Gráficos generados por IA: cómo revisar lo que no prueba
Los gráficos son la salida más persuasiva y la más frágil de un agente de análisis: convencen a primera vista, deciden decisiones y, si el dato que los alimenta está mal, difunden el error con autoridad visual. Este tutorial recorre el procedimiento de revisión que el capítulo 14 de Agentes IA para Profesionales 2027 propone alrededor del agente de análisis: qué gráficos puede producir, qué puede distorsionar sin que se note y qué pasos convertir la revisión en minutos en lugar de un examen forense.
La regla de fondo del capítulo conviene fijarla antes de empezarlo: el agente es exactamente tan bueno como los datos que recibe. No corrige la calidad de tus datos, los procesa tal como están. Cinco minutos de verificación de la hoja antes de pedir el análisis ahorran media hora de resultados inútiles.
Qué gráficos produce el agente y con qué fondo
Antes de revisar, conviene saber qué se puede pedir y con qué garantías. El agente de análisis del libro trabaja sobre archivos de hojas de cálculo y produce desde resúmenes numéricos hasta visualizaciones pasables de gráficos interactivos.
La visualización en las distintas plataformas
El capítulo distingue las capacidades según el entorno: la generación nativa de gráficos en la plataforma que lo integra con ejecución de código —que además puede calcular, correlacionar y proyectar— y la alternativa que produce el gráfico como documento HTML interactivo, menos potente en el cálculo pero mejor redactando el informe que lo acompaña. La elección no es estética: si lo que necesitas es revisar y presentar, el documento acompaña; si lo que necesitas es explorar datos grandes, el motor de cálculo pesa más.
Antes del gráfico, los datos
La revisión empieza antes de que exista el gráfico: si la hoja tiene fechas en tres formatos distintos, columnas sin nombre o filas vacías, el análisis sale mediocre porque el agente no entiende qué está mirando. La recomendación del libro es pedir la limpieza como paso propio: quitar duplicados, estandarizar fechas a un formato único, rellenar huecos con la media de la columna cuando proceda. Y después, sobre los datos limpios, pedir el análisis. Un gráfico construido sobre una hoja sucia convence igual de bien y vale igual de poco.
Revisar el gráfico en cinco pasos
Una vez generado, el gráfico se revisa igual que se revisa una cifra: contra su origen, no contra su aspecto. Estos cinco pasos ordenan esa revisión de forma repetible.
Paso 1: pedirá cifras exactas, no redondeos
El ajuste más eficaz está en las instrucciones del agente: que cite la fila o columna exacta de donde extrae cada cifra y que no redondee, usando el valor exacto. Sin esa regla, los modelos tienden a aproximar sin avisar, y las diferencias pequeñas —pero reales— entre dos gráficos comparados pueden desaparecer en el redondeo. Cuando una cifra te sorprenda, el capítulo es rotundo: verifica en el original antes de repetirla.
Paso 2: comprobar la cita de origen
Con la regla de cita activada, la revisión se vuelve mecánica: cada cifra del gráfico debería poder rastrearse hasta una fila o columna concreta de la hoja original. Ese rastreo no es burocracia: es la diferencia entre un hallazgo que puedes defender en una reunión y uno que depends de que nadie pregunte por su origen. Si el agente no puede citar una cifra, el hallazgo correspondiente se queda sin verificar y no entra en el informe.
Paso 3: distinguir proyección de predicción
Los gráficos que extrapolan el futuro merecen su propio cuidado. El capítulo subraya la diferencia: una proyección asume que el futuro seguirá siendo como el pasado, una línea de tendencia matemática sobre los datos ya observados; una predicción tendría en cuenta estacionalidad, cambios de mercado y acciones de la competencia. El agente hace proyecciones, no predicciones, y conviene leerlas como lo que son: una extrapolación, no una lectura del futuro. A la hora de presentarla, el rótulo importa: una tendencia etiquetada como proyección —con su nota de que es una extrapolación— evita que la audiencia lea certeza donde solo hay una recta dibujada sobre el pasado.
Paso 4: exigir el nivel de confianza
La instrucción del analista que propone el libro incluye una regla que enlaza con los gráficos: clasificar cada hallazgo por nivel de confianza —alto si el dato es directo, medio si es estimación, bajo si es suposición—. Aplicado a una visualización, ese nivel se declara en el propio gráfico o en su nota: los datos directos se muestran con el valor exacto y la cita; las estimaciones se marcan; las suposiciones no se presentan como hallazgos. La audiencia puede entonces ponderar qué está mirando sin interpretar por su cuenta la fiabilidad de cada barra.
Paso 5: convertir hallazgos en decisiones accionables
El último paso del capítulo enlaza el gráfico con la decisión: cada hallazgo debe incluir qué dice el dato, qué significa y qué acción sugiere. La instrucción del analista del libro ya lo pide así como regla: cada hallazgo en formato de tabla con columnas de hallazgo, cifra, interpretación y acción sugerida. En la revisión, comprueba que la interpretación sigue a la cifra y no al revés: la cifra citada en la hoja, el significado razonado sobre ella y la acción derivada de forma explícita. «Las ventas bajaron» es un hallazgo; la diferencia la marca que el informe diga qué hacer a continuación.
También en tu escritorio: el flujo semanal
El capítulo conecta el análisis con el sistema de automatización para que la revisión llegue sola: un disparador con horario fijo, la lectura de la hoja o del archivo exportado, el paso de IA que aplica las instrucciones del analista y la entrega del informe por correo o mensaje. La escena que describe —despertarse con el análisis de la semana anterior sin abrir la hoja de cálculo, sin mirar fórmulas y sin construir tablas dinámicas— es la versión rutinizada de todo lo anterior: la revisión estructurada de este tutorial se aplica igualmente a ese informe automático, con la ventaja de que el horario fijo invita a convertirla en hábito semanal de lectura crítica. La velocidad del agente no cambia el deber de revisar; solo reduce el tiempo que la revisión necesita.
El análisis con preguntas en tu idioma
La otra revolución que describe el capítulo es la de la entrada: ya no hace falta saber construir la consulta técnica, basta saber qué quieres saber. Preguntas del estilo de qué producto se vende más un día concreto de la semana, o qué clientes muestran mayor riesgo de abandonar, se responden subiendo el archivo y escribiendo la pregunta en lenguaje natural, frente a la secuencia manual tradicional de tablas dinámicas, filtros y cruces que exigía dominar la herramienta. La habilidad que sí sigue siendo tuya es la primera: qué preguntar, que es la que conoces por trabajar con esos datos cada día. Para la revisión del gráfico, esto añade una ventaja silenciosa: si puedes preguntar en tu idioma, también puedes pedir aclaraciones al mismo agente —qué representa cada eje, de qué filas salió cada barra— sin salir de la conversación.
Paso 6: comparar, detectar anomalías y correlacionar
El repertorio del analista del libro va más allá del resumen, y conviene conocerlo para pedir el gráfico correcto desde el principio. La comparación temporal encarga periodo contra periodo con variaciones y tendencia; la detección de anomalías busca los valores que se salen del patrón —cifras que en un gráfico de línea aparecen como puntos descolgados y merecen explicación antes de presentarse—; y la correlación pregunta qué variables se mueven juntas, con la cautela de siempre: que dos series se muevan juntas no demuestra que una cause la otra. Pedir el tipo de análisis por su nombre produce gráficos más útiles que pedir «un análisis» a secas, porque el agente sabe qué ventaja temporal, qué serie y qué cruce representar.
Los cuatro fallos típicos y cómo salir de cada uno
El capítulo recoge los síntomas más repetidos del agente de análisis y su corrección. Antes de reinventar el flujo, comprueba estos cuatro: cubren la mayoría de los casos.
Cifras inventadas o aproximadas
Es el fallo que más daño hace a un gráfico. La instrucción que lo corrige es la del paso 1: cita la fila exacta y no redondees. Los modelos rellenan huecos con valores plausibles cuando no se les declara la regla, y un valor plausible puede arruinar el hallazgo más sólido. Si tras aplicar la regla persiste alguna cifra sin cita, se retira del informe: sin trazabilidad, sin publicación.
Hallazgos obvios o superficiales
«Analiza estos datos» produce respuestas genéricas; la calidad del análisis depende de la calidad de la pregunta. El contraste que propone el capítulo es pedir hallazgos delimitados y con intención —los tres productos con más margen de mejora y por qué, en lugar de un análisis general—. La instrucción concreta convierte una respuesta inútil en una revisable.
El archivo no se procesa o tarda demasiado
Dos síntomas con la misma causa: el archivo es demasiado grande o tiene un formato no soportado. La solución del libro es exportar a formato más universal y ligero, o filtrar antes de subir —si solo necesitas el último trimestre, sube solo el último trimestre, no todo el año—. El gráfico que tarda en generarse no mejora por esperar: se genera a partir de menos datos, mejor elegidos.
Datos sensibles en la nube
El aviso del capítulo es una regla, no una sugerencia: no subir datos confidenciales a la versión gratuita de las plataformas de IA, porque pueden usarse para entrenar. Si los datos son sensibles, la alternativa es la versión de pago —donde según la política actual no se usan para entrenar— o un modelo local. Y a la hora de publicar resultados, la referencia es la misma: sin rastreabilidad del dato, el gráfico no se presenta.
Un informe con cifras que se pueden defender
El método completo termina en un informe donde cada gráfico puede responder cuatro preguntas: de qué fila o columna salió cada cifra, si es un dato directo o una estimación, si la tendencia es proyección o predicción, y qué acción sugiere. El capítulo 14 demuestra que esa trazabilidad no ralentiza el análisis: lo hace presentable. La velocidad del agente —lo que un analista humano resumía en horas, el agente lo produce en segundos— sigue siendo su ventaja; la revisión estructurada de los gráficos es lo que convierte esa velocidad en algo que puedes defender delante de otros.
Para ampliar el contexto de esta revisión, dos lecturas del mismo ecosistema: la guía sobre por qué tu próximo colaborador de IA merece método, no solo acceso y la ficha de ChatGPT 2026 como libro del sistema de trabajo real. Ambas abordan el mismo problema desde ángulos distintos: qué criterios aplican cuando la IA produce trabajo que otro va a leer, revisar y decidir.
Cuándo un gráfico está listo para presentarse
Un gráfico generado por el agente está listo para cruzar una reunión cuando pasa tres comprobaciones finales. Primero, el título dice lo que la gente verá y no lo que el autor esperaba que se viera: «ventas del trimestre por canal» es un título; «la estrategia funciona» es una conclusión que el gráfico no puede sostener por sí solo. Segundo, la evidencia que aporta es la misma que la persona necesita contestar: si la pregunta de la reunión es si se debe abrir una línea nueva, un gráfico de evolución histórica sin comparar escenarios deja la decisión igual de desatendida que estaba antes de abrir el archivo. Tercero, los datos del gráfico se pueden rastrear hasta el origen: si alguien pregunta «¿de dónde salió esta serie?», la respuesta no puede ser «el agente lo preparó», sino la celda, el archivo o la consulta concreta.
Ese tercer punto es el que más se olvida precisamente porque el gráfico parece terminado. Un gráfico de IA con datos correctos pero sin rastro de origen es tan inutilizable como uno con un error evidente, porque la persona que lo presenta no puede defender la serie si la cuestionan. Antes de pasar el gráfico a cualquier diapositiva o documento, anota en el propio archivo: qué datos entran, de qué fecha, de qué sistema y con qué transformaciones se han aplicado. Si esa línea no existe, el gráfico no está listo: está bonito, pero no está listo.
La prueba más honesta para decidir si un gráfico entra o no es imaginar la pregunta más incómoda de la reunión y comprobar si el gráfico responde algo. Si la pregunta es «¿qué pasa con las ventas cuando subo el precio el 5 %?» y el gráfico solo muestra el pasado sin proyección ni escenario, el gráfico es una descripción histórica: no está preparado para sostener esa decisión. O se prepara un escenario complementario con supuestos explícitos, o se retira el gráfico de la conversación. Un gráfico que se defiende parcialmente puede producir más confusión que uno que se retira: obliga a la audiencia a decidir con la mitad de la información mientras cree que tiene la completa. Esa mitad invisible, presentada como si fuera todo, es el fallo más caro de este tipo de gráficos.
Qué registrar antes de aceptar cualquier gráfico
La revisión del gráfico deja rastro, igual que la de los datos. En el archivo donde se guardan los entregables conviene anotar tres cosas junto a cada gráfico aceptado: la fuente exacta de los datos que entra, la fecha de consulta y las transformaciones aplicadas —ordenar, filtrar, agrupar, renombrar columnas— antes de que el agente construyera la figura. Ese registro de tres líneas no es burocracia: es la diferencia entre un gráfico que se puede rehacer en cinco minutos cuando alguien lo cuestiona y uno que obliga a repetir todo el proceso. Y también es lo que permite comparar versiones: si el gráfico del lunes y el del viernes muestran cifras distintas, el registro dice si cambió el dato o la transformación, y con eso se sabe de dónde viene la discrepancia. El método no pide más registro del que una persona prudente ya mantendría con cualquier herramienta: lo que cambia es que, con un agente produciendo gráficos en segundos, el volumen de revisión crece hasta el punto de que la memoria ya no basta y el registro corto se convierte en la única forma sostenible de responder por lo que se presenta.
El coste de no revisar: la cifra que nadie rastrea
Los cuatro fallos típicos de esta sección comparten raíz: la apariencia de madurez del gráfico sobrepasa lo que en realidad demuestra. En los cuatro casos, la corrección no pasa por pedir otro gráfico sino por la revisión de datos: en el eje temporal mal calculado, comprobar qué serie entró y si el intervalo es el que se pretende; en el gráfico con series que no se pueden comparar, sustituir por una tabla con los datos crudos y la misma conclusión visual; en el que mezcla datos correctos y series inventadas, comparar cada valor contra el origen, celda a celda, antes de descartar o aceptar el gráfico completo. El agente no es la parte del flujo que decide: es la parte que produce la primera versión, para que la persona revise, corrija y firme. Cuando esa repartición se mantiene, el gráfico del agente es una herramienta útil; cuando se invierte, el gráfico es un pasaporte para una decisión sin base. El coste real no aparece el día del error: aparece semanas después, cuando alguien repite en otra reunión la cifra que nadie rastreó y ya no hay forma de responder por ella sin repetir todo el trabajo.
Agentes IA para Profesionales 2027
Crea y entrena tu empleado digital en 21 días. Enséñale cómo trabajas, automatiza tareas y multiplica tu productividad.
Ficha, disponibilidad y condiciones actuales en Amazon; revísalas antes de decidir.
