OpenAI asegura resolver Navier-Stokes con 10.000 agentes de IA

Lo que OpenAI acaba de anunciar

El 8 de septiembre de 2026, OpenAI publicó un paper y una prueba formal en Lean afirmando haber resuelto la existencia y suavidad de Navier-Stokes, uno de los siete Problemas del Milenio definidos por el Clay Mathematics Institute en el año 2000 y premiados con US$1 millón cada uno. Solo uno de esos siete problemas había sido resuelto hasta ahora, según el reporte de Anadolu Agency.

La demostración sostiene que las soluciones de las ecuaciones de Navier-Stokes en tres dimensiones pueden romperse y desarrollar una singularidad bajo ciertas condiciones, un resultado que llevaba décadas resistiéndose a los matemáticos. OpenAI ha liberado el paper y la prueba en Lean (un lenguaje de verificación formal) para que la comunidad los examine, aunque ha aclarado que no piensa reclamar el premio de US$1 millón asociado, según reportó The Verge.

Por qué las ecuaciones de Navier-Stokes importan para el mundo real

Las ecuaciones de Navier-Stokes describen cómo se mueven los fluidos: agua, aire, aceites, gases industriales. Son la base matemática detrás del diseño de aeronaves, la predicción meteorológica, los modelos climáticos y la optimización de procesos industriales, como resume Nature Index.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

El problema del milenio no preguntaba si las ecuaciones funcionan en la práctica —funcionan—, sino si siempre tienen soluciones suaves o si en某些某些某些某些某些某些某些某些某些某些 algunos casos la matemática "estalla". Resolver esa pregunta tiene implicaciones para entender turbulencias, ondas de choque y el comportamiento de flujos extremos donde los modelos numéricos actuales se quedan cortos.

Cómo se logró: 10.000 agentes, 88 horas y cientos de miles de millones de tokens

La escala del esfuerzo es la parte más sorprendente del anuncio, según el reporte de Wired:

OpenAI entrenó un modelo interno sin publicar desde el 28 de agosto de 2026, descrito como más potente que el recién lanzado GPT-6 Astra.
El modelo trabajó junto a más de 1.000 agentes en paralelo durante unas 50 horas, escalando hasta 10.000 agentes simultáneos.
La fase de prueba matemática duró 88 horas; la verificación formal en Lean añadió otras 17 horas.
En total, el esfuerzo consumió 300.000 millones de tokens de salida, equivalentes a unos US$22,5 millones de cómputo a las tarifas actuales de Astra, según el cálculo de TechCrunch.
Mark Chen, jefe de investigación de OpenAI, confirmó a Wired que el costo computacional estuvo "en los millones de dólares".

El matemático e investigador de OpenAI Sebastien Bubeck dirigió el equipo. En la rueda de prensa, Bubeck explicó que OpenAI intensificó el trabajo tras escuchar rumores de que Anthropic estaba cerca de una solución, según el mismo reporte de Wired.

La controversia: Buckmaster, Alpöge y la sombra de Codex

El anuncio no llegó solo. Un día antes, el 8 de septiembre, el matemático de la NYU Tristan Buckmaster y Levent Alpöge (investigador de Anthropic trabajando a título personal) publicaron tres pruebas sobre un problema emparentado, según documenta TechCrunch.

Buckmaster acusa a OpenAI de:

Enterarse de su trabajo con Alpöge a través de filtraciones y multiplicar los recursos computacionales para llegar primero a una prueba completa.
Haber usado Codex (el propio agente de programación de OpenAI) como una de sus herramientas principales, lo que abre la duda de si el modelo nuevo se entrenó, aunque fuera de forma agregada, con datos de sus sesiones.
Ofrecerle, a través de Bubeck, publicar una nota sin el crédito de Alpöge. Buckmaster afirma que cuando lo hizo público, Bubeck respondió: "Why would you ruin your career?".

La respuesta de OpenAI, recogida por The Verge y por el propio blog de la compañía, fue que "ningún dato específico de usuario fue accedido" para resolver el problema, aunque admitió que "no se puede descartar" que datos agregados y desidentificados del uso de sus productos hayan contribuido a mejorar el modelo. Bubeck añadió que sus pruebas "difieren significativamente" de las de Buckmaster y Alpöge incluso en los resultados demostrados. El propio CEO Sam Altman intervino en redes para defender al equipo.

La disputa revive un debate incómodo para toda la industria: cuando los modelos se entrenan con el uso masivo de sus propios usuarios, ¿quién es dueño del conocimiento que el modelo produce a partir de ellos?

Qué significa esto para tu startup

Más allá del ruido académico, hay tres lecturas prácticas para founders:

El "límite de la IA" se está moviendo de nuevo. Si la prueba resiste la revisión matemática, marca el segundo Problema del Milenio resuelto y el primero donde el trabajo fue mayoritariamente de máquinas. Cualquier producto que uses para investigación, redacción de contratos, due diligence o análisis debería reevaluarse: lo que hace un año era "asistente" empieza a parecerse a colaborador con capacidad de descubrimiento.
El costo de hacer I+D de frontera con LLMs ya es real. US$22,5 millones en cómputo para un solo resultado no es accesible para startups, pero el patrón sí lo es: cadenas de agentes en paralelo, formalización con Lean, verificación humana al final. Es el mismo stack que puedes montar para auditoría de código, generación de pruebas de seguridad o revisión legal.
Confía en tus datos de entrenamiento como activo estratégico. El caso Buckmaster muestra que lo que tus empleados escriben en Codex, Claude o herramientas equivalentes puede terminar alimentando al modelo competidor, incluso si está "desidentificado". Para startups que manejan IP sensible, toca revisar políticas internas de uso de LLMs y, cuando sea posible, activar opciones de exclusión de entrenamiento.

Acciones concretas que puedes tomar esta semana

Audita qué equipos de tu startup usan Codex, Claude, Cursor o similares sobre datos propietarios y documenta si la exclusión de entrenamiento está activada.
Prototipa un flujo con agentes en paralelo + verificación humana para una tarea repetitiva de tu negocio (revisión de PRs, cualificación de leads, validación de hipótesis) y mide cuánto baja el costo por unidad.
Si construyes producto de IA, diseña desde ya tu propia política de atribución para los casos en que tu modelo produzca resultados derivados de datos de usuarios; este litigio va a sentar precedente.