Durante siglos, las matemáticas han avanzado gracias a una combinación de intuición, creatividad y paciencia. Algunos problemas han requerido generaciones enteras de investigadores, mientras que otros han permanecido sin respuesta durante décadas. Pero esa forma de construir conocimiento acaba de enfrentarse a un desafío difícil de imaginar hace apenas unos años.
El 6 de octubre, OpenAI publicó una colección de cientos de trabajos matemáticos elaborados por uno de sus modelos más avanzados. Entre ellos había propuestas de solución para problemas que llevaban años, e incluso décadas, resistiéndose a los mejores especialistas.
La reacción de una parte de la comunidad científica no fue de celebración, sino de preocupación. Porque lo que está en juego ya no es únicamente si una inteligencia artificial puede resolver problemas extremadamente difíciles, sino qué ocurre cuando empieza a producir conocimiento más rápido de lo que los seres humanos pueden analizarlo y comprenderlo.
Cientos de resultados en cuestión de días y una comunidad científica desbordada
Según el repositorio oficial publicado por OpenAI, la compañía presentó inicialmente 719 manuscritos agrupados en 372 familias de resultados matemáticos. La colección abarca teoría de números, geometría, ecuaciones diferenciales, probabilidad y otras disciplinas.
Algunos trabajos incluyen demostraciones formalizadas mediante Lean, un sistema informático capaz de verificar que determinados razonamientos cumplen reglas lógicas estrictas. Sin embargo, muchos otros todavía deben someterse a una revisión exhaustiva.
La distinción es fundamental: publicar una demostración no significa automáticamente que sea correcta. De hecho, OpenAI ya ha tenido que retirar tres manuscritos relacionados con una demostración que contenía un error y revisar otros catorce trabajos.
El anuncio llegó menos de un mes después de que la compañía presentara una posible solución al problema de Navier-Stokes, uno de los siete Problemas del Milenio establecidos por el Instituto Clay en el año 2000.
Ese desafío, relacionado con el comportamiento matemático de los fluidos, llevaba décadas sin resolverse. El modelo de OpenAI propuso que determinadas soluciones pueden desarrollar singularidades en un tiempo finito, y acompañó el trabajo con una formalización matemática.
El Instituto Clay reconoció la importancia del anuncio, pero aclaró que el reconocimiento formal de una solución exige un proceso de evaluación y aceptación por parte de la comunidad científica.
No estamos, por tanto, ante cientos de teoremas definitivamente validados, sino ante una avalancha de resultados potencialmente extraordinarios cuya importancia todavía se está determinando.
El miedo de los matemáticos no es perder sus trabajos, sino perder algo mucho más importante
Uno de los investigadores que ha expresado públicamente su inquietud es Hugo Duminil-Copin, ganador de la Medalla Fields en 2022. El matemático ha participado en el debate sobre lo que considera una desalineación entre los objetivos de los sistemas de inteligencia artificial y las necesidades reales de la investigación matemática. Su preocupación no consiste únicamente en que las máquinas puedan resolver problemas antes que los humanos.
La cuestión es qué sucede con el proceso de descubrimiento. Una demostración matemática puede ser valiosa por su conclusión, pero también por los métodos que introduce, las conexiones que revela y las nuevas preguntas que permite formular.
El Grupo Asesor sobre Matemáticas e Inteligencia Artificial (AGMAI) ha advertido de que publicar resultados no equivale a incorporarlos al conocimiento humano. Para conseguirlo, los investigadores deben comprenderlos, revisarlos y relacionarlos con el resto de las matemáticas. Es una preocupación que podría extenderse rápidamente a otras disciplinas científicas.
La IA está haciendo más productivos a los científicos, pero hay una consecuencia inesperada
Un estudio publicado en Nature en enero de 2026 analizó 41,3 millones de artículos científicos y encontró una paradoja. Los investigadores que utilizaban herramientas de IA publicaban aproximadamente tres veces más trabajos y recibían casi cinco veces más citas que quienes no las utilizaban. Sin embargo, el análisis también detectó que la variedad de temas investigados se reducía.
La explicación propuesta es que los modelos tienden a favorecer problemas para los que existen grandes cantidades de datos y resultados fácilmente medibles. Eso puede impulsar la productividad individual, pero también concentrar los esfuerzos científicos en territorios ya explorados. El riesgo a largo plazo es una ciencia que descubra cada vez más cosas, pero que dedique menos recursos a las preguntas difíciles de anticipar.
Los investigadores humanos podrían terminar desempeñando un papel diferente: comprobar, interpretar y organizar descubrimientos producidos inicialmente por sistemas artificiales.
La gran revolución de la IA en la ciencia quizá no consista en que las máquinas aprendan a responder nuestras preguntas. Podría llegar cuando comiencen a ofrecer tantas respuestas que necesitemos reinventar la manera de hacer ciencia para entenderlas.
Deja una respuesta