Un estudio sobre hojas de cálculo empresariales encontró que el 94% contiene al menos un error crítico. Citigroup transfirió una vez $900 millones a acreedores por un error en una hoja de cálculo. Las operaciones de la "Ballena de Londres" que le costaron $6.000 millones a JPMorgan fueron en parte resultado de un error de copiar y pegar en Excel. Y en 2020, el sistema de salud pública de Inglaterra perdió el rastro de 16.000 resultados de pruebas de COVID-19 porque una hoja de cálculo alcanzó silenciosamente su límite de filas.
Ahora, cada una de esas hojas de cálculo propensas a errores se está entregando a un asistente de IA con la instrucción de "simplemente analizar esto". Ese es el trasfondo incómodo de una afirmación que circula este año en los círculos financieros: el software de FP&A (planificación y análisis financiero) tradicional, diseñado para humanos que navegan menús con clics, ya está obsoleto. La provocación vino de Didi Gurfinkel, CEO de Datarails, la empresa de FP&A con sede en Tel Aviv que construyó su reputación resolviendo el "infierno de Excel" para los equipos financieros. Su argumento, en resumen: la IA ya puede construir modelos, ejecutar análisis y escribir informes más rápido y mejor de lo que jamás podría un humano, así que cualquier herramienta que limite lo que la IA puede tocar ya está rezagada.
Se acepte o no el planteamiento de que está "muerto", el cambio subyacente vale la pena tenerlo en cuenta si llevas las cuentas de una pequeña empresa, de un equipo financiero de una startup reducida, o incluso solo las cifras de tu propia empresa en una hoja de cálculo.
Qué anunció realmente Datarails
Datarails —que ha recaudado $175 millones en financiación de capital de riesgo, incluida una ronda Serie C de $70 millones a comienzos de 2026— lanzó una plataforma llamada FinanceOS. Es menos un producto único que un cambio de posicionamiento: en lugar de construir otro panel de control amurallado, Datarails apuesta a que los equipos financieros seguirán usando la herramienta de IA que ya prefieran (Claude, ChatGPT, Microsoft Copilot) y que lo único que necesitan es que los datos subyacentes sean confiables.
FinanceOS se conecta a cientos de sistemas de origen (software contable, ERP, CRM, nóminas), realiza el trabajo poco glamoroso de consolidación —eliminaciones, conversión de divisas, conciliación de cifras que provienen de tres sistemas distintos y no coinciden del todo— y expone el resultado a los modelos de IA a través de una capa gobernada y auditable que utiliza el estándar Model Context Protocol. Una vez que existe un modelo construido por IA, puede bloquearse para que se mantenga estable incluso mientras los datos subyacentes se siguen actualizando.
El comentario incisivo de Gurfinkel sobre la competencia fue que los proveedores más antiguos "ya están acabados... no tienen suficiente capital ni energía para reescribir la tecnología", mientras que los rivales más nuevos y nativos de IA invirtieron mucho en interfaces vistosas pero subinvirtieron en la poco glamorosa capa de consolidación de datos, algo que él argumenta que en realidad es la ventaja competitiva duradera. Datarails también está desplazando su modelo de precios, alejándose de las licencias por usuario hacia precios basados en uso, bajo la premisa de que serán los agentes de IA, y no los humanos, quienes cada vez más "usen" el software.
La paradoja de la adopción de IA en finanzas
Datarails no es la única empresa que nota esto. Las encuestas del sector sobre el uso de IA en las finanzas corporativas siguen revelando el mismo patrón desconcertante: la adopción va en aumento, pero el impacto reportado apenas se mueve. Un estudio comparativo del sector de 2025 encontró que la proporción de equipos financieros que usan IA activamente subió solo un punto porcentual interanual —de 58% a 59%—, mientras que el 91% de los equipos financieros dijo que las herramientas de IA que ya habían adoptado tuvieron un impacto bajo en su trabajo real.
Ese es un resultado extraño para una tecnología tan potente. La explicación habitual que ofrecen los directores financieros y los líderes financieros no es que los modelos sean malos, sino que los datos que se les suministran lo son. Los equipos están conectando una IA genuinamente capaz a datos de origen genuinamente defectuosos, y luego se preguntan por qué el resultado no ayuda.
El verdadero problema no es la falta de IA, es la falta de datos gobernados
Aquí está la parte que importa más que el lanzamiento de cualquier producto de un proveedor: la adopción de IA dentro de los equipos financieros ha ido en aumento, pero el impacto de esa IA no ha seguido el mismo ritmo. Varias encuestas del sector de 2026 apuntan a la misma brecha: los equipos están activando la IA más rápido de lo que están obteniendo valor de ella, y la razón más citada es la calidad de los datos. Una encuesta a directores financieros de 2026 muy citada encontró que el 63% de los líderes financieros creía tener visibilidad total sobre los datos de gasto de su propia empresa, mientras que en realidad solo alrededor del 5% la tenía.
Esa brecha es toda la historia. Si tus libros contables están desordenados, conectar una herramienta de IA no arregla el desorden, simplemente lo procesa más rápido y te entrega una respuesta que suena segura pero está construida sobre datos malos. Los modelos de IA no saben de forma confiable cuándo se equivocan. Citarán una norma fiscal que caducó hace dos años, o resumirán una pestaña de una hoja de cálculo que nunca se actualizó, con exactamente el mismo tono de autoridad que cuando aciertan.
Para una pequeña empresa, esto se manifiesta de formas cotidianas pero costosas:
- Un resumen de flujo de caja generado por IA que excluye silenciosamente una cuenta bancaria de la que nadie le informó.
- Un informe de gastos "limpio" construido a partir de una hoja de cálculo donde entre el 3% y el 5% de las celdas con fórmulas contienen errores silenciosos, una tasa que se ha mantenido constante en la investigación sobre errores en hojas de cálculo durante dos décadas y que solo se agrava a medida que las hojas crecen.
- Una respuesta segura sobre el margen que en realidad promedia dos periodos fiscales distintos porque una pestaña se copió en lugar de enlazarse.
Nada de esto es realmente un problema de IA. Es un problema de gobernanza de datos que la IA ha vuelto más visible, porque ahora el desorden se resume en un párrafo en el que es más probable que confíes a primera vista de lo que confiarías en una hoja de cálculo cruda y evidentemente desordenada.
Qué requiere realmente que los datos financieros estén "listos para IA"
Toques o no alguna vez un producto como FinanceOS, la disciplina subyacente que vende vale la pena adoptarla por sí misma:
1. Una única fuente de verdad, no una carpeta de hojas de cálculo. Si "las cifras reales" viven en cuatro libros de trabajo con distintas fechas de última modificación, ninguna capa de IA sobre ellas los conciliará correctamente: simplemente adivinará cuál es el vigente.
2. Un registro de auditoría para cada cifra. Cuando una cifra cambia, deberías poder responder por qué cambió y quién (o qué) la cambió. Esto es precisamente en lo que peor están las hojas de cálculo: una fórmula sobrescrita con un número fijo no deja rastro.
3. Modelos bloqueados y versionados. Una proyección construida por IA solo es útil si permanece estable mientras la revisas. Si los datos subyacentes siguen cambiando silenciosamente debajo del modelo, estás revisando un blanco en movimiento.
4. Gobernanza antes de la automatización, no después. El instinto es acoplar la IA a cualquier proceso que ya exista. Los equipos que obtienen valor real hacen lo contrario: limpian el plan de cuentas, estandarizan la categorización y solo entonces apuntan la IA hacia él.
5. Permisos que no dependen de "no toques esa pestaña". En una hoja de cálculo compartida, el control de acceso suele consistir en un acuerdo verbal de no editar ciertas celdas. Eso no es gobernanza, es un hábito que se rompe en cuanto se une alguien nuevo al equipo. El sistema que resguarda tus cifras debería hacer cumplir quién puede cambiar qué, no simplemente confiar en que todos recuerden las reglas.
6. Un registro que sobrevive a la herramienta, no solo al proveedor. FinanceOS, como la mayoría de las plataformas de FP&A, es un sistema propietario: útil, pero tus datos históricos viven dentro del producto de otra persona. Vale la pena preguntarse de cualquier herramienta que adoptes: si te fueras mañana, ¿podrías llevarte un historial financiero completo y legible, o tendrías que volver a introducir a mano años de transacciones?
¿Cambiaría esto algo para una empresa de cinco personas?
Es fácil leer "plataforma de FP&A" y asumir que esta es una historia de grandes empresas. En la práctica, el modo de falla es el mismo en cualquier tamaño; simplemente es menos visible en una empresa de cinco personas porque nadie audita tu hoja de cálculo excepto tú.
Imagina una pequeña agencia que rastrea la rentabilidad de sus proyectos en una hoja de cálculo compartida: una pestaña por cliente, horas importadas de un registrador de tiempo, gastos pegados desde un estado de cuenta de tarjeta. Pregúntale a un asistente de IA "¿qué clientes fueron rentables el trimestre pasado?" y con gusto leerá cada pestaña y te dará una lista clasificada y segura. Lo que no te dirá es que dos pestañas de clientes usan una fórmula de gastos generales distinta al resto (copiada de una plantilla más antigua), y que las cifras de un cliente tienen tres semanas de retraso porque esa pestaña no se actualizó tras la última tanda de facturas. La IA no tiene forma de saber eso: simplemente ve números en celdas y reporta sobre ellos.
La solución no es necesariamente comprar software de FP&A empresarial. Es asegurarse de que, antes de que cualquier IA toque tus cifras, exista un único lugar donde vivan esas cifras, un formato consistente que sigan, y un registro de cuándo cambió por última vez cada dato. Eso es un problema de gobernanza, no un problema de tamaño de empresa.
El argumento a favor de libros contables en texto plano y con control de versiones
Esta es exactamente la brecha que la contabilidad en texto plano fue diseñada para cerrar, mucho antes de que "datos listos para IA" se convirtiera en una frase de moda. Un libro contable mantenido en un formato de texto plano con control de versiones tiene, por construcción, las propiedades que los equipos financieros ahora se apresuran a acoplar a sus hojas de cálculo:
- Cada cambio queda registrado. El historial de Git es el registro de auditoría: no hay un registro de cambios separado que mantener, ni una fórmula sobrescrita silenciosamente sin dejar rastro.
- Un único archivo canónico, no una carpeta de libros de trabajo "final_v3". No hay ambigüedad sobre cuál versión es la vigente.
- Datos estructurados y analizables. Como los asientos siguen un formato de partida doble consistente en lugar de celdas de hoja de cálculo de formato libre, una herramienta de IA que lee el libro contable trabaja con registros estructurados y auditables en lugar de adivinar qué significa una celda combinada.
Si eres propietario de una pequeña empresa, autónomo o desarrollador independiente que actualmente lleva las cuentas en una hoja de cálculo y te preguntas si entregársela a un copiloto de IA, la solución más duradera suele ser primero arreglar el registro contable subyacente.
Mantén tus libros contables listos para IA desde el primer día
Cualquiera que sea la herramienta financiera que gane en los próximos años, los ganadores serán aquellos cuyos registros subyacentes ya eran confiables antes de que una IA los tocara siquiera. Beancount.io ofrece contabilidad en texto plano que es transparente, con control de versiones y estructurada exactamente para este tipo de escrutinio: sin hojas de cálculo de caja negra, sin fórmulas misteriosas, solo registros auditables en los que cualquier herramienta (de IA o humana) puede confiar. Comienza gratis y construye tus libros contables sobre una base lista para lo que venga después.