Clasificación de texto en Google Sheets: la función =AI() vs Apps Script → API Jev

Casi todas las tareas de clasificación en una hoja tienen la misma forma: una columna de texto libre (respuestas de encuestas, formularios, mensajes de soporte, reseñas), una lista corta de categorías y una columna nueva que debe contener exactamente una de ellas por fila. Los extras útiles son una columna de confianza, una marca de “revisar” y una columna con etiquetas manuales en una muestra para comprobar el resultado. En Google Sheets hay tres formas realistas de rellenar esa columna: la función AI integrada, un Apps Script que llama a una API externa como JevModel, o exportar un CSV, clasificarlo fuera y pegar los resultados.

La ayuda de Google describe la sintaxis AI("prompt", [rango opcional]); =Gemini() es un nombre equivalente. Seleccionas las celdas y pulsas Generate and Insert, o Refresh and Insert para regenerar. Los ejemplos de Google incluyen clasificar una consulta como elogio, solicitud de cambio o devolución, y clasificar correos como positivos, negativos o neutros. Para clasificar importan los límites documentados: solo devuelve texto; la función solo ve el rango que le pasas, no toda la hoja; no puede ir dentro de otra fórmula (el ejemplo no admitido de Google envuelve AI() en IF); solo se generan las primeras 350 celdas AI seleccionadas cada vez; hay límites de generación a corto y largo plazo; y el acceso depende del plan, la configuración del administrador y el idioma. Fortalezas: cero configuración en cuentas aptas y un prompt en lenguaje natural que cualquiera puede editar. Límites: la salida es texto libre, así que el label puede variar (“Return”, “return request”, “Returns”) si el prompt y un paso de limpieza no fuerzan valores exactos, y no hay columna de probabilidad por label para fijar un umbral de revisión.

Apps Script puede llamar cualquier API HTTPS con UrlFetchApp, y la guía de funciones personalizadas de Google confirma que URL Fetch es uno de los servicios permitidos. Aun así, no es el lugar para una llamada de clasificación que se cobra por uso. Una función personalizada debe responder en 30 segundos o la celda muestra #ERROR!; cada uso es una llamada separada al servidor de Apps Script; y se recalcula cuando cambia una celda referenciada, de modo que una edición puede volver a clasificar (y pagar) la misma fila sin que lo notes. Un elemento de menú personalizado lo evita: el script corre una vez al pulsarlo, lee las filas seleccionadas, llama a JevModel y escribe el label y la probabilidad como valores fijos que no se recalculan. Planifica con los límites publicados por Google: 6 minutos por ejecución y cuotas de URL Fetch de 20.000 llamadas/día en cuentas personales y 100.000/día en Google Workspace (Google advierte que pueden cambiar). Trabaja con selecciones que terminen en una ejecución. Guarda la clave de JevModel en Project Settings → Script properties, no en una celda, y recuerda que quien puede editar la hoja también puede editar su script vinculado: limita los editores.

La tabla compara la forma del flujo y el contrato de salida, no la precisión. Ninguna fila es un benchmark; mide con tu propia muestra etiquetada.

Abre Extensions → Apps Script, pega el código, crea una propiedad de script llamada JEVMODEL_API_KEY con una clave de JevModel Console → API keys y recarga la hoja. Selecciona las celdas de texto de una columna y elige Jev → Classify selected rows; el label y su probabilidad se escriben en las dos columnas siguientes. La petición sigue el contrato documentado: un state (el texto de la celda) y preguntas con nombre, aquí un Choice cuyos criteria asignan IDs de label a definiciones cortas. Las definiciones claras, con un “other” explícito, importan más que la redacción ingeniosa. El sitio fija el modelo typesafe/jev-1.13 vía OpenRouter, así que no hay campo model. JevModel es independiente de TypeSafe AI, que desarrolla Jev. Un code distinto de cero (por ejemplo INSUFFICIENT_TOKENS) se escribe como ERROR para que relances solo esas filas; la API no tiene clave de idempotencia, así que no relances filas que ya tienen label.

// Illustrative only. Save the key as the script property JEVMODEL_API_KEY.
// Run from the menu, not as a custom function, so edits never re-bill rows.
const LABELS = {
  billing: "Charges, refunds, invoices or payment methods.",
  shipping: "Delivery status, delays or address changes.",
  product: "How the product works, or a defect report.",
  other: "Anything that fits none of the labels above.",
};

function onOpen() {
  SpreadsheetApp.getUi()
    .createMenu("Jev")
    .addItem("Classify selected rows", "classifySelection")
    .addToUi();
}

function classifySelection() {
  const key = PropertiesService.getScriptProperties().getProperty("JEVMODEL_API_KEY");
  const sheet = SpreadsheetApp.getActiveSheet();
  const range = sheet.getActiveRange(); // one column of text cells
  const rows = range.getValues().map(([text]) => {
    if (!text) return ["", ""];
    const res = UrlFetchApp.fetch("https://jevmodel.app/api/v1/systemone", {
      method: "post",
      contentType: "application/json",
      headers: { Authorization: "Bearer " + key },
      muteHttpExceptions: true,
      payload: JSON.stringify({
        state: String(text),
        questions: {
          route: {
            type: "choice",
            instructions: "Which support queue should handle this message?",
            criteria: LABELS,
          },
        },
      }),
    });
    const body = JSON.parse(res.getContentText());
    if (body.code !== 0) return ["ERROR", body.message];
    const answer = body.data.answers.route;
    const p = answer.probabilities ? answer.probabilities[answer.choice] : "";
    return [answer.choice, p];
  });
  // Plain values in the next two columns: label, probability.
  sheet.getRange(range.getRow(), range.getColumn() + 1, rows.length, 2).setValues(rows);
}

Una hoja de cálculo facilita la evaluación, así que hazla. Antes de clasificar toda la hoja, etiqueta a mano una muestra aleatoria de filas en otra columna, ejecuta la misma pregunta y compara con COUNTIFS o una tabla dinámica: concordancia por label y qué labels se confunden. Luego define una regla de revisión con esa muestra, por ejemplo “si la probabilidad está por debajo del nivel donde hubo más desacuerdos, a revisión”, y añade una columna como =IF(C2<0.7,"review","ok"); 0,7 es un marcador, no una recomendación. Mantén el label “other” y trata una proporción alta de “other” como señal de que la lista de labels necesita trabajo, no como fallo del modelo. La confianza de Choice que describe TypeSafe, (p − 1/n)/(1 − 1/n), corrige por el número de labels, pero tampoco es precisión calibrada. Revisa la muestra cada vez que cambies labels o definiciones.

Elige =AI() si ya tienes un plan apto, la hoja es una exploración puntual y alguien leerá los resultados de todos modos. Elige el menú Apps Script → Jev si reutilizas el mismo conjunto de labels, quieres una columna de probabilidad para decidir qué se revisa, o los labels deben coincidir con los que ya usa otra automatización (Zapier, Make, n8n, Power Automate, Pipedream o tu app) con la misma API. Elige CSV → Console → Batch si quieres labels de Jev sin programar, o probar una pregunta con un archivo pequeño. Lista para cualquier camino: 1) define labels con un “other” explícito; 2) etiqueta una muestra a mano; 3) guarda los labels aceptados como valores, no como fórmulas vivas; 4) no pongas claves de API en celdas; 5) no afirmes una precisión que no hayas medido en esa muestra. Si una fila puede tener varios labels, consulta multi-label-text-classification en lugar de forzar un solo Choice.