El sesenta y dos por ciento de los profesionales de servicios financieros admite que un error generado por IA ya ha llegado a un cliente. No un borrador. No un experimento interno. Un cliente.
Así que mira el hermoso modelo de tres estados que tu asistente de IA acaba de construir para ti en cuatro minutos — ese con las ordenadas columnas mensuales, la confiada proyección de ingresos, la pestaña de DCF que ni siquiera pediste — y pregúntate la pregunta que importa: ¿apostarías tu recaudación de fondos por cada número en él? Porque en el momento en que adjuntas esa hoja de cálculo a un correo para inversores o la llevas a una reunión bancaria, estás haciendo exactamente eso.
La buena noticia es que la IA realmente ha mejorado drásticamente en el modelado financiero. Febrero de 2026 marcó lo que el Instituto de Modelado Financiero llama un cambio de paso: la primera vez que las herramientas de IA pudieron construir modelos genuinamente sólidos a partir de una instrucción amplia en lugar de solo completar plantillas. La mala noticia es que "mejor" no es lo mismo que "confiable". Los modelos de IA aún alucinan, aún codifican números donde deberían haber fórmulas, y aún afirman respuestas incorrectas con total confianza. OpenAI mismo ha reconocido que las alucinaciones son matemáticamente inevitables en los grandes modelos de lenguaje — no un error que se pueda parchear, sino una propiedad que se debe gestionar.
Esta publicación te ofrece una lista de verificación práctica de revisión, fundamentada en la guía de la ICAEW (el Instituto de Contadores Públicos de Inglaterra y Gales) y el Instituto de Modelado Financiero, para detectar errores de IA antes de que los vea alguien cuyo dinero deseas.
Por Qué los Modelos de IA Exigen un Nuevo Tipo de Escepticismo
Las hojas de cálculo construidas por humanos ya eran poco confiables. Décadas de investigación sobre el riesgo de hojas de cálculo concluyeron famosamente que la gran mayoría de las hojas de cálculo del mundo real contienen errores — una encuesta ampliamente citada lo situó en alrededor del 90% — con tasas de error a nivel de celda de unos pocos por ciento incluso en modelos cuidadosamente construidos. La IA no elimina ese riesgo. Cambia su forma.
Los errores de un modelador humano tienden a concentrarse donde el trabajo fue más difícil: la fórmula más enredada, el copiar y pegar de madrugada. Los errores de IA son diferentes. Están distribuidos uniformemente, perfectamente formateados y entregados sin un ápice de incertidumbre. Un modelo que presenta con confianza un balance general que en realidad no cuadra, o un programa de deuda con saldos negativos en el tercer año, se ve exactamente tan pulido como uno correcto. No hay manchas de café en el trabajo de una IA que te digan dónde mirar.
Por eso el cambio de mentalidad más importante es este: trata cada modelo generado por IA como un primer borrador que debe revisarse, no como un producto terminado. Como dice Ian Schnoor del Instituto de Modelado Financiero, construir un modelo con IA es como construirlo tú mismo pero más rápido — tú diriges, refinas y desafías lo que produce. Y eso solo funciona si ya entiendes cómo se ve un buen modelo. La IA es una colaboradora, nunca una autoridad.
Los 7 Patrones de Error que la IA Repite Constantemente
Después de revisar modelos generados por IA, los mismos modos de fallo aparecen una y otra vez. Aprende a reconocer los patrones y tu revisión se vuelve mucho más rápida.
1. Piezas faltantes
La IA frecuentemente entrega un modelo que parece completo pero le faltan secciones clave: sin portada, sin resumen de resultados, sin página dedicada de supuestos, sin gestor de escenarios, o programaciones que son esbozos en lugar de cálculos funcionales. A veces los omite porque tu instrucción no los exigió explícitamente; a veces simplemente… se detiene.
Antes de revisar un solo número, revisa la tabla de contenidos. Un modelo sin una página explícita de supuestos es un modelo cuyos supuestos están enterrados dentro de fórmulas donde nadie puede auditarlos — y un inversor que no puede encontrar tus supuestos asumirá que no tienes ninguno.
2. Trampas ocultas: filas, hojas y enlaces externos ocultos
A la IA le encanta ocultar cosas. Hojas ocultas, filas ocultas, columnas ocultas — pregúntale directamente a la IA si añadió alguna, y luego verifica manualmente de todos modos. Los revisores informan que preguntaron a una IA si confirmaba que no había enlaces a archivos externos, les dijeron que todo estaba limpio, y luego encontraron enlaces a otros archivos en una verificación manual. La IA incluso se disculpará encantadoramente por omitirlos. Las disculpas no arreglan tu modelo.
Los enlaces externos merecen atención especial. Un modelo que silenciosamente extrae valores de otro libro de trabajo en el portátil de alguien se romperá en el momento en que lo envíes por correo — o peor, seguirá mostrando valores cacheados obsoletos que parecen actualizados. A menos que un enlace externo sea deliberado y esté documentado, elimínalo.
3. Números muertos y fórmulas a la deriva
El clásico indicador de IA es el "número muerto": un valor codificado dentro de una fórmula donde debería haber una referencia de celda. La fórmula =B12*1.05 parece lógica de crecimiento hasta que te das cuenta de que la tasa de crecimiento del 5% está incrustada y tu celda de supuesto se queda sin uso en otro lugar. Cambia el supuesto y nada se mueve. Los inversores prueban exactamente esto — flexionan tus impulsores para ver si el modelo responde — y un modelo lleno de números muertos falla la prueba al instante.
El problema hermano es la deriva de fórmulas: la IA es notoria por cambiar silenciosamente fórmulas mientras rellena meses o años. La columna F calcula los ingresos de una manera; la columna G los calcula ligeramente diferente. La solución es mecánica pero innegociable: verifica fórmulas al inicio, en medio y al final de cada fila, y confirma que sean consistentes en todo el horizonte de pronóstico.
4. El balance general que miente cortésmente
Este es el error que mata la credibilidad más rápido. La IA a veces fuerza el balance de un balance general con un ajuste — resolviendo un número hacia atrás solo para hacer que los activos igualen los pasivos más el patrimonio. El balance cuadra. También es ficción.
Pecados relacionados del balance general a buscar:
- Saldos de deuda negativos, incluyendo líneas de deuda a corto plazo que caen por debajo de cero cuando el modelo las usa para tapar futuros déficits de efectivo.
- Sobre-depreciación, donde la depreciación acumulada excede el costo del activo porque nadie le dijo a la fórmula cuándo detenerse.
- Activos o pasivos principales que se vuelven negativos sin una razón económica válida.
Cada uno de estos es una verificación de un minuto que te salva de una pregunta de inversor profundamente incómoda.
5. Violaciones de la física
Un pronóstico es una historia sobre el mundo real, y la IA no vive en el mundo real. Verifica que las restricciones de capacidad y los límites operativos estén reflejados: ingresos que implican fabricar volumen ilimitado, planes de plantilla sin consecuencias de oficina o impuestos sobre nómina, o crecimiento que requiere diez veces tu instalación actual. Si tu modelo dice que puedes triplicar la producción con las mismas máquinas y las mismas personas, el modelo está equivocado, no es visionario.
6. Verificaciones que no verifican nada
Los buenos modelos contienen verificaciones internas de errores — conciliaciones de balance general, reconciliaciones de efectivo, protecciones de circularidad. Los modelos generados por IA a menudo también las incluyen, lo cual es genial, excepto que frecuentemente solo funcionan para el primer período de pronóstico. Una verificación que valida el primer año e ignora silenciosamente los años dos a cinco es peor que ninguna verificación, porque muestra un reconfortante "OK" en verde mientras los errores se acumulan fuera de pantalla. Extiende cada verificación a todo el horizonte y rompe deliberadamente algo para confirmar que la verificación lo detecta.
7. Tonterías con confianza
Finalmente, el problema de la alucinación en su forma más pura: el modelo afirma información incorrecta con confianza, simplifica en exceso donde no debería, construye fórmulas frágiles que son difíciles de actualizar, o te da una respuesta diferente cuando haces la misma pregunta dos veces. Ese último comportamiento es en realidad un diagnóstico útil — pregunta a la IA lo mismo de nuevo con palabras ligeramente diferentes y compara los resultados. Si los números se mueven, al menos una versión es incorrecta, y ahora sabes qué área necesita verificación manual.
Tu Lista de Verificación de Revisión Pre-Inversor
Destila todo lo anterior en una sola pasada que ejecutes antes de que el modelo salga de tus manos:
- Primero la estructura. Confirma que la portada, el resumen, los supuestos, el gestor de escenarios y todas las programaciones de apoyo existen y están completos.
- Revela todo. Muestra hojas, filas y columnas ocultas; revisa cada una.
- Elimina enlaces sueltos. Busca referencias a libros de trabajo externos y elimina cualquier que no sea deliberada.
- Separa entradas de salidas. Los supuestos deben vivir en un lugar claramente marcado, visualmente distinto (codificación de colores o formato) de las celdas calculadas.
- Caza números muertos. Escanea fórmulas en busca de constantes codificadas que deberían ser referencias de celda.
- Verifica la consistencia de fórmulas. Confirma que la lógica de cada fila es idéntica en cada mes o año.
- Simplifica fórmulas monstruosas. Divide fórmulas excesivamente largas en estados clave en pasos legibles.
- Prueba el balance general. Confirma que cuadra honestamente sin ninguna cifra de ajuste.
- Audita deuda y depreciación. Sin saldos de deuda negativos, sin activos sobre-depreciados, sin posiciones negativas inexplicables.
- Verifica las operaciones contra la realidad. Capacidad, plantilla e instalaciones deben respaldar la historia de ingresos.
- Extiende todas las verificaciones. Cada validación interna debe ejecutarse en todo el pronóstico, y debes probar que cada una realmente se dispara.
- Vuelve a preguntar y compara. Haz preguntas clave a la IA de una segunda manera e investiga cualquier discrepancia.
Ejecuta esta lista y detectarás la gran mayoría de errores de IA. Más importante aún, entrarás a la reunión entendiendo genuinamente tus propios números — y como señala Schnoor, al final del día un inversor humano te hará preguntas a ti, no a tu chatbot.
Mejores Instrucciones la Próxima Vez
La revisión es la red de seguridad; mejores instrucciones significan necesitar menos eso. Unos hábitos que producen consistentemente modelos más sólidos construidos con IA:
- Conoce los ingredientes antes de instruir. Si no puedes describir qué contiene un buen modelo — supuestos, resultados, escenarios — no puedes dirigir a la IA para construir uno. Aprende la estructura primero.
- Dirige, no delegues. Trabaja iterativamente: dile cómo construir los ingresos, rechaza lo que no te guste y modifica en pasos. "Mira los históricos y construye un modelo" produce un modelo; no produce uno bueno.
- Exige auditabilidad. Pide una página de supuestos, formato consistente, fuentes documentadas para cada entrada externa y verificaciones en cada pestaña — en la instrucción, no como una idea posterior.
- Desafía el resultado. Pregunta por qué eligió un método particular, qué podría estar mal y qué atacaría un revisor escéptico. La respuesta de la IA a "¿qué es lo más débil de este modelo?" es a menudo sorprendentemente honesta.
Libros Limpios Adentro, Modelos Creíbles Afuera
Aquí está la parte que nadie quiere escuchar: incluso una revisión impecable no puede salvar un modelo construido sobre históricos desordenados. Cuando le entregas a una IA tres años de transacciones sin categorizar, gastos personales mezclados y una cifra de ingresos de la que solo estás más o menos seguro, felizmente te construirá una proyección precisa, pulida y bellamente formateada de basura. Los inversores también hacen diligencia debida sobre los históricos — si tus "reales" no cuadran con tus libros, el pronóstico está muerto a la llegada.
Ese es el fundamento sin glamour sobre el que descansa todo flujo de trabajo de modelado con IA: libros precisos, categorizados y reconciliables. Rastrea ingresos por flujo, mantén los gastos limpiamente separados y reconcilia mensualmente para que tus históricos sean algo que defenderías en una sala de datos. Si quieres tus números en un formato que puedas comparar, controlar versiones y entregar a una IA sin la ruleta del copiar y pegar, la contabilidad de texto plano te da exactamente eso — y las herramientas de visualización como Fava te permiten verificar tendencias antes de que lleguen a un modelo.
Simplifica Tu Gestión Financiera
Antes de dejar que la IA proyecte tu futuro, asegúrate de que tu presente esté registrado con precisión — los libros limpios son lo que convierten un borrador de IA en un modelo que puedes defender. Beancount.io proporciona contabilidad de texto plano que te da transparencia completa y control sobre tus datos financieros, con cada transacción bajo control de versiones y lista para análisis. Comienza gratis y construye tu próximo pronóstico sobre números en los que realmente confías.
