Strogatz: «aterrorizado» por la IA que ya supera a matemáticos

El matemático que ya no se reconoce

Steven Strogatz, profesor de la Universidad de Cornell y referente mundial en matemáticas, rompió en llanto cuando describió a WIRED los avances que la inteligencia artificial logró en su campo durante los últimos días. "En el futuro, no podrás competir sin IA si quieres lograr avances matemáticos", advirtió. Su colaborador Alex Townsend, de 15 años dedicado a la investigación, fue más directo: "Hay algo capaz de superarme. No siento que sea yo quien esté en la vanguardia del conocimiento".

El detonante fueron dos anuncios separados en apenas una semana: OpenAI resolvió un problema abierto desde hace 90 años asociado a un premio de un millón de dólares, y Anthropic convirtió en código verificable por computadora una prueba del Último Teorema de Fermat que llevaba décadas sin formalizarse. Para los fundadores hispanohablantes, la pregunta ya no es si la IA cambia la investigación: es cuánto tiempo falta para que cambie el trabajo intelectual que considerabas seguro.

Qué pasó en la semana más intensa de las matemáticas

El martes 8 de septiembre, OpenAI publicó una solución propuesta al problema de existencia y suavidad de Navier-Stokes, uno de los siete Problemas del Milenio del Clay Mathematics Institute y único todavía sin resolver, según el recuento del Smithsonian. La compañía dijo haber desplegado alrededor de 10.000 agentes de IA durante 88 horas, que intercambiaron 2,7 millones de mensajes y generaron cerca de 130.000 millones de tokens, de acuerdo con CoinDesk. El modelo usado es interno y, según la empresa, "significativamente más capaz" que GPT-6 Astra, su modelo público más avanzado.

🤖 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

Cuatro días antes, el 4 de septiembre, Anthropic anunció que su modelo Claude logró formalizar la demostración del Último Teorema de Fermat —originalmente planteada por Pierre de Fermat en 1637 y demostrada por Andrew Wiles en 1995— en 11 días, según reportó Nature. El resultado: 13 millones de líneas de Lean, el lenguaje en que los matemáticos verifican pruebas, y alrededor de 29.500 teoremas intermedios demostrados en el camino. Se trata del archivo en Lean más grande creado hasta la fecha.

Ambas hazañas ocurrieron en agosto y septiembre de 2026, meses en los que también se conocieron progresos en diez problemas abiertos anunciados por OpenAI y la formalización automática de la solución al problema de empaquetamiento de esferas de Maryna Viazovska, ganadora de la Medalla Fields, completada por un sistema llamado Gauss en febrero.

Por qué Navier-Stokes importa aunque sea esotérico

Las ecuaciones de Navier-Stokes describen cómo se mueven fluidos como el agua y el aire. La pregunta abierta desde hace décadas es si una solución perfectamente "suave" puede romperse y generar velocidades infinitas en tiempo finito. En la práctica, esas ecuaciones sostienen el diseño de aviones, los modelos climáticos y la investigación del flujo sanguíneo, según el Smithsonian.

La solución propuesta por OpenAI describe un vórtice que se estira y concentra hasta que su velocidad explota en tiempo finito, aun cuando la energía total se mantiene acotada. Para Strogatz, la elección del problema no es inocente: "A nadie le importa el problema de la singularidad de Navier-Stokes; solo a un pequeño grupo de matemáticos puros le interesa. Esto es una estrategia de marketing para demostrar la calidad de sus máquinas". El cofundador de Anthropic no descarta que la jugada esté ligada a las inminientes salidas a bolsa de los grandes laboratorios, según recoge WIRED.

Sea marketing o no, Sebastien Bubeck, investigador de OpenAI, calificó el resultado como "una culminación espectacular del arco que hemos visto en los últimos doce meses", según el New York Times.

La pelea por el crédito: Córdoba, Martínez-Zoroa, Buckmaster y Alpöge

El anuncio de OpenAI encendió una disputa abierta sobre a quién corresponde la autoría. La estrategia detrás del avance fue desarrollada por los matemáticos españoles Diego Córdoba y Luis Martínez-Zoroa, y OpenAI reconoció su prioridad sobre esa línea de trabajo, según IBTimes.

Pero el matemático de la Universidad de Nueva York Tristan Buckmaster, junto con Levent Alpöge —investigador de Anthropic—, llevaban cerca de un año trabajando en problemas muy cercanos a las ecuaciones de Navier-Stokes con el apoyo de modelos de lenguaje, incluido Codex de OpenAI. Buckmaster dijo a OpenAI que él y Alpöge habían publicado días antes soluciones a tres problemas relacionados con los flujos forzados de Euler, que Strogatz describe como "ligeramente más sencillos, pero muy serios".

En una serie de publicaciones en Mastodon, Buckmaster sostuvo que la narrativa inicial de OpenAI cambió durante la conversación: primero le dijeron que el trabajo había comenzado sin insumos humanos más allá del enunciado del problema; después reconocieron que el primer prompt se envió "solo en los días previos", tras tener noticias del trabajo de ambos. OpenAI, por su parte, manifestó que ni sus investigadores ni sus agentes accedieron al trabajo antes de su publicación, aunque admitió que no podía descartar por completo que datos desidentificados derivados del uso de Codex por Buckmaster y Alpöge hubieran influido en sus modelos. En una declaración al New York Times, la compañía fue más tajante: "Es imposible que los prompts de Buckmaster en Codex durante los últimos dos meses hayan influido en el sistema".

Buckmaster, en su comunicado, pidió que el reconocimiento fuera para los predecesores: "Creo que Luis Martínez-Zoroa merece una Medalla Fields".

Lo que siente un matemático que ya fue superado

Strogatz compara el momento con una película de terror. "Pero aún no hemos llegado al final de la película", dice. Su colega Townsend, que usó ChatGPT para destrabar un problema de álgebra lineal numérica abierto durante décadas, reconoce el duelo: "Antes era muy emocionante porque eras de talla mundial… y ahora no siento que sea yo quien esté en la vanguardia. Soy yo quien cuenta con un agente de IA, lo cual se siente muy diferente".

En la conversación con WIRED, Strogatz desliza una analogía que resuena con cualquier profesional cuyo trabajo se automatiza: "No juego en Wimbledon, pero sigo jugando al tenis. No somos tan buenos como los mejores programas de ajedrez, pero aun así nos encanta el ajedrez. ¿Será ese el futuro de las matemáticas, un juego hermoso en el que no somos expertos, pero que aun así disfrutamos?". Luego aparece la pregunta incómoda: "Si las matemáticas se reducen a eso, ¿por qué alguien nos pagaría por hacerlas?".

El matemático Terence Tao, de la Universidad de California en Los Ángeles, puso paños fríos al revuelo en declaraciones recogidas por el New York Times: "Estas preguntas son faros. Son grandes puntos de foco que atraen los esfuerzos de los científicos humanos". Y añadió, citado por ETV Bharat, una advertencia sobre externalizar el esfuerzo: el trabajo sostenido en problemas difíciles enseña algo valioso, comparable al ejercicio físico orientado a un objetivo.

Qué significa esto para tu startup

Las matemáticas son el caso extremo, pero el patrón ya se ve en otros trabajos cognitivos. Un análisis de la Reserva Federal de Dallas publicado en septiembre de 2026 encontró que, en Texas, las ofertas de empleo para ocupaciones con tareas automatizables por IA cayeron alrededor de 5% hacia fines de 2023 y cerca de 8% hacia el primer trimestre de 2025. El estudio usó una métrica de exposición ocupacional desarrollada por la propia Anthropic. Un trabajo posterior del Stanford Digital Economy Lab, citado por CNBC, reportó que el empleo de trabajadores de 22 a 25 años en ocupaciones altamente expuestas a la IA cayó 16% relativo a sus pares, mientras que los senior "se mantienen estables". Erik Brynjolfsson, director del laboratorio, lo resumió así: "La IA es un sustituto del conocimiento libresco que aporta un recién graduado; es un complemento del conocimiento tácito que construye la experiencia".

Para un founder, eso se traduce en tres movimientos concretos:

Mide qué parte de tu trabajo es "conocimiento libresco". Cualquier tarea que un junior recién egresado pueda ejecutar siguiendo manuales, plantillas o procedimientos explícitos está dentro del área de sustitución. Auditoría de reportes, redacción de propuestas estándar, depuración de código boilerplate, análisis contable recurrente: todo entra en esa zona. Lo que sobrevive es el conocimiento tácito que se construye con clientes, contexto y errores.
Invierte en "traducción", no en ejecución. Strogatz sospecha que los humanos seguiremos siendo, por un tiempo, los grandes intérpretes de lo que hacen las máquinas. En tu empresa eso luce como Product Managers que convierten los outputs de los agentes de IA en decisiones de negocio, consultores que llevan hallazgos al cliente, líderes técnicos que filtran qué vale la pena construir. El valor se desplaza hacia el juicio, no hacia la producción.
Adopta antes de que el costo de aprender suba. Kevin Buzzard, matemático del Imperial College London, pasó de estar "99,9% seguro" de la prueba de Fermat a estar "100% seguro" después de que Claude la formalizara. La productividad marginal de aprender a usar estos sistemas hoy, mientras todavía son novedosos, es mayor que la de aprenderlos cuando ya sean commodity. En tu caso: integra agentes en el flujo de tus equipos esta semana, no cuando sea obligatorio.

El matemático de Cornell lo dejó claro: "Quizás estamos en el primer campo de batalla… ¿Somos acaso el presagio de lo que le espera a la humanidad?". Para los fundadores, la respuesta es incómoda pero accionable: no se compite contra los agentes de IA, se compite con ellos incorporados.