Dos benchmarks, dos épocas
En 2024 apareció la primera medición seria sobre hojas de cálculo: 912 preguntas reales de usuarios sacadas de foros de Excel, con 2.729 casos de prueba, sobre tablas que no son datos relacionales bonitos, sino que tienen colores, celdas combinadas y varias hojas.
El mejor modelo general de entonces alcanzó un 18,35 %. La persona experta en Excel, un 71,33 %. Cincuenta y tres puntos porcentuales de diferencia.
Ese benchmark está hoy en gran parte «resuelto»: el mejor resultado anunciado supera el 70 %. Por eso hacía falta uno más difícil.
La segunda edición, de junio de 2026, ya no mide operaciones sueltas, sino flujos de trabajo de empresa de principio a fin: 321 tareas sacadas de informes financieros reales, con una media de 11,8 hojas y 593,5 celdas modificadas por tarea. Se probaron en él ocho modelos de vanguardia y cuatro productos comerciales de IA para hojas de cálculo.
| Categoría | Resultado del mejor modelo |
|---|---|
| Visualización | 62,5 % |
| Rellenado de plantillas | 52,6 % |
| Modelado financiero | 34,0 % |
| Búsqueda de errores | 12,0 % |
| Total | 34,9 % |
El total está ponderado sobre las 321 tareas, no es la media aritmética de las cuatro categorías, que tienen distinto número de casos. Los modelos de pesos abiertos quedaron entre el 7,2 % y el 17,1 %.
La frase clave del estudio dice dónde está la rotura: los modelos de hoy trabajan con un éxito mediano a nivel de una celda concreta, pero no mantienen la coherencia entre celdas. Saben reescribir una fórmula. Un modelo de veinte hojas, donde todo depende de todo, no.
El peor resultado está en la petición más frecuente
Paremos un momento en ese 12 %.
«Mira a ver qué le pasa a esta hoja» es probablemente lo que más se le pide a una IA de hojas de cálculo. Según la medición, esa es la categoría con peor rendimiento: peor que construir modelos, mucho peor que hacer gráficos.
Tiene su lógica. Para buscar un error hay que saber cuál sería el resultado correcto. El modelo, en cambio, ve lo que hay en la celda y busca una explicación para eso. La misma tendencia que en otros sitios resulta útil —interpretar el estado existente— es aquí justo lo que cimenta el error.
Dónde hace trampa: la tipología de los fallos
La otra medición importante de 2026 se ejecutó sobre datos reales y «sucios»: 178 conjuntos de datos, con una media de 210 mil filas por tabla (el mayor, 11,9 millones), un 36 % con varias tablas y más de la mitad con material explicativo externo asociado. Ahí la mejor puntuación total se quedó por debajo de 0,4.
Pero la cifra importa menos que la estructura de los fallos:
| Tipo de fallo | Proporción | Qué significa |
|---|---|---|
| Fallo en la condición de filtrado | 32,4 % | no aplica una condición que la pregunta no dice pero que es obvia; por ejemplo, cuenta dos veces una fila ya agregada |
| Fallo de transformación | 23,2 % | malinterpreta el formato de fecha, convierte mal un número guardado como texto |
| Fallo de manejo del contexto | 8,7 % | en una pregunta de varios pasos arrastra su propia salida errónea anterior |
| Fallo de visualización | 6,8 % | rango de ejes equivocado, línea temporal que no cubre el periodo pedido |
| Elección de la tabla equivocada | 4,3 % | |
| Malinterpretación de la explicación externa | 3,9 % |
Esta es la respuesta a «dónde hace trampa». No fabrica filas inventadas. Filtra mal y agrega mal en silencio, y el resultado final es un número verosímil que está mal. Ni mensaje de error, ni aviso, ni formato sospechoso.
Cuatro ejemplos concretos de una prueba independiente ilustran justo esto. Al listar aeropuertos se dejó fuera una ciudad de setecientos mil habitantes; en otra petición faltaban dos aeropuertos grandes de la lista; ante la petición de «ordenar por edad» ordenó en realidad por fecha, y del principio de la lista desaparecieron filas; en una lista de países presentó como miembros de pleno derecho a estados con estatus de observador. Los cuatro fallos produjeron una hoja que a primera vista parecía impecable.
La fórmula que desaparece, y lo que se puede aprender de ello
En agosto de 2025 una de las grandes suites ofimáticas introdujo una función de IA en su hoja de cálculo: se podía escribir en una celda como cualquier otra fórmula y darle una instrucción en lenguaje natural.
La fecha de retirada es el 14 de septiembre de 2026. Al cabo de un año y sin haber salido nunca de la versión de prueba.
La justificación del fabricante es diplomática, pero su propia documentación dice lo esencial: el modelo de debajo puede cambiar, así que la misma fórmula, con los mismos argumentos, puede dar con el tiempo un resultado distinto, y para cualquier trabajo que requiera exactitud o reproducibilidad recomiendan las fórmulas tradicionales.
Esa frase es la lección más importante del artículo, y va mucho más allá de un producto. Una hoja de cálculo es una hoja de cálculo porque se puede recalcular. Si el valor de una celda depende de qué versión del modelo se ejecutó ese día, esa celda no es una fórmula, es una instantánea.
La regla práctica que sale de ahí: usa la IA para construir la hoja, no para hacerla funcionar. Que te escriba la fórmula, y luego que en la hoja se quede la fórmula, no el modelo.
La hoja de cálculo también fallaba sin IA
Hay un contrapunto importante, sin el cual todo lo anterior sería injusto.
Según el resumen clásico de las auditorías de hojas de cálculo, la inmensa mayoría de las hojas reales en uso contiene algún error: el 91 % de las examinadas en las auditorías metodológicamente más estrictas. En un experimento de laboratorio donde quienes participaban construían una hoja de 25 a 50 celdas a partir de una descripción escrita, el 51 % de los trabajos tenía errores.
Y la cifra más importante de todo: una persona que revisa su propia hoja encuentra más o menos la mitad de los errores. Ese mismo resumen señala que una detección cercana al 90 % solo se da en los procesos más simples, por ejemplo en la corrección ortográfica.
O sea que la pregunta no es si la IA se equivoca. Es si tu procedimiento de revisión lo detecta, porque tampoco detecta lo de la persona.
La receta: cuatro comprobaciones
No hay ningún protocolo de auditoría específico para IA, pero los procedimientos de la revisión tradicional de hojas de cálculo se trasladan directamente. Cuatro pasos, en este orden.
1. RECUENTO DE FILAS
Cuántas filas entraron, cuántas salieron, cuántas se
cayeron. Las tres tienen que cuadrar. Si no, para.
2. SUMA DE CONTROL
La suma de las partes = el total que pediste.
Pilla la fila agregada contada dos veces, que es el
error más frecuente: un tercio de los casos.
3. LÍMITES
¿Negativos donde no puede haberlos? ¿Fechas futuras?
¿División por cero? ¿Porcentajes por encima de cien?
4. MUESTREO
Coges filas al azar y las recalculas a mano.
Ni la primera ni la última.
Para el cuarto paso conviene saber cuánto es suficiente. Si en tu muestra no encuentras ni un solo fallo, de ahí todavía no se deduce que no haya fallos, solo que la tasa de error probablemente está por debajo de cierto nivel:
| Filas revisadas | Si no encuentras ningún fallo, la tasa de error está por debajo de esto con un 95 % de confianza |
|---|---|
| 30 | 10 % |
| 60 | 5 % |
| 150 | 2 % |
| 300 | 1 % |
| 1.500 | 0,2 % |
(El cálculo es la «regla del tres»: si de n pruebas salen cero fallos, el límite superior de la tasa de error con un 95 % de confianza es aproximadamente 3/n.)
Revisar veinte filas, por tanto, no demuestra nada sobre una hoja de diez mil. Trescientas ya dicen algo.
Malentendidos típicos
- «Si se equivoca, se nota.» Un tercio de los fallos medidos es filtrado incorrecto y una cuarta parte, conversión incorrecta; ambos se ejecutan sin mensaje de error y devuelven un número verosímil.
- «La fórmula al menos la escribe bien.» Una fórmula suelta, a menudo sí. El problema empieza en la coherencia entre celdas: según la medición, eso es justo lo que no mantiene.
- «Ya le pediré que busque el fallo.» Esa es su capacidad medida más débil: un 12 %.
- «Era solo un modelo malo.» En la medición más difícil compitieron ocho modelos de vanguardia y cuatro productos comerciales. El mejor sacó un 34,9 %.
- «Lo escribo como fórmula en la celda y listo.» Esa salida no es reproducible: el modelo puede cambiar y el resultado con él. Lo dejó escrito el propio fabricante antes de retirar la función.
Lo que conviene llevarse
Dos frases que vale la pena recordar.
La primera: lo que decide es la reproducibilidad. Lo que mañana dé el mismo resultado puede quedarse en la hoja: la fórmula sí, la llamada al modelo no.
La segunda: las cuatro comprobaciones (recuento, suma de control, límites, muestreo) no hacen falta porque la IA sea mala, sino porque la hoja de cálculo ya fallaba sin IA. La máquina solo produce más rápido lo que siempre hubo que revisar, y trae exactamente tantos fallos más como trabajo de más se hace.
Dónde hay ganancia medible en el trabajo de oficina lo detalla por tipo de tarea el post el ahorro real de tiempo , con las mediciones; y cómo montar los informes recurrentes y programados lo recorre el post la automatización de informes , paso a paso.