¿Por qué la IA da números equivocados al analizar datos?
El error puede aparecer antes de que el sistema haga una suma. Por eso conviene revisar cómo llegó a la respuesta.
Acceso y lectura: el asistente puede recibir una versión antigua del archivo, leer una hoja distinta o interpretar una columna como texto. En un PDF escaneado, también puede confundir cifras durante la extracción. La guía de análisis de datos de OpenAI advierte que los valores de tablas en imágenes o diseños complejos pueden extraerse sin suficiente fiabilidad.
Selección: el sistema puede excluir registros válidos, usar un período equivocado o duplicar filas al combinar tablas. Una consulta puede ejecutarse sin errores técnicos y aun así responder otra pregunta.
Definición de la métrica: «cartera vencida» puede significar saldo pendiente al corte o valor original de facturas vencidas. Si no se acuerda la definición, dos resultados distintos pueden parecer razonables.
Cálculo e interpretación: una fórmula puede apuntar al rango incorrecto o el asistente puede describir un total como si fuera un promedio. Una respuesta clara no demuestra que el cálculo sea correcto.
Incluso si el sistema reconoce la estructura de una tabla, puede citar mal un valor u omitirlo. Ese tipo de fallo aparece en un estudio de Yang y coautores sobre lectura de tablas. Revisar la estructura, por sí sola, no confirma que los valores usados sean los correctos.
¿Cómo puedes comprobar una cifra antes de usarla?
Conserva el archivo original y trabaja sobre una copia. Así puedes repetir la prueba sin cambiar la evidencia del error.
- Confirma qué datos recibió. Revisa el nombre y la versión del archivo, la hoja y los encabezados. Compara la cantidad de registros con la fuente. Si hay un PDF escaneado, contrasta los valores extraídos con las celdas visibles. El número de filas ayuda a detectar faltantes, aunque no demuestra que cada valor sea correcto.
- Define la pregunta antes de calcular. Escribe la métrica, el período y las exclusiones con quien usa el resultado. La guía de OpenAI Academy para analizar datos recomienda precisar esos criterios y pedir los supuestos y las fórmulas. También conviene revisar los datos faltantes y los valores inusuales.
- Inspecciona los registros seleccionados. Pide la lista de filas incluidas y excluidas, con el motivo de cada exclusión. Si el sistema combina tablas, verifica que cada operación conserve la cantidad esperada de registros. Una factura repetida por tener varios pagos asociados puede inflar el total.
- Revisa el cálculo que ejecutó. Si la herramienta ejecuta código o una consulta SQL, inspecciona los filtros, las operaciones y los resultados intermedios. Comprueba el cálculo con una fórmula o consulta independiente. Si no puedes ver cómo calculó la cifra, pide evidencia; una explicación escrita no prueba que haya ejecutado ese cálculo.
- Repite la prueba después de corregir. Guarda un conjunto pequeño de casos con resultados calculados y revisados por una persona. Incluye registros faltantes, duplicados y fechas de corte. Compara los resultados antes y después del cambio, y revisa tanto las cifras incorrectas como las correctas que el sistema haya señalado por error.
¿Cómo se ve una prueba con resultados conocidos?
Este ejemplo es ilustrativo; no describe a un cliente.
Un área de cartera entrega un archivo con cuatro facturas. Sus saldos pendientes son 100, 200, 50 y 80. Al corte acordado, las facturas con saldos de 100 y 80 están vencidas; las otras no.
La entrada al asistente indica que debe sumar el saldo pendiente de las facturas vencidas al corte. El resultado esperado es 180, con dos facturas incluidas. El sistema debe mostrar cuáles usó y qué fórmula o consulta ejecutó.
Si responde 280, el equipo revisa la lista de facturas antes de cambiar la instrucción. Podría haber incluido una factura vigente o duplicado la de saldo 100 al combinar datos. La lista y la consulta permiten distinguir las causas.
Después de corregir el filtro o la combinación, repetimos la prueba con el mismo archivo. También probamos un caso sin facturas vencidas y otro con valores faltantes. Guardamos la versión del archivo, la instrucción y los resultados para comparar futuros cambios.
El mismo criterio sirve para un reporte de cartera por edades: primero hay que acordar el saldo y la fecha de corte; después, comprobar cada clasificación.
¿Qué opción te conviene para obtener cifras confiables?
La elección depende de dónde están los datos, la frecuencia del cálculo y la evidencia que necesitas conservar.
| Opción | Cuándo conviene | Qué revisar |
|---|---|---|
| Fórmula, consulta SQL o tablero existente | La métrica es estable y los datos ya están organizados. | Permisos, filtros y definición del indicador. |
| Función de análisis de tu herramienta | Necesitas explorar un archivo y puedes revisar el cálculo. | Archivo usado, registros seleccionados y código disponible. |
| Plataforma de automatización | Debes mover datos entre herramientas y aplicar reglas repetibles. | Conexiones, duplicados y registro de errores. |
| Desarrollo a la medida | Necesitas controles específicos o integrar varias fuentes. | Acceso a datos, pruebas, mantenimiento y responsables. |
El costo y el plazo dependen de la calidad y el acceso a los datos, las integraciones y el nivel de revisión necesario. Si el sistema ya falla, documentar el error ayuda a decidir entre corregirlo o acudir a un rescate del proyecto de IA.
