El seixanta-dos per cent dels professionals de serveis financers admeten que un error generat per IA ja ha arribat a un client. No un esborrany. No un experiment intern. Un client.
Així que mira el preciós model de tres estats que el teu assistent d'IA acaba de construir-te en quatre minuts — el de les columnes mensuals ordenades, la rampa de ingressos confiada, la pestanya de DCF que ni tan sols vas demanar — i pregunta't la pregunta que importa: apostaries la teva ronda de finançament per cada número que conté? Perquè en el moment que adjuntes aquest full de càlcul a un correu d'inversor o l'entres en una reunió de banc, estàs fent exactament això.
La bona notícia és que la IA realment ha millorat dràsticament en el modelatge financer. El febrer de 2026 va marcar el que l'Institut de Modelatge Financer anomena un canvi de paradigma: la primera vegada que les eines d'IA podien construir models genuïnament sòlids a partir d'una instrucció àmplia en lloc de només omplir plantilles. La mala notícia és que millor no és el mateix que fiable. Els models d'IA encara al·lucinen, encara codifiquen números on haurien d'haver-hi fórmules, i encara afirmen respostes incorrectes amb total confiança. OpenAI mateix ha reconegut que les al·lucinacions són matemàticament inevitables en els grans models de llenguatge — no un error a corregir, sinó una propietat a gestionar.
Aquesta publicació et dona una llista de verificació pràctica per a la revisió, basada en la guia de l'ICAEW (l'Institut de Comptables Certificats d'Anglaterra i Gal·les) i l'Institut de Modelatge Financer, per detectar errors d'IA abans que els vegi qualsevol de qui vols els seus diners.
Per Què els Models d'IA Exigeixen un Nou Tipus d'Escepticisme
Els fulls de càlcul construïts per humans ja eren poc fiables. Dècades de recerca sobre el risc dels fulls de càlcul van concloure famosament que la gran majoria dels fulls de càlcul del món real contenen errors — una enquesta àmpliament citada el situava al voltant del 90% — amb taxes d'error a nivell de cel·la d'uns pocs percentatges fins i tot en models acuradament construïts. La IA no elimina aquest risc. En canvia la forma.
Els errors d'un modelador humà tendeixen a concentrar-se allà on el treball era més difícil: la fórmula més enrevessada, el copia-i-enganxa de la sortida de la nit. Els errors d'IA són diferents. Estan distribuïts uniformement, perfectament formats, i lliurats sense cap indici d'incertesa. Un model que presenta amb confiança un balanç de situació que en realitat no quadra, o un calendari de deute amb saldos negatius a l'any tres, sembla exactament tan polit com un de correcte. No hi ha taques de cafè en el treball d'una IA que et diguin on mirar.
Per això el canvi de mentalitat més important és aquest: tracta cada model generat per IA com un primer esborrany que s'ha de comprovar, no com un producte acabat. Com ho expressa Ian Schnoor de l'Institut de Modelatge Financer, construir un model amb IA és com construir-lo tu mateix però més ràpid — tu dirigeixes, refines i qüestiones el que produeix. I això només funciona si ja entens com és un bon model. La IA és una col·laboradora, mai una autoritat.
Els 7 Patrons d'Error que la IA Repeteix Constantment
Després de revisar models generats per IA, els mateixos modes de fallada apareixen una i altra vegada. Aprèn a reconèixer els patrons i la teva revisió serà molt més ràpida.
1. Peces que falten
La IA freqüentment lliura un model que sembla complet però que li falten seccions essencials: sense pàgina de portada, sense resum de sortides, sense pàgina dedicada de supòsits, sense gestor d'escenaris, o calendaris que són esbossos en lloc de càlculs funcionals. De vegades els omet perquè la teva instrucció no els demanava explícitament; de vegades simplement... s'atura.
Abans de comprovar un sol número, comprova l'índex. Un model sense una pàgina explícita de supòsits és un model els supòsits del qual estan enterrats dins de fórmules on ningú pot auditar-los — i un inversor que no pot trobar els teus supòsits assumirà que no en tens cap.
2. Trampes ocultes: files, fulls i enllaços externs amagats
La IA adora amagar coses. Fulls ocults, files ocultes, columnes ocultes — pregunta directament a la IA si n'ha afegit cap, i després verifica manualment de totes maneres. Els revisors informen que demanar a una IA que confirmi que no hi ha enllaços externs a fitxers, que se't digui que tot està net, i després trobar enllaços a altres fitxers en una comprovació manual. La IA fins i tot es disculparà encantadorament per haver-los omès. Les disculpes no arreglen el teu model.
Els enllaços externs mereixen una atenció especial. Un model que silenciosament extreu valors d'un altre llibre de treball al portàtil d'algú es trencarà en el moment que l'enviïs per correu — o pitjor, continuarà mostrant valors obsolets en memòria cau que semblen actuals. Llevat que un enllaç extern sigui deliberat i documentat, elimina'l.
3. Números morts i fórmules que deriven
El senyal clàssic de la IA és el "número mort": un valor codificat dins d'una fórmula on hauria d'haver-hi una referència de cel·la. La fórmula =B12*1,05 sembla lògica de creixement fins que t'adones que la taxa de creixement del 5% està incorporada i la teva cel·la de supòsits roman sense utilitzar en un altre lloc. Canvia el supòsit i res es mou. Els inversors provenen exactament això — flexen els teus motors per veure si el model respon — i un model ple de números morts suspèn la prova instantàniament.
El problema germà és la deriva de fórmules: la IA és notòria per canviar silenciosament les fórmules a mesura que omple mesos o anys. La columna F calcula els ingressos d'una manera; la columna G els calcula lleugerament diferent. La solució és mecànica però innegociable: comprova mostres de fórmules al principi, al mig i al final de cada fila, i confirma que són consistents a tot l'horitzó de previsió.
4. El balanç de situació que menteix educadament
Aquest és l'error que mata la credibilitat més ràpidament. La IA de vegades força un balanç de situació a quadrar amb un ajust — resolent un número cap enrere només per fer que els actius igualin els passius més el patrimoni net. El balanç quadra. També és ficció.
Pecats relacionats del balanç a buscar:
- Saldos de deute negatius, incloent línies de deute a curt termini que baixen per sota de zero quan el model les utilitza per tapar deficiències de caixa futures.
- Sobre-amortització, on l'amortització acumulada supera el cost de l'actiu perquè ningú va dir a la fórmula quan parar.
- Actius o passius principals que deriven a negatiu sense una raó econòmica vàlida.
Cadascun d'aquests és una comprovació d'un minut que et salva d'una pregunta d'inversor profundament incòmoda.
5. Violacions de la física
Una previsió és una història sobre el món real, i la IA no viu en el món real. Comprova que les restriccions de capacitat i els límits operatius es reflecteixin: ingressos que impliquin fabricar volum il·limitat, plans de plantilla sense conseqüències d'oficina o impostos sobre nòmines, o creixement que requereixi deu vegades les teves instal·lacions actuals. Si el teu model diu que pots triplicar la producció amb les mateixes màquines i les mateixes persones, el model està equivocat, no és visionari.
6. Comprovacions que no comproven res
Els bons models contenen comprovacions internes d'errors — quadratges de balanç, conciliacions de caixa, guardes de circularitat. Els models generats per IA sovint també inclouen aquestes, la qual cosa és fantàstic, excepte que freqüentment només funcionen per al primer període de previsió. Una comprovació que verifica l'any u i ignora silenciosament els anys dos a cinc és pitjor que no tenir cap comprovació, perquè mostra un reconfortant "OK" verd mentre els errors s'acumulen fora de pantalla. Estén cada comprovació a tot l'horitzó i trenca deliberadament alguna cosa per confirmar que la comprovació la detecta.
7. Disbarats confiats
Finalment, el problema de l'al·lucinació en la seva forma més pura: el model afirma informació incorrecta amb confiança, simplifica en excés on no hauria de fer-ho, construeix fórmules fràgils que són difícils d'actualitzar, o et dona una resposta diferent quan fas la mateixa pregunta dues vegades. Aquest últim comportament és en realitat una eina de diagnòstic útil — pregunta a la IA la mateixa cosa de nou amb paraules lleugerament diferents i compara les sortides. Si els números es mouen, almenys una versió és incorrecta, i ara saps quina àrea necessita verificació manual.
La teva Llista de Verificació de Revisió Pre-Inversor
Destil·la tot l'anterior en una sola passada que facis abans que el model surti de les teves mans:
- Estructura primer. Confirma que la portada, el resum, els supòsits, el gestor d'escenaris i tots els calendaris de suport existeixen i estan emplenats.
- Desamaga-ho tot. Revela fulls, files i columnes ocults; revisa cadascun.
- Elimina enllaços perduts. Cerca referències a llibres de treball externs i elimina les que no siguin deliberades.
- Separa entrades de sortides. Els supòsits haurien de viure en un lloc clarament marcat, visualment distint (codificació de colors o formatació) de les cel·les calculades.
- Caça números morts. Escaneja fórmules per a constants codificades que haurien de ser referències de cel·la.
- Verifica la consistència de fórmules. Comprova que la lògica de cada fila és idèntica a tots els mesos o anys.
- Simplifica fórmules monstre. Desglossa les fórmules excessivament llargues en les declaracions clau en passos llegibles.
- Estressa el balanç de situació. Confirma que quadra honestament sense cap xifra d'ajust.
- Audita deute i amortització. Sense saldos de deute negatius, sense actius sobre-amortitzats, sense posicions negatives inexplicables.
- Comprova les operacions contra la realitat. Capacitat, plantilla i instal·lacions han de donar suport a la història d'ingressos.
- Estén totes les comprovacions. Cada validació interna s'ha d'executar a tota la previsió, i hauries de provar que cadascuna realment es dispara.
- Torna a preguntar i compara. Fes preguntes clau a la IA d'una segona manera i investiga qualsevol discrepància.
Executa aquesta llista i detectaràs la immensa majoria dels errors d'IA. Més important encara, entraràs a la reunió entenent genuïnament els teus propis números — i com assenyala Schnoor, al final del dia un inversor humà et farà preguntes a tu, no al teu xatbot.
Millora la Instrucció la Pròxima Vegada
La revisió és la xarxa de seguretat; instruir millor significa necessitar-la menys. Uns quants hàbits que produeixen consistentment models construïts amb IA més sòlids:
- Coneix els ingredients abans d'instruir. Si no pots descriure què conté un bon model — supòsits, sortides, escenaris — no pots dirigir la IA perquè en construeixi un. Aprèn l'estructura primer.
- Dirigeix, no deleguis. Treballa iterativament: digues-li com construir els ingressos, rebutja el que no t'agrada, i modifica en passades. "Mira els històrics i construeix-me un model" produeix un model; no produeix un de bo.
- Exigeix auditabilitat. Demana una pàgina de supòsits, formatació consistent, fonts documentades per a cada entrada externa, i comprovacions a cada pestanya — a la instrucció, no com a pensament posterior.
- Desafia la sortida. Pregunta per què va triar un mètode particular, què podria estar malament, i què atacaria un revisor escèptic. La resposta de la IA a "què és el més feble d'aquest model?" és sovint sorprenentment honesta.
Llibres Nets Dins, Models Credibles Fora
Aquí teniu la part que ningú vol escoltar: fins i tot una revisó impecable no pot salvar un model construït sobre històrics desordenats. Quan dones a una IA tres anys de transaccions sense categoritzar, despeses personals barrejades, i una xifra d'ingressos de la qual només estàs mig segur, et construirà feliçment una projecció precisa, polita i bellament formatada d'escombraries. Els inversors també fan due diligence dels històrics — si els teus "reals" no quadren amb els teus llibres, la previsió és morta a l'arribada.
Aquest és el fonament poc glamurós sobre el qual descansa tot flux de treball de modelatge amb IA: llibres precisos, categoritzats i conciliables. Segueix els ingressos per flux, mantén les despeses netament separades, i concilia mensualment perquè els teus històrics siguin alguna cosa que defensaries en una sala de dades. Si vols els teus números en un format que puguis comparar, versionar i donar a una IA sense la ruleta del copia-i-enganxa, la comptabilitat en text pla et dona exactament això — i les eines de visualització com Fava et permeten comprovar tendències abans que arribin a un model.
Simplifica la teva Gestió Financera
Abans de deixar que la IA projecti el teu futur, assegura't que el teu present està registrat amb precisió — els llibres nets són el que converteixen un esborrany d'IA en un model que pots defensar. Beancount.io proporciona comptabilitat en text pla que et dona transparència i control complets sobre les teves dades financeres, amb cada transacció versionada i llesta per a l'anàlisi. Comença gratuïtament i construeix la teva pròxima previsió sobre números en què realment confiïs.
