OpenAI asegura resolver 100 problemas: ¿qué significa ‘resolver’?

¿Qué hay realmente detrás del anuncio de los 100 problemas?

OpenAI comunicaba el 21 de septiembre de 2026 que un modelo interno, que su equipo lleva entrenando desde el 28 de agosto, había "resuelto" más de 100 problemas matemáticos abiertos en cuestión de semanas, según recogió Xataka. La compañía no detalla cuáles son esos problemas ni aporta evaluaciones independientes, lo que ya marca el tono del debate: no estamos ante un artículo con revisión por pares, sino ante un comunicado corporativo.

El anuncio llega dos semanas después del episodio que originó la controversia: el 8 de septiembre, OpenAI publicó una demostración al problema de existencia y suavidad de las ecuaciones de Navier-Stokes, uno de los siete Problemas del Milenio que el Clay Mathematics Institute dotó con un millón de dólares de premio en 2000.

¿Cuál es el truco con el enunciado de Navier-Stokes?

El problema oficial de Navier-Stokes admite cuatro formulaciones distintas (A, B, C y D). Las formulaciones A y B parten de un fluido en reposo sin fuerza externa y preguntan si las ecuaciones pueden generar una singularidad por sí solas. Las formulaciones C y D sí permiten introducir una fuerza externa diseñada.

🤖 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

OpenAI resolvió las formulaciones C y D: parte del fluido en reposo y aplica una fuerza específicamente diseñada para producir la singularidad. Está permitido por el enunciado, y la compañía lo explica sin ambigüedades en su comunicado. Pero, como señaló Charles Fefferman, matemático de Princeton y autor de la descripción oficial del problema, en declaraciones a Quanta Magazine, lo que matemáticamente interesaba era saber si las propias ecuaciones pueden generar esa singularidad sin fuerza externa de diseño, y eso es lo que la demostración de OpenAI no responde.

Aquí está la grieta central: ajustarse a la letra del enunciado es una cosa; responder la pregunta física y matemática que llevaba décadas investigándose, es otra.

¿Por qué protestan los matemáticos?

La reacción del mundo matemático fue inmediata. Según CryptoBriefing, 771 matemáticos firmaron una carta abierta denunciando lo que denominaron slop mathematics: demostraciones de IA empujadas al debate público sin el rigor de la revisión por pares. Pocos días después, 25 medallas Fields firmaron una segunda carta advirtiendo que los anuncios precipitados de IA socavan la atribución correcta y la educación matemática.

La disputa se amplificó por un cruce con los matemáticos Tristan Buckmaster (NYU) y Levent Alpöge (vinculado a Anthropic), que horas antes del anuncio de OpenAI publicaron resultados relacionados con las ecuaciones de Euler, el "hermano" sin viscosidad de Navier-Stokes. Ambos habían usado Codex, el asistente de código de OpenAI, durante meses y sospechaban que información sobre su trabajo había llegado al equipo de OpenAI antes del anuncio. La compañía niega acceso directo a esa investigación, aunque admitió, según Moneycontrol, que no podía descartar que datos desidentificados del uso de sus productos hubieran podido influir en sus modelos.

El 10 de septiembre, apenas dos días después del anuncio de Navier-Stokes, OpenAI retiró un patrocinio de un millón de dólares al concurso de matemáticas con IA de Caltech, según CryptoBriefing. El propio Sam Altman reconoció públicamente que la compañía habría preferido coordinarse con Buckmaster y Alpöge antes de publicar.

¿Qué hay debajo: coste computacional y deuda intelectual?

Lo que OpenAI no destacó tanto es el coste computacional del ejercicio. Según el comunicado recogido por Moneycontrol, la resolución de Navier-Stokes requirió aproximadamente 10.000 agentes de IA operando en paralelo durante 88 horas, intercambiando casi 3 millones de mensajes y generando unos 130.000 millones de tokens de salida. En el conjunto de problemas intentados, la cifra total ronda los 300.000 millones de tokens y 4,9 millones de mensajes, con un coste estimado por la propia compañía de unos 10 millones de dólares a precios de su API.

Tanto la versión de OpenAI como la de Buckmaster y Alpöge se apoyan en una técnica desarrollada por Diego Córdoba (Institute of Mathematical Sciences de Madrid) y Luis Martínez-Zoroa (CUNEF University), según Quanta Magazine. Martínez-Zoroa la introdujo en su tesis doctoral de 2021, y el propio Fefferman los llamó "los héroes intelectuales" de la historia. Martínez-Zoroa, preguntado por Quanta, respondió: "habría sido bonito hacerlo nosotros, pero estoy muy feliz por Tristan".

El resultado fue además formalizado en Lean, un asistente de demostración que verifica cada paso lógico en software y cuyo código OpenAI publicó en GitHub. Como explica Quanta, la verificación en Lean garantiza la corrección interna de los pasos, pero los humanos aún deben establecer que la afirmación codificada equivale lógicamente al problema que los matemáticos querían resolver. Es un matiz que el blog del medalla Fields Terence Tao y los investigadores Silvia De Toffoli y Eamon Duede desarrollan en profundidad, según Xataka.

¿Qué significa esto para founders y startups técnicas?

Más allá de la disputa matemática, el episodio deja señales prácticas para cualquier founder que use o construya IA:

El cómputo serio cuesta en serio. 10 millones de dólares, 130.000 millones de tokens y 88 horas para una demostración que aún no tiene aceptación comunitaria. Si tu modelo de negocio depende de razonamiento matemático profundo vía IA, modela el coste por problema resuelto, no por consulta.
"Lean-verified" no equivale a "aceptado por la comunidad". La verificación formal prueba que los pasos internos son correctos, pero no que el enunciado resuelto coincida con la pregunta original. Para productos que se apoyan en teoremas o deducciones verificables, planifica un proceso de revisión humana sobre la capa formal.
El crédito importa. 771 firmas y 25 medallas Fields protestaron no por la capacidad técnica de la IA, sino por la atribución y la forma del anuncio. Si tu startup publica resultados derivados de IA, pre-publicar con los autores humanos de los que dependes evita conflictos como el de Buckmaster-OpenAI.
Aparece un mercado nuevo de auditoría. OpenAI acaba de crear un Advisory Group sobre Matemáticas e IA con nueve matemáticos que, según Xataka, no cobran sueldo de la compañía pero cuyas recomendaciones no son vinculantes. Modelos similares de "comité asesor externo" van a ser cada vez más demandados por clientes enterprise que compran IA para decisiones críticas.