El mejor prompt para analizar una hoja de cálculo en ChatGPT no empieza con “encuentra insights”. Empieza imponiendo un orden de trabajo: primero entender la estructura, después diagnosticar problemas, luego proponer el plan y solo entonces calcular y validar. Esa secuencia reduce un riesgo común del análisis asistido por IA: recibir una conclusión aparentemente convincente sin saber qué hojas, filtros, fórmulas, exclusiones o supuestos la produjeron.
La documentación actual de OpenAI respalda esa cautela. ChatGPT puede analizar archivos .xls, .xlsx y .csv, crear tablas y gráficos y ejecutar cálculos, transformaciones y análisis estadísticos basados en Python. Al mismo tiempo, la documentación recomienda revisar el código, los resultados y los supuestos. En ChatGPT para Excel y Google Sheets, que está en beta y figura como disponible globalmente en la documentación consultada el 31 de agosto de 2026, se recomienda ser explícito sobre lo que debe preservarse, pedir un plan antes de grandes ediciones y revisar fórmulas, cálculos, citas y celdas modificadas antes de confiar en el resultado.
Prompt listo: análisis de hojas de cálculo con diagnóstico, validación y trazabilidad
Sube la hoja de cálculo o el CSV y pega el prompt siguiente. Cambia solo el texto entre corchetes si quieres indicar una pregunta específica.
Actúa como analista de datos responsable de un análisis auditable y reproducible de esta hoja de cálculo/CSV.
Objetivo principal: [describe la pregunta de negocio o escribe “determinar qué conclusiones permiten sostener los datos con seguridad”].
Regla de operación: comienza en modo de solo lectura. No alteres, sobrescribas, limpies, rellenes, elimines, recodifiques ni reordenes los datos de origen sin mi aprobación explícita. Cuando necesites transformar datos para analizarlos, usa una copia derivada, un DataFrame, una hoja nueva o un archivo de salida y conserva el original.
1. Haz el inventario antes de analizar. Enumera los archivos y hojas disponibles; dimensiones aproximadas; nombres de columnas; tipos de datos aparentes; posibles claves o identificadores; granularidad de cada tabla; intervalo de fechas; unidades; fórmulas relevantes; cantidad de valores vacíos; duplicados aparentes; y relaciones posibles entre hojas. Si hay varias tablas en una misma hoja, identifícalas por separado.
2. Diagnostica la calidad sin corregir todavía. Busca valores ausentes, duplicados, tipos incompatibles, fechas inválidas, categorías escritas de formas distintas, valores atípicos, valores imposibles, fórmulas rotas, totales sospechosos, filas de subtotal mezcladas con datos detallados y cambios de unidad o escala. Separa claramente “problema observado”, “hipótesis” e “impacto posible”. No arregles nada en esta etapa.
3. Define qué se responderá. Reformula la pregunta analítica en una frase. Si el objetivo es ambiguo, enumera las interpretaciones posibles y elige solo lo que los datos puedan sostener, marcando las incertidumbres.
4. Propón el plan antes de cualquier edición. Muestra la secuencia de análisis, métricas, filtros, agrupaciones, uniones, transformaciones y gráficos que pretendes usar. Para cada cálculo importante, indica columnas de origen, fórmula o método, denominador y tratamiento de valores ausentes. Si algún paso exige modificar el libro, detente y pide aprobación antes de realizar ese cambio.
5. Ejecuta primero el análisis de forma no destructiva. Conserva los datos de origen. Registra el número de filas antes y después de filtros, uniones y eliminaciones en la copia derivada. Documenta cualquier exclusión y nunca descartes valores atípicos solo porque parezcan extraños; investígalos y, cuando sea relevante, muestra el efecto de incluirlos y excluirlos.
6. Mantén la trazabilidad de los resultados. Para cada cifra clave, informa la hoja/tabla de origen, columnas utilizadas, filtros aplicados, fórmula o código, período, unidad y denominador. Si usas Python, muestra el código relevante o describe las operaciones con suficiente precisión para que otra persona pueda repetirlas.
7. Realiza validaciones y sanity checks. Reconcilia totales con subtotales cuando existan; compara cálculos equivalentes por caminos independientes cuando sea posible; verifica unidades, signos, fechas, porcentajes y decimales; prueba valores extremos; inspecciona muestras de filas que sustentan las conclusiones; y señala resultados que cambian mucho con pequeñas variaciones de filtros o supuestos.
8. Entrega un informe reproducible. Organiza la respuesta en: (a) resumen ejecutivo; (b) inventario de datos; (c) problemas de calidad; (d) metodología; (e) resultados con tablas; (f) anomalías y excepciones; (g) supuestos y limitaciones; (h) sanity checks realizados; (i) pasos exactos para reproducir el análisis; y (j) preguntas que los datos todavía no permiten responder.
9. Modifica la hoja de cálculo solo si lo apruebo después. Si pido correcciones, hazlas en una copia, una hoja nueva o un archivo de salida siempre que sea posible. Genera un registro de cambios con ubicación, valor/estado anterior, valor/estado nuevo y motivo. No sustituyas el original de forma silenciosa. Si la herramienta no puede garantizar un cambio no destructivo, detente y explica la limitación.
10. Antes de terminar, realiza una revisión final. Confirma que la conclusión realmente se desprende de los datos, que ningún cálculo clave carece de pista de auditoría, que no quedan supuestos sin declarar y que otra persona podría reproducir el resultado con el mismo archivo.
Por qué este prompt es más seguro que “analiza esta hoja de cálculo”
Una petición genérica puede producir una respuesta útil, pero deja decisiones metodológicas implícitas. La IA puede elegir una hoja, interpretar una columna, eliminar filas, agrupar categorías o calcular un promedio sin mostrar que existían alternativas igualmente plausibles. El prompt anterior convierte esas decisiones en etapas visibles.
| Etapa | Salida esperada | Señal de alerta |
|---|---|---|
| Inventario | Hojas, columnas, tipos, claves, granularidad y período | El análisis empieza sin mapear el archivo |
| Diagnóstico | Vacíos, duplicados, errores, outliers e inconsistencias | Los problemas se “corrigen” antes de cuantificarlos |
| Plan | Métricas, filtros, fórmulas, uniones y denominadores | El método queda oculto detrás de una respuesta terminada |
| Ejecución | Cálculos en una copia derivada y conteos antes/después | Se modifica el original para facilitar el análisis |
| Validación | Reconciliaciones, muestras, control de unidades y sensibilidad | No existe una verificación independiente de las cifras principales |
| Informe | Resultado, método, limitaciones y pasos de reproducción | La conclusión no tiene pista de auditoría |
Qué significa inventariar el schema de una hoja de cálculo
Schema, en este contexto, es el mapa operativo de los datos. No basta con enumerar nombres de columnas. El análisis debe descubrir qué representa cada fila, qué campos pueden identificar registros, cómo se relacionan las hojas, si una columna está en euros o miles de euros, si una fecha corresponde a una venta o a un pago y si hay totales mezclados con registros detallados.
Este inventario es especialmente importante en libros heredados, archivos con varias hojas y CSV exportados de otros sistemas. Dos columnas llamadas “valor” pueden significar cosas distintas; una fila aparentemente duplicada puede ser una segunda cuota; y una fecha vacía puede significar “no realizado”, no simplemente “dato faltante”. El prompt obliga a ChatGPT a hacer visibles esas ambigüedades antes de tratarlas como hechos.
Diagnóstico no significa limpieza automática
Detectar un problema y corregirlo son decisiones diferentes. Si “Ciudad de México”, “CDMX” y “México D.F.” aparecen en una misma columna, la inconsistencia es observable. Unificarlas en una sola categoría puede ser razonable, pero ya es una transformación. En un análisis auditable, esa transformación debe proponerse, justificarse y registrarse.
Lo mismo ocurre con los valores ausentes y los outliers. Rellenar un vacío con la media, cero o el último valor conocido puede cambiar la conclusión. Excluir una venta muy grande porque “parece un error” puede eliminar precisamente el evento más importante del período. El prompt exige que el modelo muestre primero el problema y, cuando sea necesario, compare escenarios antes y después de la decisión.
El plan debe aparecer antes de que la IA modifique los datos
La orientación oficial de ChatGPT para Excel y Google Sheets recomienda pedir un plan antes de grandes ediciones y ser específico sobre lo que puede o no puede modificarse. La misma regla es útil cuando se trabaja en ChatGPT estándar con un archivo adjunto: haz que la IA declare el método antes de ejecutar la parte irreversible.
Un buen plan no dice simplemente “analizaré tendencias”. Dice, por ejemplo: “filtraré pedidos con estado completado, agruparé por mes de la fecha de facturación, sumaré ingresos netos, calcularé clientes únicos por canal y compararé el resultado con el total de la hoja Resumen”. Ese nivel de detalle permite detectar un denominador incorrecto antes de que contamine todo el informe.
Trazabilidad: cómo saber de dónde salió cada cifra
Para que un resultado sea reproducible, otra persona debe poder llegar al mismo número a partir del mismo archivo. Por eso, cada métrica importante necesita una pista: hoja, columnas, filtros, fórmula, unidad, período y denominador. Cuando se usa código Python, la documentación de OpenAI aconseja revisar código, resultados y supuestos; pedir el código relevante o una descripción exacta de las operaciones reduce la dependencia de una explicación puramente narrativa.
Esto también ayuda a separar tres cosas que suelen mezclarse:
- hecho del archivo: el valor existe en una celda o fila concreta;
- resultado calculado: el valor se obtuvo mediante suma, promedio, tasa, unión o transformación;
- interpretación: el resultado sugiere una causa, tendencia o decisión.
Cuanto más importante sea la decisión, menos deberían mezclarse estas tres capas.
Sanity checks: cómo evitar un análisis elegante pero incorrecto
Un sanity check es una prueba de plausibilidad. No demuestra por sí solo que un cálculo sea correcto, pero puede revelar errores que una fórmula formalmente válida oculta. Si la suma de ventas por región supera ampliamente el total general, una unión puede haber duplicado filas. Si una tasa de conversión supera el 100 %, numerador y denominador pueden pertenecer a universos distintos. Si los ingresos mensuales cambian por un factor de diez entre columnas, una puede estar en unidades y otra en miles.
El prompt obliga a buscar estas inconsistencias mediante reconciliaciones, cálculos independientes, inspección de muestras y pruebas de sensibilidad. Es un paso pequeño con un gran efecto sobre la fiabilidad práctica.
Cómo adaptar el prompt para Excel, CSV y libros con varias hojas
Para un CSV simple
Añade la pregunta de negocio y pide foco en tipos de datos, separadores decimales, codificación, fechas y duplicados. Como el CSV no conserva fórmulas ni varias hojas, la trazabilidad debe concentrarse en columnas, filtros y transformaciones.
Para un Excel con fórmulas
Pide explícitamente un mapa de fórmulas clave, dependencias y celdas de entrada antes de cualquier corrección. Si el análisis detecta una fórmula rota, solicita primero una explicación de la cadena de referencias y del impacto estimado; la corrección viene después.
Para un libro con varias hojas
Exige que el modelo identifique la función de cada hoja y las claves utilizadas para relacionarlas. Una unión incorrecta puede multiplicar filas de forma silenciosa. Pide conteos de filas antes y después de cada merge y pruebas de unicidad de las claves.
Para un análisis recurrente
Pide que el informe termine con una “receta de reproducción”: archivo de entrada, hojas usadas, filtros, transformaciones, fórmulas, código, orden de los pasos y verificaciones. Así, la actualización del mes siguiente no depende de la memoria de la conversación.
Qué puede hacer ChatGPT — y qué todavía necesita revisión humana
Según la documentación oficial de análisis de datos de OpenAI, ChatGPT puede inspeccionar archivos, resumir filas y columnas, identificar tendencias y valores atípicos, crear tablas y gráficos y ejecutar cálculos y transformaciones con Python. La misma documentación señala que el método elegido puede no coincidir con la intención del usuario en el primer intento y recomienda revisar el código, los resultados y los supuestos.
En la experiencia nativa de Excel y Google Sheets, OpenAI también advierte que las salidas pueden estar incompletas o ser incorrectas y recomienda revisar fórmulas, cálculos, citas y celdas modificadas. Para trabajos importantes, aconseja duplicar el archivo para facilitar la reversión. Por tanto, usar IA no elimina los controles; cambia dónde deben aparecer.
Checklist para aceptar o rechazar el análisis
- ¿El modelo describió todas las hojas o tablas relevantes antes de sacar conclusiones?
- ¿Explicó qué representa cada fila y qué columnas actúan como claves?
- ¿Cuantificó vacíos, duplicados e inconsistencias antes de corregirlos?
- ¿Explicó filtros, fórmulas, denominadores y tratamiento de excepciones?
- ¿Conservó el archivo original o trabajó sobre una copia derivada?
- ¿Mostró conteos antes y después de filtros y uniones?
- ¿Pudo reconciliar los totales principales?
- ¿Hizo al menos una verificación independiente de las cifras críticas?
- ¿Separó hechos del archivo, cálculos e interpretaciones?
- ¿Registró limitaciones y preguntas que los datos no responden?
- ¿Dejó instrucciones suficientes para reproducir el análisis?
Un prompt seguro no impide que la IA trabaje; hace que el trabajo sea verificable
La ventaja de este prompt no es volver a ChatGPT “incapaz de equivocarse”. Ningún prompt puede garantizarlo. El beneficio es obligar al análisis a dejar rastro: primero el mapa de datos, después los problemas, luego el método, a continuación los cálculos y finalmente las verificaciones. Si algo está mal, puedes localizar la etapa en la que se tomó la decisión.
Para análisis de alto impacto, conserva una copia del archivo original, revisa fórmulas y cálculos críticos y valida los resultados con una fuente independiente cuando exista. El objetivo es aprovechar la velocidad de la IA sin renunciar al control, el contexto ni la reproducibilidad.
