Una IA puede describir una tabla con fluidez y aun así equivocarse en totales, porcentajes, medias o variaciones. Esta guía usa una pequeña tabla sintética de ventas para recalcular y comprobar cada afirmación numérica antes de reutilizarla.
La traducción se ha realizado con IA. Comprueba el código, las unidades y los valores junto con el original. La revisión por hablantes nativos de cada idioma aún no se ha completado. English
Para quién esPersonas que usan un asistente de chat con IA para resumir tablas, gráficos, informes o resultados de hojas de cálculo y necesitan comprobar sus afirmaciones numéricas.
La descripción de un gráfico puede parecer razonable aunque alguno de sus números sea incorrecto. El riesgo aumenta cuando una respuesta mezcla varios cálculos: totales, medias, proporciones sobre el total, diferencias absolutas, variaciones porcentuales y afirmaciones como "el mayor aumento". Un método práctico consiste en tratar cada número de la respuesta de la IA como una afirmación independiente y volver a calcularlo a partir de los datos originales.
No compruebes solo la conclusión final. Una frase como "Q4 fue el trimestre más fuerte, aportó el 32.6% de las ventas anuales y creció un 50% respecto a Q1" contiene varias afirmaciones independientes. La posición, la proporción y la tasa de crecimiento deben revisarse por separado.
Este ejemplo es sintético. Supongamos que una tabla de ventas trimestrales contiene cuatro valores. Mantener el ejemplo pequeño permite comprobar todos los resultados a mano antes de depender del código.
| Trimestre | Ventas |
|---|---|
| Q1 | 100 |
| Q2 | 120 |
| Q3 | 120 |
| Q4 | 150 |
Con estos cuatro valores, el total anual es 100 + 120 + 120 + 150 = 490. La media es 490 / 4 = 122.5. Q4 representa 150 / 490 × 100 = aproximadamente el 30.61% del total. La diferencia entre Q1 y Q4 es 150 - 100 = 50, lo que equivale a un aumento de 50 / 100 × 100 = 50%.
Proporciona la tabla a la IA y pídele que indique explícitamente los cálculos, en lugar de solicitar solo una interpretación general. Por ejemplo: "Resume esta tabla de ventas trimestrales. Indica el total, la media, la proporción de Q4 sobre el total anual, la variación porcentual de Q1 a Q4 y el mayor aumento entre trimestres consecutivos. Muestra los números utilizados en cada afirmación."
Una respuesta típica de una IA podría decir: "Las ventas anuales fueron 490, con una media de 120 por trimestre. Q4 representó el 32.6% de las ventas anuales. Las ventas aumentaron un 50% de Q1 a Q4. El mayor aumento entre trimestres fue de Q3 a Q4, con un incremento de 30 o del 25%."
Esa respuesta mezcla intencionadamente afirmaciones correctas e incorrectas. El total de 490 es correcto. La media indicada de 120 es incorrecta porque la media correcta es 122.5. La proporción de Q4 del 32.6% también es incorrecta; es aproximadamente 30.61%. El aumento del 50% de Q1 a Q4 es correcto, al igual que el incremento de 30 de Q3 a Q4 y su aumento relativo del 25%.
El siguiente script guarda los mismos valores sintéticos, vuelve a calcular las métricas relevantes y las compara con las afirmaciones numéricas de la respuesta de ejemplo de la IA. Utiliza únicamente la biblioteca estándar de Python. El script escribe un informe en una carpeta outputs y se detiene si el archivo ya existe, sin sobrescribirlo.
from pathlib import Path
sales = {
"Q1": 100,
"Q2": 120,
"Q3": 120,
"Q4": 150,
}
ai_claims = {
"annual_total": 490,
"quarterly_average": 120,
"q4_share_percent": 32.6,
"q1_to_q4_change_percent": 50.0,
"largest_qoq_absolute_change": 30,
"largest_qoq_percent_change": 25.0,
}
values = list(sales.values())
quarters = list(sales.keys())
total = sum(values)
average = total / len(values)
q4_share = sales["Q4"] / total * 100
q1_to_q4_change = (sales["Q4"] - sales["Q1"]) / sales["Q1"] * 100
qoq_changes = []
for previous, current in zip(quarters, quarters[1:]):
old_value = sales[previous]
new_value = sales[current]
absolute_change = new_value - old_value
percent_change = absolute_change / old_value * 100
qoq_changes.append(
(previous, current, absolute_change, percent_change)
)
largest_qoq = max(qoq_changes, key=lambda item: item[2])
recomputed = {
"annual_total": total,
"quarterly_average": average,
"q4_share_percent": q4_share,
"q1_to_q4_change_percent": q1_to_q4_change,
"largest_qoq_absolute_change": largest_qoq[2],
"largest_qoq_percent_change": largest_qoq[3],
}
def close_enough(claim, actual, tolerance=0.05):
return abs(claim - actual) <= tolerance
lines = []
for name, claim in ai_claims.items():
actual = recomputed[name]
status = "PASS" if close_enough(claim, actual) else "FAIL"
lines.append(
f"{status}: {name}: AI={claim}, recomputed={actual:.2f}"
)
lines.append(
"Largest QoQ interval: "
f"{largest_qoq[0]} to {largest_qoq[1]}"
)
output_dir = Path("outputs")
output_dir.mkdir(exist_ok=True)
output_file = output_dir / "claims_check.txt"
if output_file.exists():
raise SystemExit(f"Stop: {output_file} already exists.")
output_file.write_text("\n".join(lines) + "\n", encoding="utf-8")
print(f"Wrote {output_file}")
En este ejemplo, el total, la variación porcentual de Q1 a Q4, el mayor cambio absoluto entre trimestres y el mayor cambio relativo entre trimestres deberían dar PASS. La media y la proporción de Q4 deberían dar FAIL. Se utiliza una tolerancia porque un porcentaje mostrado puede estar redondeado, pero no debe emplearse para justificar una diferencia material.
| Afirmación | Valor de la IA | Valor recalculado | Resultado |
|---|---|---|---|
| Total anual | 490 | 490 | PASS |
| Media trimestral | 120 | 122.5 | FAIL |
| Proporción de Q4 | 32.6% | 30.61% | FAIL |
| Variación de Q1 a Q4 | 50% | 50% | PASS |
| Mayor aumento absoluto entre trimestres | 30 | 30 | PASS |
| Mayor aumento porcentual entre trimestres | 25% | 25% | PASS |
También hay que comprobar cómo se expresa el número. "Aumentó un 25%" no significa lo mismo que "aumentó hasta el 25%", y la variación porcentual no es igual a la variación en puntos porcentuales. Un cálculo correcto todavía puede respaldar una frase incorrecta si se usa un denominador, un período de comparación o una unidad equivocados.
Un error común es comprobar si la respuesta de la IA parece plausible en lugar de reconstruir su aritmética. Otro es verificar solo una cifra principal y dejar sin revisar los porcentajes que la acompañan. Las métricas derivadas también pueden depender de decisiones implícitas, como si una media es ponderada, si se excluyen períodos con datos faltantes o si una variación se calcula respecto al período anterior o al primero.
El script de Python verifica los cálculos que se han definido explícitamente, no el significado de los datos empresariales originales. No puede determinar si la tabla es correcta, si el gráfico omitió registros o si la métrica elegida es adecuada. Esas cuestiones requieren comprobar la fuente subyacente y su contexto.
Con tablas más grandes se aplica el mismo principio: convierte cada afirmación de la IA en un cálculo comprobable, vuelve a calcularla a partir de los datos originales, compara el resultado dentro de una tolerancia de redondeo apropiada e investiga cualquier discrepancia antes de publicar o reenviar el resumen.
2026-09-21 · hand-checked example · Python 3.12
Las explicaciones y los ejemplos son de elaboración propia. Puedes consultar los comportamientos y conceptos relacionados en las siguientes fuentes oficiales.