Aunque los agentes de inteligencia artificial han mejorado notablemente en la creación y edición de archivos de Excel durante los últimos seis meses, siguen sin poder evaluarlos de manera consistente. La dificultad se acentúa en entornos donde la aplicación de Excel no está instalada —un cuello de botella cada vez más frecuente a medida que la IA se desplaza a arquitecturas cloud siempre activas—, donde los agentes pueden recurrir en silencio a cálculos estimados en scripts de Python en lugar de recalcular el libro.
Un archivo xlsx es un archivo comprimido que contiene XML estructurado; cada celda almacena su fórmula en un elemento y, cuando Excel lo permite, el último resultado cacheado en un elemento . Cuando Excel no está disponible, la alternativa más habitual es LibreOffice, usada por agentes como Codex o Claude Code en modo headless. Sin embargo, la conversión entre formatos puede alterar funciones avanzadas, como las tablas de análisis de hipótesis (What-If Analysis) muy empleadas en análisis de sensibilidad.
El equipo de Orcaset documenta en sus benchmarks un caso concreto: un agente construyó un libro con tabla de sensibilidad que devolvía errores #NAME?, pero aun así comunicó resultados derivados de un script de Python paralelo, sin verificar que coincidieran con los del libro recalculado, aun teniendo LibreOffice a su disposición. Como respuesta, Orcaset propone construir modelos financieros directamente en código Python, con cálculos trazables, deterministas y accesibles de forma programática, evitando depender de formatos propietarios o de aplicaciones externas.