Entangle: una hoja de cálculo donde cada fila es código
Una S-expression es una lista entre paréntesis donde el primer elemento es una función y el resto son sus argumentos: (+ 1 2 3). Sobre esa pieza mínima, la misma que sostiene a Clojure, se apoya Entangle, un prototipo publicado en el blog lisper.cc que propone reemplazar las celdas de una hoja de cálculo por expresiones evaluadas en un servidor remoto y de forma asíncrona. La diferencia con el techo de 1.048.576 filas de Excel que recuerda SiliconANGLE no es de capacidad: es de arquitectura.
Para un founder, la pregunta que abre este experimento es incómoda. Si cada fila de una tabla puede llamar a una función que vive en otro lado —un Lambda, un microservicio, un agente con LLM—, ¿qué parte de tu producto sigue necesitando una grilla y qué parte necesita, en realidad, un motor de ejecución?
Qué es la S-Matrix y cómo se evalúa una fila
El autor formaliza la idea con una matriz S en la que el primer elemento de cada fila es siempre una función y el resto de las celdas son símbolos, valores o expresiones anidadas. Una fila con n elementos se resuelve aplicando la función de la primera celda al resto, y el resultado se escribe en una columna nueva al final.
¿Y esto cómo se aplica en tu negocio?
Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.
👥 Quiero el Kit →La matriz completa, entonces, no es más que una lista de listas:
'((+ 1 2 3) (max 10 10 (+ 20 10)) (avg 10 (compute-discount 100) (/ 10 2)))
Esa lista se envía a un evaluador de S-expressions externo que tiene su propia biblioteca de funciones. El evaluador no sabe ni le importa de dónde vino la fila: recibe expresiones y devuelve valores. En el prototipo, la interfaz es una única página HTML y, al pulsar el botón compute, el cliente manda las expresiones al backend; los resultados vuelven por websocket, de manera que cada fila puede tardar lo suyo sin bloquear a las demás.
Esa asincronía no es un detalle cosmético. Es lo que permite que una columna entera se procese en paralelo y que una fila dependa de un servicio que tarda segundos o minutos.
Tres ejemplos que muestran el potencial
Costos de envío. Una tabla con find-fees como función de fila, el total del carrito, el nivel del cliente y el código postal. La función puede ser una Lambda remota con lógica arbitraria: eximir el envío en ciertos códigos postales, consultar la fecha y hora actual o usar un LLM para decidir el cargo. El autor muestra además que la función puede ir inline, con un cond que devuelve un valor según el nivel del cliente.
Saldos bancarios. Una matriz donde bank1-balance, bank2-balance, bank3-balance y hsa-balance consultan cada uno su cuenta. La tabla deja de ser una foto estática y pasa a representar el saldo real, con funciones remotas y asíncronas.
Verificación de documentos. Una matriz de validación donde la primera columna es el tipo de documento y la última, el veredicto. driver-license recibe nombre, estado y vencimiento, y devuelve si el documento es válido. El autor señala que esa matriz probablemente la generó un proceso de extracción de documentos, y ahí aparece la idea de fondo: cuando el código es dato, la tabla se puede generar, mover y auditar como cualquier otro artefacto.
Por qué la hoja de cálculo vuelve a ser territorio de startups
El experimento de lisper.cc no sale en el vacío. En septiembre de 2026, Databricks adquirió Row Zero, una startup de Seattle fundada en 2021 por ex ingenieros de AWS que construyó una hoja de cálculo capaz de manejar hasta 1.000 millones de filas, según SiliconANGLE. El monto no se divulgó. TechCrunch reportó que Row Zero había levantado US$10M en mayo de 2025, con una valoración estimada de US$40M en ese momento según PitchBook.
La lógica del comprador es explícita. El CEO Ali Ghodsi escribió que las hojas de cálculo son una interfaz que todo analista de negocio ama, y que por eso tiene sentido casar inteligencia de negocio, agentes y hojas de cálculo, según recogió TechCrunch. GeekWire añadió el contexto de escala: Databricks cerró una ronda de US$5.000M liderada por Coatue que la valoró en US$190.000M y superó los US$7.000M de ingresos anualizados, con un crecimiento superior al 80% interanual.
Dos datos más para calibrar el momento. La compañía atiende a más de 20.000 organizaciones, incluido el 70% del Fortune 500, según declaraciones del CEO de Row Zero recogidas por GeekWire. Y en el primer trimestre de 2026 se invirtieron US$300.000M en 6.000 startups del mundo, con el 80% del capital de riesgo global yendo a IA, según datos de Crunchbase que publica CRN.
La lectura es clara: la grilla no desaparece, se convierte en la interfaz. Lo que se mueve debajo es la capa de ejecución.
Qué gana un equipo que adopta este modelo
- Cálculo donde corresponde. Una fórmula que hoy corre en el navegador del analista puede correr en un servidor con acceso a datos, credenciales y librerías.
- Una sola abstracción para backends distintos. La misma celda puede apuntar a un Lambda, a un endpoint REST o a un agente con LLM sin que el usuario aprenda tres herramientas.
- Trazabilidad por construcción. Cada resultado queda atado a la expresión que lo produjo y a sus argumentos. Es un log de auditoría sin esfuerzo extra.
- Versionado real. Si la matriz es una lista de expresiones, se puede guardar en Git, comparar con un diff y testear como código.
El autor menciona tres antecedentes: Cells-gtk en Common Lisp, el lenguaje Zen de Gorules que ejecuta fórmulas sobre un motor de JavaScript V8, y las tablas de org-mode, que según él son bastante más potentes que las hojas de cálculo basadas en interfaz gráfica, aun con operadores infijos.
Los riesgos que nadie debería ignorar
Evaluar expresiones que llegan del cliente en un servidor es, por definición, ejecución remota de código. El prototipo es un experimento y su autor lo presenta como tal; llevarlo a producción exige sandboxing, listas blancas de funciones y límites de tiempo y memoria.
Hay tres frentes más. El primero es la idempotencia: si una fila llama a un servicio externo y se reintenta, necesitas saber si el efecto ya ocurrió. El segundo es el costo por fila: una columna de miles de filas que invoca un LLM son miles de inferencias, y el texto no aborda ese punto. El tercero es la reproducibilidad: una función que lee la fecha actual devuelve algo distinto mañana, así que conviene capturar el contexto de ejecución junto al resultado.
¿Qué significa esto para tu startup?
La idea es fácil de descartar como curiosidad de lenguaje. Es un error. Casi cualquier producto SaaS con datos tabulares termina construyendo, sin decirlo, un motor de ejecución de fórmulas: reportes de comisiones, cálculo de impuestos, scoring de leads, verificación de documentos. Entangle propone una forma más limpia de hacerlo.
Acciones concretas para esta semana:
- Haz el inventario de fórmulas escondidas. Lista los cálculos que hoy viven en el front, en un script o en la cabeza de un analista. Elige uno y conviértelo en una función con nombre, versión y endpoint propio. Empieza por el que más se rompe.
- Diseña el registro de ejecución antes que la interfaz. Para cada resultado guarda la expresión, las entradas, la versión de la función y el timestamp del servidor. Cuando metas agentes con LLM en el flujo, ese registro será lo único que te permita explicar por qué el sistema dijo lo que dijo.
- Acota el alcance. Un caso cerrado —calcular tarifas de envío o validar documentos— es mejor piloto que rehacer toda la hoja de cálculo. El prototipo del autor funciona con un CSV de tres filas y una función por fila; eso ya valida la arquitectura.
- Mide el costo y la latencia antes de escalar. Modela precio por fila con el volumen real. Si el cálculo necesita un modelo, pregúntate si hace falta en cada fila o solo en las que superan un umbral.
Conclusión
Entangle no es un producto ni pretende serlo: es una demostración de que la hoja de cálculo puede dejar de ser un contenedor de valores para convertirse en una lista de expresiones evaluadas donde convenga. La compra de Row Zero por Databricks muestra que los grandes ya pelean por ese territorio, pero desde el otro extremo: la interfaz. La oportunidad para una startup pequeña no está en rehacer Excel, sino en apropiarse del patrón —expresión, ejecución remota, resultado trazable— y aplicarlo a un dominio vertical donde nadie lo hizo todavía.
Fuentes
- lisper.cc — Sexp Matrix / Entangle (fuente original)
- TechCrunch — Databricks buys Row Zero and is scouting for more startups to acquire
- SiliconANGLE — Databricks acquires spreadsheet startup Row Zero to enhance its AI capabilities
- GeekWire — Seattle startup Row Zero acquired by Databricks
- CRN — The 10 Hottest AI Startups of 2026 (So Far)
¿Y esto cómo se aplica en tu negocio?
Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.
👥 Quiero el Kit →













