GPT for Sheets: qué es, cómo funciona y dónde falla

Qué hacen en realidad las funciones GPT for Sheets

El mecanismo central es una función personalizada que envía el contenido de una celda a un LLM y devuelve el resultado como valor de celda. El complemento de Talarian (a partir del segundo trimestre de 2026) incluye estas funciones principales:

• =GPT(prompt, [valor], [temperatura], [max_tokens]) - prompt libre con entrada de celda opcional
• =GPT_LIST(prompt, [valor]) - devuelve una lista con viñetas
• =GPT_TABLE(prompt, [encabezados], [valor]) - devuelve una tabla estructurada
• =GPT_EXTRACT(prompt, valor) - extrae datos específicos de texto no estructurado
• =GPT_CLASSIFY(valor, categorías) - clasifica la entrada según una lista fija
• =GPT_TRANSLATE(valor, idioma) - traduce el contenido
• =GPT_FORMAT(valor, formato) - reformatea texto

Por debajo, cada llamada va a la API de OpenAI con tu propia clave. Tú eliges el modelo: gpt-4o corre a $2.50 por millón de tokens de entrada y $10.00 por millón de tokens de salida (precios de OpenAI, mayo de 2026); gpt-4o-mini baja eso a $0.15 de entrada / $0.60 de salida. Para la mayoría de tareas a nivel de fórmula, mini es más que suficiente.

El complemento también incluye un panel lateral donde puedes ejecutar prompts directos sobre los datos de tu hoja sin necesidad de escribir fórmulas.

Dónde falla la IA a nivel de celda en modelos financieros

Una tasa de precisión del 80% en tareas de extracción con GPT suena aceptable, hasta que recuerdas que un DCF con un solo input incorrecto se propaga por 8 pestañas enlazadas. La IA a nivel de celda tiene 3 problemas estructurales que importan en finanzas.

Sin conciencia del modelo. =GPT_EXTRACT(...) en la celda D14 de tu pestaña de Ingresos no sabe que F14 de tu pestaña de Análisis de Retornos está dividiendo por ese número. La función devuelve lo que parece correcto en forma aislada. Si el resultado cuadra con el resto del modelo, es por suerte.

El recálculo es destructivo. Cada vez que la hoja recalcula, o la abres en otra máquina, todas las celdas GPT se disparan de nuevo. Tu WACC en una apertura puede ser 9.2%; en la siguiente puede ser 9.4%. La documentación de Talarian (segundo trimestre de 2026) lo dice explícitamente: "Las funciones GPT no son deterministas y devolverán resultados diferentes cada vez que se calculen." Puedes pegar valores sobre las fórmulas para congelarlos, pero en ese momento ya rompiste tu pista de auditoría.

Los costos de tokens a escala son reales. Un análisis de margen de contribución de 2,000 SKUs con =GPT_CLASSIFY(A2, categorías) arrastrado por la columna A envía 2,000 llamadas a la API. Con los precios de gpt-4o, un prompt de clasificación detallado puede consumir 500 tokens de entrada por llamada: eso es 1 millón de tokens, $2.50, por cada pasada de clasificación. Ejecútalo 5 veces mientras ajustas los prompts y ya gastaste $12.50 en una sola columna. El uso mensual activo típicamente ronda los $15-30 para cargas de trabajo moderadas.

Dónde sí funcionan las herramientas de GPT for Sheets

El modelo a nivel de celda funciona bien para exactamente una clase de problema: transformar texto no estructurado a nivel de fila, donde cada fila es independiente y una precisión aproximada es aceptable.

Casos de uso que realmente sostienen el peso:

Análisis de CIM. Extrajiste párrafos de texto de un CIM (Confidential Information Memorandum) de 40 páginas a la columna A y quieres una primera clasificación por tema. =GPT_CLASSIFY(A2, "drivers de ingresos, management, factores de riesgo, capex, otro") arrastrado por 200 filas te da una columna ordenable en menos de 2 minutos. De todas formas ibas a leer cada párrafo: esto solo los ordena primero.

Normalización de descripciones de empresas. Estás armando una tabla de comparables con 30 empresas de distintas fuentes y las descripciones del negocio son inconsistentes. =GPT("Resume en una oración de menos de 20 palabras: "&A2) las estandariza para la presentación al directorio.

Etiquetado de notas de deals. 500 filas de notas de CRM de un proceso de desarrollo de negocios. =GPT_CLASSIFY(B2, "discusión de precio, term sheet, due diligence, descartado, activo") le da a tu equipo una vista del pipeline sin triaje manual.

Ninguno de estos casos vive en tu modelo financiero en vivo. Ese es el patrón. Las funciones GPT pertenecen a pestañas de staging y preparación de datos, no a inputs del modelo.

Un problema poco obvio de GPT for Sheets que vale la pena conocer

El error silencioso más común es la extracción numérica de estados financieros.

Supón que estás extrayendo cifras de EBITDA de reportes de resultados hacia un DCF. =GPT_EXTRACT("Extrae el EBITDA en millones", A2) devuelve "142.3" y se ve limpio. Pero el 30% de las veces está tomando la cifra incorrecta (ajustado vs. reportado, trailing vs. forward), y no lo vas a detectar a menos que revises manualmente cada fila. En un modelo de screening de 50 empresas, eso puede significar hasta 15 inputs incorrectos. Con un múltiplo de 14.2x EV/EBITDA, un error de $1M en EBITDA se traduce en $14.2M de valor empresa. La varianza de $420K marcada en un reporte de directorio del tercer trimestre puede trazarse exactamente a este origen.

La solución es simple pero laboriosa: nunca conectes la extracción GPT directamente a un input del modelo. Agrega siempre una columna de validación que cruce el número extraído contra una cifra calculada por fórmula, y marca cualquier desviación mayor al 5%.

Cómo estructurar una pestaña de staging para usar GPT for Sheets con seguridad

La recomendación de "nunca conectes GPT directamente al modelo" es correcta pero incompleta si no sabes cómo implementarla sin romper la trazabilidad. Aquí está el flujo que funciona en la práctica.

Estructura de la pestaña de staging

Crea una pestaña separada con el nombre STAGING_[nombre del proceso], por ejemplo STAGING_EBITDA_Q2. Nunca hagas staging directamente en pestañas de análisis. La estructura de columnas es la siguiente:

La columna G es la única que el modelo financiero referencia. Nunca G igual a C directamente: G siempre se llena de forma manual después de revisar la bandera en F.

Cómo vincular sin romper la trazabilidad

El modelo financiero apunta a la columna G de la pestaña de staging mediante una referencia directa: =STAGING_EBITDA_Q2!G2. Esto crea una cadena auditoriable completa: el modelo apunta a G, G es un valor ingresado manualmente por un analista, respaldado por las columnas H e I que registran quién aprobó y cuándo.

Cuando alguien de control de gestión o de auditoría pregunte "¿de dónde vino este número?", la respuesta tiene tres pasos trazables: la referencia del modelo, el valor aprobado en staging y el texto fuente en la columna B. La función GPT en la columna C es solo una herramienta de primera lectura, nunca la fuente de verdad.

Qué hacer cuando la desviación supera el 5%

Una bandera "REVISAR" en la columna F significa exactamente eso: revisión manual obligatoria antes de aprobar. El flujo es el siguiente:

1. El analista abre el texto fuente en la columna B y busca la cifra manualmente.
2. Si la cifra GPT es incorrecta, reemplaza el contenido de la celda C con el valor correcto como constante (elimina la fórmula GPT en esa fila).
3. Registra la corrección en una columna de notas adicional junto a I.
4. Aprueba la celda en G solo después de completar los pasos anteriores.

Para filas donde la verificación por fórmula no es posible (texto muy ambiguo o sin estructura numérica reconocible), el umbral de aprobación automática baja a cero: todas las extracciones van a revisión manual, sin excepción.

Este flujo añade tiempo al proceso, sí. Pero es el único que te permite defender los números en una reunión de directorio sin depender de que "el GPT lo dijo."

Comparativa de herramientas de IA para Sheets

Preguntas frecuentes

¿Qué es GPT for Sheets exactamente?

GPT for Sheets es el nombre del complemento de Talarian para Google Sheets, también conocido como "GPT for Sheets and Docs", con más de 600,000 instalaciones activas. El término también se usa de forma genérica para cualquier herramienta que conecte modelos de OpenAI con celdas de hojas de cálculo. En cualquier caso, el mecanismo es el mismo: una función personalizada envía el contenido de una celda a la API de OpenAI y devuelve la respuesta como valor de celda.

¿Cuánto cuesta usar GPT for Sheets?

El complemento de Talarian tiene un plan gratuito con límites de uso y planes pagos a partir de aproximadamente $19 USD por mes (precios de mayo de 2026). Por encima de eso, el costo real depende del modelo que uses con tu propia clave API de OpenAI: gpt-4o cuesta $2.50 por millón de tokens de entrada y $10.00 por millón de tokens de salida; gpt-4o-mini baja eso a $0.15 y $0.60 respectivamente. Para cargas de trabajo moderadas en análisis de datos, el costo mensual de API típicamente ronda los $15-30 USD.

¿Es seguro usar GPT for Sheets en modelos financieros?

Depende de qué parte del modelo. En pestañas de staging y preparación de datos, con una columna de validación y un proceso de aprobación manual como el descrito arriba, es una herramienta útil y defendible. En cualquier celda que alimente directamente un input del modelo en producción, no: las funciones GPT no son deterministas (la documentación de Talarian lo confirma), lo que significa que el mismo valor puede cambiar cada vez que la hoja recalcula.

¿GPT for Sheets funciona con Excel?

El complemento de Talarian está diseñado para Google Sheets. Para Excel existe un ecosistema de herramientas similares basadas en Office Add-ins, pero no son el mismo producto ni tienen paridad de funciones. Si necesitas funcionalidad equivalente en Excel, deberás evaluar complementos específicos para ese entorno o considerar soluciones que operen en ambas plataformas de forma nativa.

En resumen

Las funciones de GPT for Sheets son herramientas legítimas para transformar texto a nivel de fila: análisis de CIM, normalización de descripciones de comparables, etiquetado de notas de deals. Se quiebran en cualquier escenario donde el recálculo cambiaría un número, donde el output de la función alimenta un modelo enlazado, o donde la precisión numérica realmente importa.

Las 600,000 instalaciones te dicen que la categoría es real. El problema del recálculo te dice exactamente hasta dónde llevarla. Y la pestaña de staging con columna de validación no es un detalle de implementación opcional: es la única estructura que separa "herramienta de primer borrador" de "fuente de verdad del modelo." Esa distinción es la que te deja defender los números cuando alguien en el directorio pregunta de dónde vienen.