę zarówno użytkownikom technicznym, jak i laikom?

Jedną z największych zalet AI, a szczególnie modeli językowych, jest umiejętność dostosowania komunikatu do odbiorcy. Dlatego Tracelight potrafi „przetłumaczyć” złożoną logikę finansową zarówno na język zrozumiały dla analityka technicznego, jak i dla menedżera czy klienta bez specjalistycznej wiedzy.

Kluczowe jest to, że zanim udzielimy odpowiedzi, nasz system musi bardzo dobrze zrozumieć sam model finansowy. To właśnie temu zagadnieniu – interpretacji arkuszy – poświęciliśmy znaczną część prac nad produktem. Tracelight analizuje modele w podobny sposób do człowieka: bada formuły, śledzi zależności (precedents i dependents), interpretuje wartości w kontekście przyjętych założeń i struktury całego modelu.

Dzięki temu możemy nie tylko objaśnić, jak działa dana logika biznesowa, ale też przedstawić ją w formie dopasowanej do wiedzy i potrzeb konkretnego użytkownika – od prostych, intuicyjnych wyjaśnień po szczegółowe, techniczne opisy.

Wchodzicie w niszowy, ale bardzo istotny obszar – podejmowania decyzji finansowych. Jak łączycie automatyzację z koniecznością zachowania nadzoru człowieka, szczególnie w tak wrażliwej dziedzinie?

To bardzo istotne pytanie, bo w tak wrażliwej dziedzinie jak decyzje finansowe kluczowe jest połączenie automatyzacji z pełnym nadzorem człowieka. Naszym celem nie jest zastąpienie analityka, ale stworzenie systemu, który umożliwia mu łatwą kontrolę i ocenę pracy AI. Dlatego dużą wagę przykładamy do projektowania interfejsu w taki sposób, aby nadzór i współpraca z AI były jak najbardziej naturalne i intuicyjne.

Warto też podkreślić, że sama budowa modelu finansowego to nie tylko efekt końcowy, ale i proces — droga do lepszego zrozumienia firmy i jej dynamiki. Dlatego analityk musi pozostać aktywnym uczestnikiem tego procesu, jednak już nie jako osoba, która spędza czas na manualnym „wklepywaniu” danych, ale raczej jako operator i partner AI.

Podobnie jak w przypadku pracy z młodszymi analitykami czy stażystami — najpierw sprawdzamy ich pracę, poprawiamy błędy i uczymy, a wraz ze wzrostem zaufania powierzamy im coraz trudniejsze zadania. Z AI będzie podobnie: zawsze zostawiamy człowiekowi możliwość zatrzymania się, weryfikacji i nakierowania pracy systemu. To właśnie zapewnia równowagę między szybkością automatyzacji a bezpieczeństwem i odpowiedzialnością w podejmowaniu decyzji finansowych.

W przeciwieństwie do wielu modeli AI skupiających się na generowaniu treści lub obrazów, wasze narzędzie działa na głęboko ustrukturyzowanych danych finansowych. Jakie unikalne wyzwania i szanse stwarza to dla procesu trenowania modeli i ich dokładności?

AI już zrewolucjonizowało pracę programistów, bo język naturalny i kod są stosunkowo „naturalnym środowiskiem” dla modeli LLM. Praca z arkuszami finansowymi staje się zupełnie innym wyzwaniem, gdy dotyczy Excela. Mamy tu dane dwuwymiarowe, liczby, formuły, formatowanie i strukturę, która często jest zakodowana tylko wizualnie i wcale nie przypomina tekstu.

Dlatego dużą część pracy poświęciliśmy na zbudowanie tzw. middle layer – warstwy pośredniej, która pozwala agentowi AI rozumieć arkusz w sposób zbliżony do człowieka. Nasz system potrafi analizować strukturę, odczytywać formatowanie, komentarze czy nazwy sekcji, a także śledzić zależności w computational graph, egzekwować formuły i sprawdzać ich poprawność.

To otwiera ogromne możliwości. Z jednej strony wymagało to stworzenia dedykowanego podejścia do trenowania i interpretacji danych, ale z drugiej daje szansę na precyzję i dokładność w obszarze, który do tej pory był dla AI wyjątkowo trudny. Dzięki temu możemy przenieść efektywność znaną z narzędzi dla programistów do świata finansów – i tym samym diametralnie zwiększyć produktywność analityków.

Z perspektywy CPO – jak dbasz o to, aby rozwój produktu był ściśle powiązany zarówno z doświadczeniem użytkownika, jak i z zaawansowanymi możliwościami AI?

Jako CPO dbam o to, aby rozwój Tracelight był ściśle zakorzeniony w realnych potrzebach analityków finansowych i jednocześnie wykorzystywał pełnię możliwości sztucznej inteligencji. Od początku naszym celem było stworzenie narzędzia, z którego analitycy będą chcieli korzystać chętnie – takiego, które pozwoli im skupić się na rozwiązywaniu problemów biznesowych, zamiast na mechanicznej pracy w Excelu.

Dlatego bardzo dużą wagę przykładamy do współpracy z użytkownikami. Regularnie prowadzę rozmowy i testy z analitykami finansowymi, których opinie i feedback stanowią kluczowy element naszego procesu rozwoju produktu. Dodatkowym atutem jest doświadczenie Pete’a, naszego CEO, który spędził pięć lat w McKinsey i doskonale zna codzienną praktykę pracy w Excelu.

Równocześnie chcemy, aby Tracelight w naturalny sposób wpisywał się w istniejący workflow analityków. Dlatego zdecydowaliśmy się udostępnić technologię w postaci wtyczki do Excela – tak, by użytkownicy mogli korzystać z nowych możliwości AI bez konieczności zmiany dobrze znanego sobie środowiska pracy.

Zespół założycielski ma doświadczenie w takich firmach jak McKinsey, Jane Street i szybko rosnących startupach. Jak ta mieszanka strategicznych, technicznych i przedsiębiorczych kompetencji wpłynęła na wizję produktu Tracelight?

Nasze doświadczenia w McKinsey, Jane Street i szybko rosnących startupach ukształtowały wizję Tracelight na przecięciu strategii, technologii i przedsiębiorczości. Pete, pracując przez lata w McKinsey, doskonale rozumie wyzwania analityków finansowych i znaczenie samego procesu budowania modeli jako sposobu na zrozumienie biznesu.

Z kolei Alek i ja  już w 2023 roku zaczęliśmy korzystać z narzędzi AI wspierających programowanie. W tym momencie większość naszego kodu powstaje z pomocą AI, a ja pełnię rolę weryfikatora i korektora. Oczywiście wciąż odpowiadam za pisanie najważniejszych fragmentów kodu, ale te mniej istotne automatyzuję, zwiększając swoją produktywność nawet czterokrotnie. To doświadczenie pokazało nam, jak radykalnie można zwiększyć efektywność pracy, delegując powtarzalne zadania maszynie, a jednocześnie zachowując pełną kontrolę nad kluczowymi elementami.

Excela w istocie można uznać za najpopularniejszy język programowania, który od prawie 40 lat zmienił się bardzo niewiele. Rozmawiając z Petem dostrzegliśmy ogromny potencjał w przeniesieniu doświadczeń z AI do świata modelowania finansowego – i nie chodzi tu o poprawę efektywności o 20%, ale o transformację nawet dziesięciokrotną. Dzięki temu coś, co do tej pory zajmowało analitykowi tydzień, wkrótce będzie możliwe do zrealizowania w godzinę.

Patrząc w perspektywie 3–5 lat, jak twoim zdaniem AI zmieni sposób, w jaki firmy przeprowadzają planowanie i analizę finansową – i jaką rolę może w tym odegrać Tracelight?

Patrząc w perspektywie 3–5 lat, AI diametralnie zmieni sposób, w jaki firmy prowadzą planowanie i analizę finansową. Dzięki narzędziom takim jak Tracelight analitycy będą mogli delegować powtarzalne, mechaniczne zadania i skupić się na zrozumieniu unikalnego kontekstu projektów czy potrzeb klientów.

Równocześnie jakość modeli finansowych znacząco wzrośnie – będą one mniej podatne na błędy, a analitycy będą mogli przeanalizować znacznie więcej scenariuszy i danych, co pozwoli podejmować lepiej uzasadnione decyzje biznesowe. Tracelight pełni tu rolę katalizatora: integrując AI w procesie modelowania, umożliwia zarówno zwiększenie efektywności, jak i zachowanie kontroli człowieka nad kluczowymi decyzjami.


Jan Zimoch

Co-Founder & CPO w Tracelight AI, który wraz z Aleksandrem Misztalem i Peterem Fullerem założył firmę w 2024 roku. Absolwent Uniwersytetu Cambridge, gdzie ukończył prestiżowy kierunek Machine Learning, wcześniej studiował w University of Bristol oraz jako stypendysta w Stonyhurst College.

Jan zdobywał doświadczenie jako researcher w instytucji finansowej i był jednym z pierwszych członków zespołu 11x, startupu rozwijającego innowacyjne technologie w obszarze AI agentic flows. Jego pasja koncentruje się na łączeniu najnowszych osiągnięć z obszaru sztucznej inteligencji z praktycznymi rozwiązaniami produktowymi, kształtującymi przyszłość technologii.

Przeczytaj także: Rok świadomej sztucznej inteligencji. Calum Chace, autor książki „Surviving AI” i współzałożyciel Conscium

Last Updated on 2 września, 2025 by Anastazja Lach

TAGS