Un estudi sobre fulls de càlcul empresarials va trobar que el 94% conté almenys un error crític. Citigroup va transferir una vegada 900 milions de dòlars a creditors per un error de full de càlcul. Les operacions de la "London Whale" que van costar 6.000 milions de dòlars a JPMorgan van ser en part el resultat d'un error de copiar-enganxar a Excel. I el 2020, el sistema de salut pública d'Anglaterra va perdre el rastre de 16.000 resultats de proves de COVID-19 perquè un full de càlcul va arribar silenciosament al seu límit de files.
Ara, cadascun d'aquests fulls de càlcul propensos a errors s'està lliurant a un assistent d'IA amb la instrucció de "simplement analitzar-ho". Aquest és el rerefons incòmode d'una afirmació que circula pels cercles financers aquest any: el software tradicional de FP&A (planificació i anàlisi financera), construït per a humans que naveguen per menús, ha quedat obsolet. La provocació va venir de Didi Gurfinkel, CEO de Datarails, l'empresa de FP&A amb seu a Tel Aviv que es va fer un nom resolent l'"infern d'Excel" dels equips financers. El seu argument, en resum: la IA ja pot construir models, executar anàlisis i redactar informes més ràpid i millor que qualsevol humà — de manera que qualsevol eina que limiti allò que la IA pot tocar ja ha quedat enrere.
Tant si compres la idea de "mort" com si no, el canvi de fons val la pena tenir-lo en compte si portes els llibres d'una petita empresa, d'un equip financer d'una startup reduïda o, fins i tot, dels números de la teva pròpia empresa en un full de càlcul.
Què ha anunciat realment Datarails
Datarails — que ha recaptat 175 milions de dòlars en finançament de capital risc, incloent-hi una ronda Sèrie C de 70 milions de dòlars a principis de 2026 — ha llançat una plataforma anomenada FinanceOS. És menys un producte únic que un canvi de posicionament: en lloc de construir un altre panell de control tancat, Datarails aposta que els equips financers continuaran utilitzant l'eina d'IA que ja prefereixin (Claude, ChatGPT, Microsoft Copilot) i simplement necessiten que les dades subjacents siguin fiables.
FinanceOS es connecta a centenars de sistemes font (software de comptabilitat, ERP, CRM, nòmines), realitza la feina poc glamurosa de consolidació — eliminacions, conversió de divises, reconciliació de xifres que provenen de tres sistemes diferents i que no acaben d'encaixar — i exposa el resultat als models d'IA a través d'una capa governada i auditable mitjançant l'estàndard Model Context Protocol. Un cop existeix un model construït per IA, es pot bloquejar perquè es mantingui consistent encara que les dades subjacents es continuïn actualitzant.
El comentari incisiu de Gurfinkel sobre la competència va ser que els proveïdors més antics "ja estan acabats... no tenen prou capital ni energia per reescriure la tecnologia", mentre que els nous rivals nadius d'IA han invertit molt en interfícies elegants però han infrainvertit en la poc glamurosa capa de consolidació de dades — que, segons ell, és en realitat l'avantatge competitiu durador. Datarails també està canviant el seu model de preus, allunyant-se de les llicències per usuari cap a preus basats en l'ús, sota la teoria que seran cada cop més els agents d'IA, i no els humans, els qui "utilitzaran" el software.
La paradoxa de l'adopció de la IA en finances
Datarails no és l'única empresa que ho ha notat. Les enquestes del sector sobre l'ús de la IA en les finances corporatives no paren de mostrar el mateix patró desconcertant: l'adopció puja, però l'impacte declarat gairebé no es mou. Un estudi de referència del sector de 2025 va trobar que el percentatge d'equips financers que utilitzen activament la IA només va pujar un punt percentual d'un any a l'altre — del 58% al 59% — mentre que el 91% dels equips financers van dir que les eines d'IA que ja havien adoptat havien tingut un impacte baix en la seva feina real.
És un resultat estrany per a una tecnologia tan potent. L'explicació habitual que donen els CFO i els responsables financers no és que els models siguin dolents — és que les dades que se'ls introdueixen sí que ho són. Els equips estan connectant una IA genuïnament capaç a dades font genuïnament defectuoses, i després es pregunten per què el resultat no els ajuda.
El problema real no és la manca d'IA — és la manca de dades governades
Aquí hi ha la part que importa més que el llançament de qualsevol producte concret: l'adopció de la IA dins dels equips financers ha anat en augment, però l'impacte d'aquesta IA no ha seguit el mateix ritme. Diverses enquestes del sector de 2026 assenyalen la mateixa bretxa — els equips activen la IA més ràpid del que n'obtenen valor, i el motiu més citat és la qualitat de les dades. Una enquesta de CFO de 2026 molt citada va trobar que el 63% dels responsables financers creien tenir visibilitat completa de les seves pròpies dades de despesa, mentre que a la pràctica només al voltant del 5% realment la tenia.
Aquesta bretxa és tota la història. Si els teus llibres estan desordenats, connectar-hi una eina d'IA no arregla el desordre — simplement el processa més ràpid i et lliura una resposta amb to de confiança construïda sobre dades incorrectes. Els models d'IA no saben de manera fiable quan s'equivoquen. Citaran una norma fiscal que va caducar fa dos anys, o resumiran una pestanya d'un full de càlcul que mai es va actualitzar, amb exactament el mateix to d'autoritat que quan encerten.
Per a una petita empresa, això es manifesta de maneres mundanes però costoses:
- Un resum de flux de caixa generat per IA que exclou silenciosament un compte bancari que ningú li havia comunicat.
- Un informe de despeses "net" construït a partir d'un full de càlcul on el 3–5% de les cel·les amb fórmules contenen errors silenciosos — una taxa que s'ha mantingut constant en la recerca sobre errors en fulls de càlcul durant dues dècades i que només s'agreuja a mesura que els fulls creixen.
- Una resposta amb aparença segura sobre el marge que en realitat fa la mitjana de dos períodes fiscals diferents perquè una pestanya es va copiar en lloc d'enllaçar-se.
Res d'això és realment un problema d'IA. És un problema de governança de dades que la IA ha fet més visible — perquè ara el desordre es resumeix en un paràgraf en el qual és més probable que confiïs a primera vista que en un full de càlcul en brut, evidentment desordenat.
Què requereix realment que unes dades financeres estiguin "preparades per a la IA"
Tant si algun dia utilitzes un producte com FinanceOS com si no, la disciplina de fons que ven val la pena adoptar-la per si mateixa:
1. Una única font de veritat, no una carpeta plena de fulls de càlcul. Si "els números reals" viuen repartits en quatre llibres de treball amb dates de modificació diferents, cap capa d'IA superposada els reconciliarà correctament — simplement endevinarà quin és l'actual.
2. Un rastre d'auditoria per a cada xifra. Quan una xifra canvia, hauries de poder respondre per què ha canviat i qui (o què) l'ha canviada. Això és precisament el punt més feble dels fulls de càlcul — una fórmula sobreescrita amb un número fix no deixa cap rastre.
3. Models bloquejats i versionats. Una projecció construïda per IA només és útil si es manté estable mentre la revises. Si les dades subjacents continuen canviant silenciosament sota el model, estàs revisant un objectiu mòbil.
4. Governança abans de l'automatització, no després. L'instint és afegir la IA a qualsevol procés que ja existeixi. Els equips que n'obtenen un valor real fan just al revés: netegen el pla de comptes, estandarditzen la categorització i només després hi apunten la IA.
5. Permisos que no depenguin de "no toquis aquesta pestanya". En un full de càlcul compartit, el control d'accés sol consistir en un acord verbal de no editar certes cel·les. Això no és governança — és un hàbit que es trenca la primera vegada que algú nou s'incorpora a l'equip. Sigui quin sigui el sistema que guarda els teus números, hauria d'imposar qui pot canviar què, no simplement confiar que tothom recordarà les regles.
6. Un registre que sobrevisqui a l'eina, no només al proveïdor. FinanceOS, com la majoria de plataformes de FP&A, és un sistema propietari — útil, però les teves dades històriques viuen dins del producte d'algú altre. Val la pena preguntar-se, de qualsevol eina que adoptis: si te n'anessis demà, podries emportar-te un historial financer complet i llegible, o hauries de tornar a introduir anys de transaccions a mà?
Canviaria realment alguna cosa per a una empresa de cinc persones?
És fàcil llegir "plataforma de FP&A" i suposar que aquesta és una història de gran empresa. A la pràctica, el mode de fallada és el mateix a qualsevol mida — simplement és menys visible en una empresa de cinc persones perquè ningú audita el teu full de càlcul, només tu.
Imagina't una petita agència que fa el seguiment de la rendibilitat dels projectes en un full de càlcul compartit: una pestanya per client, hores extretes d'un registrador de temps, despeses enganxades des d'un extracte de targeta. Pregunta-li a un assistent d'IA "quins clients van ser rendibles el trimestre passat?" i llegirà amb gust totes les pestanyes i et donarà una llista classificada amb tota confiança. El que no et dirà és que dues pestanyes de clients utilitzen una fórmula d'overhead diferent de la resta (copiada d'una plantilla més antiga), i que els números d'un client tenen tres setmanes d'antiguitat perquè aquella pestanya no es va actualitzar després de l'última tanda de factures. La IA no té cap manera de saber-ho — simplement veu números a les cel·les i n'informa.
La solució no ha de ser necessàriament comprar software de FP&A empresarial. Consisteix a assegurar-se que, abans que qualsevol IA toqui els teus números, hi hagi un únic lloc on visquin aquests números, un format consistent que segueixin i un registre de quan va canviar per última vegada cada xifra. Això és un problema de governança, no un problema de mida d'empresa.
L'argument a favor dels llibres en text pla i controlats per versions
Aquesta és precisament la bretxa que la comptabilitat en text pla es va construir per tancar, molt abans que "dades preparades per a la IA" es convertís en una paraula de moda. Un llibre major mantingut en un format de text pla controlat per versions té, per construcció, les propietats que els equips financers ara s'apressen a afegir als seus fulls de càlcul:
- Cada canvi queda registrat. L'historial de Git és el rastre d'auditoria — no cal cap registre de canvis separat, cap fórmula sobreescrita silenciosament sense deixar rastre.
- Un únic fitxer canònic, no una carpeta de llibres de treball "final_v3". No hi ha ambigüitat sobre quina versió és l'actual.
- Dades estructurades i analitzables. Com que els assentaments segueixen un format consistent de partida doble en lloc de cel·les de full de càlcul de forma lliure, una eina d'IA que llegeix el llibre major treballa a partir de registres estructurats i auditables en lloc d'endevinar què significa una cel·la combinada.
Si ets propietari d'una petita empresa, autònom o desenvolupador independent que actualment porta els llibres en un full de càlcul i et preguntes si val la pena lliurar-lo a un copilot d'IA, la solució més duradora sol ser arreglar primer el registre comptable subjacent.
Mantén els teus llibres preparats per a la IA des del primer dia
Sigui quina sigui l'eina financera que guanyi en els propers anys, els guanyadors seran aquells els registres subjacents dels quals eren fiables abans que cap IA els toqués. Beancount.io ofereix comptabilitat en text pla transparent, controlada per versions i estructurada exactament per a aquest tipus d'escrutini — sense fulls de càlcul de caixa negra, sense fórmules misterioses, només registres auditables en què qualsevol eina (IA o humana) pot confiar. Comença gratis i construeix els teus llibres sobre una base preparada per a qualsevol cosa que vingui a continuació.