Capital de Tokens
El debate sobre inteligencia artificial y matemáticas acaba de pasar de los exámenes y las olimpiadas a un terreno mucho más incómodo: ¿qué ocurre cuando las máquinas empiezan a resolver preguntas que los científicos llevaban décadas intentando comprender?
En You Truly Don’t Understand What Just Happened to Mathematics, publicado el 9 de octubre de 2026, el profesor Giordano Scarciotti propone una distinción crucial. El valor de las matemáticas no está solamente en alcanzar una respuesta correcta. También reside en las ideas, teorías, conexiones y generaciones de investigadores que se forman mientras buscan esa respuesta.
Su inquietud no debe despacharse como miedo al progreso. Pero tampoco demuestra que la IA vaya a destruir las matemáticas. Para evaluar el argumento hay que separar capacidad de resolver, validez de las pruebas, comprensión, impacto científico e incentivos humanos.
Tesis editorial: la IA está desplazando el cuello de botella de la investigación matemática. Encontrar una solución puede hacerse mucho más barato; verificar su alcance, entender por qué funciona y convertirla en teoría fértil puede convertirse en el trabajo más difícil.
Qué ocurrió realmente en 2026
El 6 de octubre OpenAI publicó resultados matemáticos generados con un modelo interno. La presentación técnica de la colección describía 722 manuscritos organizados en 372 familias de resultados, con materiales de apoyo y formalizaciones en Lean para una parte de las pruebas. OpenAI también compartió diez resúmenes abreviados de razonamiento y estimaciones de cómputo.
Es imprescindible no traducir eso por «722 problemas históricos resueltos y aceptados». Un manuscrito no equivale automáticamente a un teorema nuevo; varias versiones pueden referirse a una misma familia; y la revisión independiente de novedad, corrección y relevancia requiere tiempo.
Un mes antes, el 8 de septiembre, OpenAI presentó una propuesta de solución del problema de Navier–Stokes. El Clay Mathematics Institute reconoció el carácter extraordinario del anuncio y, al mismo tiempo, recordó que su evaluación formal es deliberadamente pausada. Al 17 de octubre de 2026, Clay seguía clasificando Navier–Stokes como problema activo, no como premio adjudicado.
La situación importa porque podemos sostener dos ideas simultáneamente: la aceleración de la capacidad matemática de la IA es significativa, y el estado de validación de cada resultado no puede inferirse de un anuncio.
Primera intuición de Scarciotti: las respuestas son sólo una parte del descubrimiento
Scarciotti recurre, entre otros ejemplos, a los siete puentes de Königsberg y a la carrera espacial. La idea es que ciertas preguntas funcionan como motores de nuevas herramientas: al intentar resolverlas construimos conceptos que sobreviven al problema original.
En matemáticas, esto sucede constantemente. Una prueba puede interesar menos por el «sí» o el «no» final que por el lema inesperado, una nueva representación geométrica o una técnica aplicable a otros campos.
Lo que el video acierta: si sólo recompensamos el marcador de problemas cerrados, podemos ignorar el proceso que produce conocimiento reutilizable.
Lo que necesita matiz: una prueba creada por IA también puede contener un método nuevo. Que el humano no lo haya descubierto primero no impide reconstruirlo, enseñarlo y aprovecharlo. La distinción importante no es «autor humano frente a autor artificial», sino resultado aislado frente a idea que otros pueden comprender y extender.
La historia ofrece precedentes útiles: el cálculo simbólico, la computación científica y las pruebas asistidas por ordenador cambiaron el oficio sin acabar con él. Pero las comparaciones históricas tampoco prueban que la escala y velocidad actuales sean inocuas.
Segunda intuición: ¿qué significa comprobar un teorema con Lean?
Lean es un asistente de pruebas: permite expresar proposiciones y argumentos en un lenguaje formal, y su núcleo comprueba que los pasos siguen las reglas correspondientes.
Esto puede aportar una garantía lógica muy fuerte sobre el enunciado efectivamente formalizado y las hipótesis utilizadas. Sin embargo, no asegura por sí solo que:
- el teorema formal represente exactamente la afirmación en lenguaje natural;
- las hipótesis escogidas reflejen el problema que la comunidad pretendía resolver;
- la novedad o autoría del resultado estén correctamente establecidas;
- la demostración sea entendible, generalizable o científicamente fértil.
Esta no es una objeción abstracta. En octubre, Bastounis, Circelli y Hansen publicaron un preprint crítico sobre las discrepancias que pueden surgir al traducir argumentos matemáticos a Lean, incluyendo el caso de Navier–Stokes. Es un cuestionamiento técnico que debe examinarse, no un veredicto definitivo que permita dar por falsa toda la investigación.
Podemos visualizar el problema:
Afirmación científica en lenguaje natural
↓ ¿se tradujo fielmente?
Enunciado formal + hipótesis precisas
↓ ¿compila y pasa el kernel?
Demostración comprobada por máquina
↓ ¿es nueva, relevante y útil?
Validación y comprensión por la comunidadUn «Lean pasó» sólo cubre directamente la comprobación formal de la expresión que recibió. Es importante; no es toda la ciencia.
Tercera intuición: el riesgo para la siguiente generación
La advertencia más perturbadora de Scarciotti es educativa. Si el estudiante cree que una máquina puede cerrar en horas el problema que habría definido su carrera, ¿por qué dedicar veinte años a investigarlo?
Hay un mecanismo plausible: menos incentivos para aprender una disciplina pueden significar menos personas capaces de formular preguntas, revisar resultados y mantener autonomía intelectual. Además, los investigadores jóvenes podrían sufrir especialmente si se reduce el valor académico de encontrar una respuesta inédita.
Pero aquí debemos evitar presentar una hipótesis como hecho demostrado. No existe, a partir del video o de los anuncios de octubre, evidencia suficiente para concluir que las vocaciones matemáticas están desapareciendo a causa de la IA. Puede ocurrir lo contrario: mejores herramientas, más acceso, mayor ambición científica y nuevas especialidades dedicadas a interpretar demostraciones.
El desenlace dependerá de universidades, financiación, acceso a cómputo, criterios de evaluación y de si tratamos a los estudiantes como aprendices de pensamiento o como competidores de una máquina en velocidad.
El riesgo adicional que el video permite ver: concentrar quién formula las preguntas
Si un pequeño número de laboratorios controla los modelos más potentes y el cómputo necesario, podría influir no sólo en qué problemas se resuelven, sino en qué problemas reciben atención.
Este aspecto convierte una discusión sobre talento individual en una discusión sobre instituciones científicas. No bastaría con repartir soluciones para que toda la comunidad recupere capacidad de decidir su agenda.
El Advisory Group on Mathematics and Artificial Intelligence (AGMAI), independiente y vinculado al Institute for Advanced Study, formuló el 6 de octubre una posición equilibrada: publicar resultados es el comienzo, no el final de la incorporación de conocimiento; los matemáticos deben conservar la libertad de formular sus propias preguntas y necesitan acceso equitativo a herramientas y recursos.
Es un punto decisivo. La soberanía científica incluye poder investigar lo que todavía no ha sido seleccionado por un laboratorio de IA.
¿Y qué responde OpenAI?
No sería justo presentar a OpenAI como indiferente a estas objeciones. La compañía publicó materiales de apoyo, formalizaciones parciales, protocolos de versiones y datos de proceso, y declaró que busca mejorar la exposición matemática y la transparencia.
Más aún, el 15 de octubre anunció una contribución de 5 millones de dólares para apoyar el trabajo de comprensión de las pruebas. La Simons Foundation anunció una iniciativa conjunta de 15 millones con participación de la fundación, OpenAI y Anthropic, orientada a evaluación, formación, encuentros y estándares compartidos.
Son medidas concretas, aunque no resuelven automáticamente los problemas de atribución, calidad editorial, acceso desigual o dependencia de sistemas cerrados. La prueba de su utilidad será si permiten a investigadores independientes reproducir, cuestionar y ampliar los resultados.
Nuestro desacuerdo con la conclusión más pesimista
La hipótesis de que «las matemáticas mueren cuando las máquinas resuelven sus preguntas» presupone que el repertorio de preguntas interesantes es fijo.
No lo es. Cada avance suele producir preguntas nuevas. Una demostración opaca puede convertirse en un programa de investigación: ¿qué idea la hace posible?, ¿cuándo funciona?, ¿puede simplificarse?, ¿a qué otras estructuras se aplica?, ¿qué hipótesis pueden relajarse?
La investigación puede evolucionar desde buscar pruebas individuales hacia diseñar teorías, traducir argumentos entre lenguajes, inventar marcos conceptuales y comprobar resultados de modelos.
Esto no garantiza que la transición sea fácil. Si el sistema académico sigue recompensando exclusivamente resolver primero una pregunta conocida, el incentivo puede deteriorarse. Hay que rediseñar qué consideramos una contribución.
Cinco reglas para una matemática aumentada por IA
Una política sensata para laboratorios, universidades y revistas puede partir de estas reglas:
| Regla | Qué exige |
|---|---|
| 1. Separar estados | Etiquetar claramente «propuesto», «formalizado», «reproducido independientemente», «revisado» y «aceptado» |
| 2. Mostrar procedencia | Documentar herramientas, contribuciones humanas, bibliografía, versiones y límites de uso |
| 3. Financiar comprensión | Recompensar la explicación de mecanismos, nuevas conexiones y simplificación de pruebas, no sólo el primer resultado |
| 4. Abrir la capacidad de investigación | Favorecer acceso equitativo a cómputo y herramientas para que la agenda no quede monopolizada |
| 5. Proteger el aprendizaje | Enseñar a reconstruir argumentos y formular preguntas sin delegar todo el razonamiento |
También hay una métrica más honesta que el número bruto de teoremas publicados: cuántos resultados resisten revisión independiente, cuántos generan ideas reutilizables y cuántos permiten a nuevas personas investigar mejor.
Conclusión: la respuesta correcta ya no basta
Scarciotti señala un riesgo real al recordarnos que el propósito de la investigación no es completar una lista de tareas. Su argumento es más convincente cuando defiende el proceso de descubrimiento que cuando anticipa la desaparición de toda una profesión.
En octubre de 2026 es razonable hablar de un punto de inflexión en la investigación matemática asistida por IA. No lo es afirmar que todos los resultados anunciados han sido aceptados o que el futuro de los matemáticos ya está decidido.
El desafío no consiste en impedir que la IA descubra teoremas. Consiste en evitar que la velocidad del descubrimiento separe las respuestas de la comprensión, la validación y la libertad humana de seguir formulando preguntas.
Fuentes y lecturas complementarias
- Video original de Giordano Scarciotti, 9 de octubre de 2026.
- OpenAI: Sharing AI progress in mathematics, 6 de octubre; actualizado el 15.
- OpenAI Developer Community: materiales de la colección y cifras iniciales.
- AGMAI: recomendaciones y declaración del 6 de octubre.
- Clay Mathematics Institute: anuncio sobre Navier–Stokes.
- Bastounis, Circelli y Hansen: límites de la autoformalización, preprint.
- Simons Foundation: iniciativa de 15 millones, 15 de octubre.
Para profundizar en la parte técnica, consulta también nuestros análisis sobre la diferencia entre rigor matemático y formalización en Lean y la controversia de autoría de Navier–Stokes.