OpenAI y 700 pruebas: cómo cambian las matemáticas

OpenAI liberó 700 pruebas en un día y las matemáticas cambiaron de reglas

El 6 de octubre, OpenAI publicó en GitHub más de 700 manuscritos matemáticos producidos por un modelo interno, y en pocos días la conversación dejó de ser sobre los teoremas para volverse sobre el crédito, la autoría y el trabajo de miles de investigadores. Para un founder que ya usa IA para generar código, análisis o propuestas, el episodio funciona como ensayo general de lo que viene: cuando la máquina entrega el output, el valor se muda al criterio humano que decide qué vale la pena producir.

El texto que ordenó el debate no salió de un laboratorio. Es un post invitado de Frank Calegari en el blog de Terence Tao, titulado Mathematics has changed. Let's act like it, que plantea la pregunta incómoda: si la IA ya hace contribuciones de primer nivel en investigación matemática, ¿por qué la reacción de la comunidad es de duelo y no de oportunidad?

Qué pasó exactamente el 6 de octubre

OpenAI liberó más de 700 preprints matemáticos generados íntegramente por IA, agrupados en cientos de categorías y con resultados sobre problemas abiertos de álgebra abstracta, física matemática, algoritmos cuánticos y geometría diferencial. Según Dong-A Science, algunos de los problemas abordados llevaban más de 100 años sin resolverse, y la compañía declaró que resolver uno requería en promedio unas tres horas de cómputo.

¿Y esto cómo se aplica en tu negocio?

Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

El detalle que encendió la alarma fue la verificación. Según el investigador Um Sang-il, del Institute for Basic Science, citado por Dong-A Science, solo alrededor del 42% de los más de 700 reportes habían pasado por formalización en Lean, el lenguaje que permite comprobar una demostración como si fuera código. TechCrunch añadió otro dato incómodo: apenas 10 de los 719 manuscritos incluían la cadena de razonamiento del modelo.

Nature reportó que la comunidad entró en estado de revuelta y que el lote no incluyó soluciones a los cinco Problemas del Milenio que siguen abiertos. La revista recoge además la reacción de Ursula Martin, de Oxford, que describió la publicación como "tirarle a la comunidad un primer borrador desordenado y esperar que lo limpiemos por ellos".

Por qué los matemáticos hablan de programas de investigación borrados

Tristan Buckmaster, profesor de matemáticas de NYU, lo dijo en CNBC: "programas de investigación enteros quedaron borrados el martes por su volcado", según recogió Business Insider. Bryna Kra, de Northwestern, advirtió que liberar tanto trabajo de golpe puede erosionar la cultura colaborativa que hizo posibles esos avances, porque los investigadores podrían volverse más reservados para no ser absorbidos por un modelo.

Calegari no niega el daño. Cita el lamento de Hugo Duminil-Copin: ni uno solo de los grandes problemas abiertos que mencionó públicamente a lo largo de su carrera quedó intacto tras el anuncio. Y responde con un precedente histórico que conviene leer con calma.

El precedente de Gorenstein: qué pasa cuando se resuelve el problema famoso

En 1972, Dan Gorenstein anunció un programa hacia la clasificación de los grupos finitos simples. Tras una década de actividad intensa, la clasificación fue anunciada en 1983, de forma algo prematura: el caso de los grupos quasithin no se completó hasta dos décadas después, con el trabajo de Aschbacher y Smith.

Calegari sostiene que la clasificación fue un éxito enorme y, a la vez, un fracaso: el "problema famoso" desapareció y buena parte del interés del área se fue a otra parte. Y sin embargo quedan preguntas riquísimas, incluida la favorita de John Conway: por qué existe el grupo Monster. La lección para cualquier equipo es directa: resolver el problema central de un campo no lo termina, cambia qué vale la pena hacer dentro de él.

Cómo cambia la investigación matemática cuando la IA produce el resultado

Calegari propone un cambio de incentivos, no un lamento. Su recomendación más incómoda es evaluar todo trabajo como si hubiera sido asistido por IA. No para castigar el uso de la herramienta, sino para obligar a que el autor explique por qué el resultado es interesante, qué preguntas abre y cómo conecta con el resto del campo.

El argumento de fondo es económico: los matemáticos quieren reconocimiento, empleo y financiamiento, y las palancas reales son la contratación y la aceptación de papers en revistas. La retórica no cambia comportamientos; los incentivos sí. Christian Szegedy, citado en el mismo post, lo resume así: la heroicidad de escalar lo que nadie escalaba importará menos, y pesarán más elegir qué terreno vale la pena explorar, dirigir flotas de aviones y explicar lo que encuentran.

Qué significa esto para tu startup

Si tu equipo ya produce con IA, este debate te toca antes de lo que crees. Estas son las acciones concretas que se desprenden del caso:

Evalúa todo entregable como si fuera asistido por IA. No preguntes "¿lo hizo el modelo?", pregunta "¿por qué esto importa y qué habilita?". Un informe que solo reporta el resultado, sin explicar la decisión detrás, no debería pasar tu revisión.
Cambia el hiring de portafolio a conversación. Calegari pide entrevistas personales incluso para posiciones junior, porque un CV con publicaciones ya no distingue. En tu empresa: entrevista por criterio y visión, no por lista de proyectos entregados.
Redefine el incentivo antes de que el mercado lo haga por ti. Si tu equipo compite por ser el primero en publicar o lanzar, vas a producir más y peor. Premia a quien elige buenos problemas y entiende el resultado, incluso si no aportó la técnica original.
Toma propiedad de los resultados. Los modelos se entrenaron con siglos de trabajo humano. Atribuir el logro a la herramienta en lugar del equipo es una decisión de gestión, no una ley natural.

La advertencia técnica que también aplica a tu producto

Hay un dato que debería preocupar a cualquier equipo de producto. TechCrunch reportó que un paper de matemáticos de la Universidad de Cambridge y King's College documentó al menos dos discrepancias entre la demostración en lenguaje natural y el código Lean de una solución derivada de las ecuaciones de Navier-Stokes.

La conclusión práctica: la autoverificación de la máquina no es verificación. Si tu producto envía output generado por IA y los tests que lo validan los escribe el mismo modelo, tienes un modo de falla correlacionado. Necesitas un verificador independiente, humano o de otro sistema.

También conviene mirar la asimetría de recursos. Sam Altman dijo en el podcast Cheeky Pint que OpenAI gastó cientos de millones de dólares en problemas matemáticos, incluidos alrededor de 10 millones en su solución de Navier-Stokes, según The Verge. Tu competidor puede ser un laboratorio que gasta eso en un solo problema.

Conclusión

Calegari cierra con una distinción que sirve para cualquier industria: para los pesimistas el juego terminó; para los optimistas, el juego acaba de cambiar. Y agrega un dato que desmonta la idea de que esto solo le importa a los especialistas: 3Blue1Brown, un canal de divulgación matemática, tiene más de seis millones de suscriptores.

La recomendación final del post es la más útil para un founder: si te angustia que la IA te adelante, no estás siendo lo bastante ambicioso. El trabajo que la máquina todavía no hace bien es elegir el problema correcto, sostener un programa de investigación durante años y explicar por qué todo eso importa. Eso sigue siendo humano, y ahora es más escaso y más valioso que antes.