Nuevo benchmark pone a prueba a los modelos de IA con hojas de cálculo profesionales
Los investigadores Suhaas Garre, Sushant Mehta y Edwin Chen publicaron un benchmark que evalúa a los modelos de IA en trabajo con hojas de cálculo. El estudio, llamado GDP_xlsx, apareció en arXiv el 13 de noviembre. También fue aceptado en el Agent Evaluation Science Symposium, que se celebra este mes en la ciudad de Nueva York.
La prueba reúne 70 solicitudes de oficina escritas por profesionales de 13 áreas. Cada una incluye el libro de Excel o el archivo CSV completo al que se refiere. En conjunto, los archivos suman 2,18 millones de celdas con datos. Cada solicitud tiene además una lista de verificación de expertos con criterios de sí o no, 791 en total. Según el estudio, algunos criterios exigen un conjunto completo de respuestas, sin nada adicional.
Los modelos trabajaron dentro de un contenedor con herramientas para hojas de cálculo. Otra IA, que actuaba como juez y podía abrir el archivo, calificó cada intento con la lista de verificación. La calificación fue estricta: un intento contaba solo si cumplía todos los criterios. Los autores evaluaron 20 configuraciones de modelos, entre ellas modelos de frontera de Google, Anthropic y OpenAI. El mejor fue Gemini 4 Argon, que aprobó el 38,3% de los intentos. La mediana fue 19,3%. Los autores señalan que eso deja un amplio margen de mejora.
Para quienes ya le entregan hojas de cálculo a un chatbot, las cifras son una advertencia. Con esta calificación estricta, incluso el mejor modelo falló en la mayoría de los intentos. Una respuesta de hoja de cálculo casi correcta puede seguir siendo incorrecta. Puedes revisar la lista de modelos de IA en nuestro sitio para ver cuántos hay hoy en el mercado.
Varias cosas siguen sin estar claras. El resumen del estudio no dice qué tipos de errores cometieron los modelos. Tampoco indica qué tan bien coincide una IA que actúa como juez con los calificadores humanos. Los autores publicaron el código de la prueba y tres tareas públicas. Reservan las otras 67 para evitar que se manipule la tabla de posiciones, así que personas externas no pueden verificar la mayoría de las tareas por su cuenta.
Fuentes
Cita esta página
Nuevo benchmark pone a prueba a los modelos de IA con hojas de cálculo profesionales, New Mind Museum, 15 de noviembre de 2026. https://newmindmuseum.com/es/investigacion/2026/11/benchmark-gdp-xlsx-ia-hojas-de-calculo/
New Mind Museum. (2026, 15 de noviembre). Nuevo benchmark pone a prueba a los modelos de IA con hojas de cálculo profesionales. https://newmindmuseum.com/es/investigacion/2026/11/benchmark-gdp-xlsx-ia-hojas-de-calculo/
«Nuevo benchmark pone a prueba a los modelos de IA con hojas de cálculo profesionales». New Mind Museum, 15 nov. 2026, https://newmindmuseum.com/es/investigacion/2026/11/benchmark-gdp-xlsx-ia-hojas-de-calculo/.
@misc{new-mind-museum-2026-nuevo-benchmark-pone-a-prueba-a-los-mode,
author = {{New Mind Museum}},
title = {Nuevo benchmark pone a prueba a los modelos de IA con hojas de cálculo profesionales},
year = {2026},
url = {https://newmindmuseum.com/es/investigacion/2026/11/benchmark-gdp-xlsx-ia-hojas-de-calculo/}
}Puedes citarla libremente con un enlace a esta página.