OpenAI y el ‘scoop’ de Navier-Stokes que sacude a la academia

El anuncio: 88 horas, 10.000 agentes y uno de los siete problemas del milenio

El 8 de septiembre de 2026, OpenAI publicó en su blog un resultado que llevaba años resistiéndose a los matemáticos: una demostración de que las ecuaciones de Navier-Stokes en tres dimensiones pueden desarrollar una singularidad, es decir, un punto donde el modelo matemático predice velocidad infinita, algo que no ocurre en la naturaleza. El problema forma parte de los siete Millennium Prize Problems convocados por el Clay Mathematics Institute en 2000, cada uno con un premio de US$1 millón; hasta ahora solo el de la conjetura de Poincaré había sido resuelto.

Según OpenAI, el resultado se obtuvo en 88 horas, con una manada (swarm) de aproximadamente 10.000 agentes de IA coordinados por un modelo interno que no está disponible públicamente y que OpenAI describe como "significativamente más capaz que GPT-6 Astra" [The Decoder]. Los agentes intercambiaron cerca de 5 millones de mensajes entre sí y la verificación formal de la prueba, en el lenguaje de programación Lean, tomó otras 17 horas [Quanta Magazine]. El propio investigador de OpenAI Sébastien Bubeck estimó el costo computacional en "varios millones de dólares"; según pricing interno de la propia OpenAI, ascendería a alrededor de US$10 millones [Moneycontrol].

OpenAI también aclaró que no reclamará el premio. Según la compañía, su único objetivo es "reportar el progreso sustancial de nuestros modelos de IA" [The Verge]. La prueba lleva, además, un asterisco importante: según la propia OpenAI, su trabajo cubre solo dos de las cuatro declaraciones requeridas por la formulación del Clay Millennium Prize.

🤖 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

¿Por qué la controversia? La versión de Buckmaster y la de OpenAI

Doce horas antes del anuncio, el matemático de la Universidad de Nueva York Tristan Buckmaster publicó una declaración pública describiendo una secuencia de hechos que choca de frente con la narrativa oficial de OpenAI. Él y su coautor, Levent Alpöge (investigador de Anthropic, rival directo de OpenAI), llevaban casi un año trabajando en variantes forzadas de Navier-Stokes apoyándose en modelos como Codex (con GPT-5.6) y Claude de Anthropic. Según la cronología de Buckmaster, para el 22 de agosto ya tenían una prueba verificada en Lean para las ecuaciones de Euler (un problema emparentado, con viscosidad cero) y avances significativos en Navier-Stokes [Quanta Magazine].

Buckmaster afirma que el 3 de septiembre se enteró de que el progreso había llegado a oídos de OpenAI y contactó a la empresa para aclararlo, recalcando que el trabajo era personal y sin acuerdos institucionales. El 6 de septiembre, en una llamada, Sébastien Bubeck le reveló que OpenAI ya tenía una prueba interna de unas 100 páginas usando exactamente el mismo enfoque que ellos estaban preparando [The Hindu Business Line].

La versión de Buckmaster continúa así: Bubeck propuso dos arreglos, ambos con la condición de que Alpöge quedara fuera de la autoría por trabajar en Anthropic. Cuando Buckmaster rechazó el plan y amenazó con hacer pública su versión, Bubeck le habría dicho: "¿Por qué arruinarías tu carrera?" y, ante la insistencia, "Si no quieres que sea amable, no tengo por qué serlo". Buckmaster también afirma haber preguntado a OpenAI si su modelo había sido entrenado en sus sesiones de Codex y no haber recibido respuesta directa [The Verge].

OpenAI niega ambas acusaciones. Sébastien Bubeck calificó los señalamientos de "falsos e incendiarios" y publicó capturas de texto en las que afirma haber propuesto una publicación coordinada y haber ofrecido compartir los prompts [Yahoo News]. El CEO Sam Altman defendió a Bubeck en X asegurando que "actuó con integridad y generosidad" y que OpenAI ofreció al equipo de Buckmaster publicar primero una vez que se descubrió que ellos tenían Euler y no Navier-Stokes [Moneycontrol]. Sobre el acceso a datos, OpenAI afirma que "ni los investigadores ni los agentes vieron su trabajo por ningún medio hasta que lo publicaron" y que "no se accedió a datos específicos de usuarios" para resolver el problema. La compañía añadió, sin embargo, esta salvedad: "Si bien es poco probable, no podemos descartar que datos desidentificados derivados del uso de nuestros productos hayan ayudado a mejorar nuestros modelos" [The Verge].

Alpöge, por su parte, desmintió públicamente la caracterización de OpenAI: escribió que "en realidad habría estado encantado de colaborar en esto" pero que las condiciones propuestas le parecieron "bastante extravagantes, poco estratégicas e innecesarias" [Moneycontrol]. En su respuesta en Mastodon, Buckmaster señaló con suspicacia: "Obsérvese que están admitiendo abiertamente que usaron datos de entrenamiento de un período posterior a cuando encontramos nuestro resultado. ¿Es ético usar los datos de un cliente para tratar de sacarle ventaja a ese mismo cliente?" [The Decoder].

Lo que ambas partes coinciden: el quid matemático de la prueba reside en extender un enfoque analítico desarrollado por Diego Córdoba (ICMAT Madrid) y Luis Martínez-Zoroa (Universidad CUNEF), basado en una "cascada infinita" de capas de soluciones. Charles Fefferman (Princeton), autor de la descripción oficial del problema para el Clay Institute, dijo a Quanta que los verdaderos héroes del relato son ellos dos; Martínez-Zoroa añadió que un resultado así habría merecido, en su opinión, una Medalla Fields para alguno de los autores [Quanta Magazine].

Lo que realmente está en juego: la cultura abierta de las matemáticas

La sacudida va mucho más allá de quién firma el paper. Lo que se rompió esta semana es la norma de confianza informal sobre la que descansa la disciplina. Matthew Ballard, matemático de la Universidad de South Carolina y director asociado del Institute for Computer-Aided Reasoning in Mathematics, lo resume así: "Las matemáticas dependen fuertemente de una norma informal de confianza. Los investigadores comparten ideas incompletas y trabajo en curso con colegas esperando que eso no se convierta en una competencia" [The Verge].

Jeremy Avigad, director del ICARM y profesor en Carnegie Mellon, fue aún más explícito: "La mera idea de que los sistemas de IA puedan robar ideas de nuestras consultas resulta escalofriante" y anticipó que los matemáticos serán "más cautelosos" a la hora de compartir borradores. Brendan Hassett (Brown University) recordó el historial de las compañías de IA "apropiándose de trabajo con derechos de autor sin permiso ni pago" y pidió que se les pueda exigir que demuestren, con datos verificables, que los registros de chat no se usan para entrenar modelos [The Verge]. Andras Juhasz (Oxford) resumió el nuevo poder de fuego: "De repente, 10.000 matemáticos saltan sobre tu problema".

El ecosistema hispano tiene además una pieza adicional: los verdaderos autores intelectuales del enfoque, Córdoba y Martínez-Zoroa, son españoles y han pasado años perfeccionando un método que la mayoría consideraba poco prometedor. Que un laboratorio estadounidense use su técnica como punto de partida y luego intente adjudicarse el resultado de carrera añade una arista de colonialismo académico que conviene no pasar por alto. Buckmaster, en su declaración pública, reconoció explícitamente: "Esto es un momento Deep Blue-Kasparov" [The Decoder].

La advertencia de Terence Tao: por qué esto va más allá de Navier-Stokes

El episodio no cayó en saco roto. El medallista Fields 2006 Terence Tao (UCLA) llevaba semanas publicando advertencias en Mathstodon sobre el efecto acumulado de la IA en matemáticas, no sobre demostraciones, sino sobre la reserva de buenos problemas abiertos. "El uso indiscriminado de potentes herramientas de extracción de soluciones puede lograr el objetivo inmediato de resolver los problemas a mano, pero al costo de sostener el ecosistema para la próxima ola de progreso", escribió Tao [Decrypt].

La advertencia de Tao no es teórica: en mayo de 2026, OpenAI resolvió la conjetura de la distancia unidad de Erdős (un problema de 80 años). La misma semana, Anthropic hizo correr Claude Mythos, su modelo tope de gama, sin conexión y sin ver la solución publicada, y obtuvo también el resultado. Semanas después, Anthropic formalizó una prueba del Teorema de Fermat [Decrypt]. Cada hito llega ahora en cuestión de días; cada nuevo paper humano que tarda meses en escribirse se vuelve vulnerable a una manada de agentes lanzada en cuestión de horas.

Tao propuso marcar ciertos problemas como "analysis-required": que la respuesta correcta sin el razonamiento detallado que abre caminos a problemas vecinos cuente para poco. Comparó la idea con los bancos de alimentos que dejaron de aceptar donaciones solo porque fueran comestibles [Decrypt]. No es una política formal todavía, pero marca el tono del debate que viene.

¿Qué significa esto para tu startup?

Aunque la noticia vive en el mundo de la matemática pura, sus consecuencias prácticas para founders son muy concretas:

Tus prompts pueden entrenar al modelo que te supera. OpenAI admite que datos desidentificados de uso de sus productos pueden alimentar mejoras de modelo. Si trabajas con herramientas de IA en investigación, prototipos o ventaja competitiva, ese prompt puede terminar entrenando al siguiente modelo que use tu competidor. Revisa los ajustes de opt-out de entrenamiento en cada producto (no están activados por defecto) y segrega las sesiones con información estratégica.
El ciclo de ventaja por información se está comprimiendo. Lo que antes tardaba meses en revalidarse puede resolverse en horas con la cantidad suficiente de cómputo. Tu moat no puede depender solo de "ser el primero en descubrir algo"; tiene que anclarse en datos propietarios, distribución o ejecución. Si tu ventaja cabe en un prompt, ya no es una ventaja.
Las normas del juego cambian con la escala. Buckmaster y Alpöge llevan años publicando abiertamente y compartiendo código. OpenAI tiene miles de agentes y presupuesto ilimitado. Cuando firmas contratos, NDAs o acuerdos de investigación, considera no solo lo que tu contraparte puede hacer, sino lo que pueden hacer sus proveedores de cómputo con tus interacciones.
Prepárate para una estampida mediática. Como señaló Oxford, los laboratorios solo tirarán millones en problemas con alto retorno de visibilidad. Para una startup, eso significa que los resultados más visibles (no los más rentables) son los que tienen más riesgo de ser "flattended" por una manada de agentes antes de que tengas tiempo de ejecutar.

La pregunta abierta ya no es si la IA puede resolver problemas de frontera. Claramente puede. La pregunta es quién decide la ética competitiva cuando esos problemas están en juego: la academia, con su norma de confianza informal, o las empresas, con sus contratos y sus hordas de agentes. Lo que pase en los próximos meses marcará cómo se hacen negocios con IA durante la próxima década.