Excel mit ChatGPTPower Query – Abfragen mit ChatGPT umbauen und vereinfachen
Das Problem mit manchen Power-Query-Abfragen
Viele Power-Query-Abfragen entstehen nicht „am Reißbrett“, sondern im Alltag. Ein paar Klicks hier, ein Filter dort, später noch eine zusätzliche Spalte, dann eine Korrektur und irgendwann ein Workaround.
Die Abfrage funktioniert dann zwar, ist aber schwer verständlich. Denn sie beinhaltet
- sehr viele Einzelschritte,
- unklare Schrittbezeichnungen,
- redundante Transformationen und
- eine Logik, die über mehrere Schritte verteilt ist.
Die Ersteller und Nutzer der Abfrage haben zudem Hemmungen, etwas zu ändern; „Bloß nichts kaputtmachen“.
Gerade in solchen Fällen geht es nicht darum, einzelne Funktionen besser zu verstehen – sondern darum, die gesamte Abfrage logisch neu und verständlich zu strukturieren. Genau hier kann ChatGPT unterstützen.
Der passende Prompt (Beispiel)
Der wichtigste Punkt vorab: Ziel ist kein Erklären jedes Schrittes, sondern ein sauberer Umbau der gesamten Logik. Ein geeigneter Prompt könnte deshalb lauten:
„Ich habe eine bestehende Power-Query-Abfrage mit vielen Schritten, die über die Zeit gewachsen ist. Bitte analysiere die fachliche Logik der Abfrage, erkläre kurz, was sie insgesamt macht, und baue sie anschließend neu auf:
– mit klarer, konsistenter Logik
– mit möglichst wenigen, gut benannten Schritten
– ohne redundante oder unnötige Transformationen.
Eine kurze Einordnung des Prinzips reicht mir aus.“
Dieser Prompt macht zwei Dinge klar:
- Es geht um Umbau und nicht um eine Detailanalyse.
- Deshalb genügt es, das Prinzip zu verstehen; es braucht keine Schritt-für-Schritt-Erklärung.
Wie übergibt man eine bestehende Power-Query-Abfrage an ChatGPT?
Eine zentrale Frage ist: Wie „sieht“ ChatGPT die Abfrage überhaupt?
Die Antwort ist: Jede Power-Query-Abfrage besteht aus M-Code. Dieser vollständige Code kann aus dem Erweiterten Editor der Abfrage kopiert werden.
Der Anwender:
- öffnet den Erweiterten Editor,
- kopiert den kompletten M-Code der Abfrage,
- fügt ihn zusammen mit dem Prompt in ChatGPT ein.
Wichtig ist dabei ein Punkt, der häufig unterschätzt wird: Nicht einzelne Schritte, sondern immer die komplette Abfrage übergeben.
Nur so kann ChatGPT die fachliche Gesamtlogik erkennen, Zusammenhänge zwischen Schritten verstehen, redundante Transformationen identifizieren und die Abfrage strukturell neu aufbauen.
Wer nur Teilstücke übergibt, bekommt zwangsläufig auch nur Teiloptimierungen.
Was ChatGPT daraufhin leistet
ChatGPT agiert hier nicht als „Formel-Lieferant“, sondern eher wie ein Code-Reviewer oder Architekt.
Typische Ergebnisse sind:
- eine kurze fachliche Einordnung: was die Abfrage insgesamt macht
- eine neu strukturierte Abfrage, bei der mehrere Schritte zusammengefasst werden, unnötige Typumwandlungen entfallen, Filter, Bereinigungen und Berechnungen logisch gruppiert sind und die Reihenfolge fachlich sinnvoll ist
- klar benannte Schritte, die den Zweck widerspiegeln – statt generischer Namen wie „Gefilterte Zeilen1“
- eine deutlich reduzierte Schrittanzahl, ohne Funktionsverlust
Da es nicht die Aufgabe war, liefert ChatGPT in diesem Fall kein Klickprotokoll und keine Erklärung jeder einzelnen Funktion. Es entsteht keine künstliche Komplexität. Der Fokus liegt auf Lesbarkeit, Wartbarkeit und fachlicher Klarheit.
Worauf man beim Prompt achten sollte
Der Output von ChatGPT hängt stark davon ab, wie klar das Ziel formuliert ist:
- Wer nur einen Umbau möchte, sollte das auch so sagen: „keine ausführliche Erklärung notwendig“.
- Wer zusätzlich verstehen will, was die Abfrage fachlich tut, kann das explizit ergänzen.
- Wer die Abfrage später im Team nutzen möchte, sollte auf sprechende Schrittnamen, klare Struktur und konsistente Logik hinweisen.
Je weniger der Prompt auf einzelne Funktionen abzielt, desto besser wird das Gesamtergebnis.
Wie man das Ergebnis sinnvoll nutzt
Der größte Nutzen entsteht nicht allein durch den neuen Code, sondern durch das Prinzip dahinter:
- Die Abfrage wird wieder verständlich
- Änderungen lassen sich gezielt vornehmen
- Erweiterungen (neue Spalten, neue Filter) fügen sich sauber ein
- Die Abfrage eignet sich als Vorlage für ähnliche Daten
- Übergaben an Kollegen werden deutlich einfacher
In der Praxis wird ChatGPT hier oft genutzt als:
- Aufräumhilfe für alte Abfragen
- Vorbereitung vor Automatisierung oder Reporting
- Qualitätssicherung vor Übergabe
- Lernhilfe, um eigene Power-Query-Logik besser zu verstehen
Fazit
Dieser Praxisfall zeigt eine besonders wertvolle Rolle von ChatGPT: ChatGPT hilft nicht nur beim Erstellen neuer Power-Query-Abfragen, sondern beim strukturellen Denken in sauberer Transformationslogik.
Gerade bei gewachsenen Abfragen ist das entscheidend. Denn nicht jede funktionierende Abfrage ist auch gut gebaut. Mit ChatGPT wird aus einer schwer wartbaren Klick-Historie wieder eine klar strukturierte, nachvollziehbare Datenlogik.
