Big Math: qué pasa cuando la IA resuelve teoremas

¿Qué es el «big math» que describe Big Math?

Big Math: The Hidden Codes That Run Our World es el libro que Steven Strogatz y Alex Townsend publicaron el 10 de noviembre, y su tesis central es incómoda: la matemática que sostiene el mundo moderno ya no cabe en un cerebro humano. Los autores la llaman «big math»: problemas con miles de millones de variables o parámetros que solo pueden calcularse, y quizá solo comprenderse, por computadora.

Townsend, profesor asociado de matemáticas en Cornell, lo dice sin rodeos: «Está en tus iPhones. Decide si te dan una hipoteca. Te permite estar la mitad del tiempo que deberías dentro de una máquina de resonancia magnética. Es la razón por la que TikTok es tan adictivo».

Los casos que el libro desarma son cotidianos:

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Netflix: su sistema de recomendación se apoya en la descomposición en valores singulares, una idea de álgebra lineal que rellena los huecos de una matriz gigante de usuarios y películas que casi nadie terminó de ver.
Facebook: el grafo de amistades de 3.000 millones de usuarios activos es, literalmente, un cálculo de teoría de grafos.
Burj Khalifa: la estabilidad del edificio más alto del mundo se estudia con análisis por elementos finitos, la misma familia de matemáticas de matrices que aparece en el caso anterior.

La idea de fondo no es nueva. Strogatz recuerda que en la China del 200 a.C. ya se resolvían sistemas de tres ecuaciones lineales con el fangcheng, un tablero de madera con varillas de bambú que se manipulaban a mano. «Externalizar las matemáticas fuera de nuestras cabezas es una idea de 2.000 años», dijo a Ars Technica.

¿Qué pasó en 2026 para que los matemáticos hablen de duelo?

Strogatz describe el verano y el otoño de 2026 como una temporada que su gremio no va a olvidar. En una entrevista con Science Friday, habla de colegas que atraviesan «las cinco etapas del duelo» y de otros que ven en la IA un telescopio nuevo: una herramienta poderosa a la que todavía hay que decidir dónde apuntar.

El detonante es concreto. En octubre, según relató Strogatz, OpenAI anunció la solución de más de 300 problemas abiertos, algunos con décadas de antigüedad. El caso que más le llamó la atención fue el de la hipótesis quasi-Riemann: la IA la resolvió y, después, matemáticos humanos mejoraron esa solución. «No es que todo lo que puedes hacer, yo lo hago mejor», dijo. «Todavía hay un lugar para nosotros».

También mencionó el anuncio de septiembre en torno al problema de Navier-Stokes, uno de los Millennium Prize: el resultado, sostuvo, «no parece algo que un ser humano habría pensado». Lo calificó de «verdaderamente sobrehumano».

La lectura de Townsend es más matizada y más útil para quien construye productos. «Ahora mismo la IA está respondiendo preguntas que otros grandes matemáticos formularon, lo cual es impresionante, pero todavía no es un oráculo», dijo. Y marcó la diferencia clave: el big math es más desordenado, porque tiene que lidiar con el mundo real, con datos, con muestreo y con construcción.

¿Por qué la verificación se volvió el negocio del momento?

Si la IA produce matemáticas a escala industrial, alguien tiene que comprobar que no son basura. Ahí está la oportunidad que ya se está financiando.

Axiom Math, una startup valuada en US$1.600 millones, anunció que verificó formalmente el Proyecto Stacks, una de las mayores colecciones de matemáticas escritas por humanos. Sus agentes tradujeron unas 7.654 páginas a cerca de 16 millones de líneas de código chequeable por máquina, según reportó TechCrunch. La empresa fue fundada en marzo de 2025 por Carina Hong, que abandonó un doctorado en matemáticas en Stanford, y levantó una Serie A de US$200 millones liderada por Menlo Ventures.

La técnica se llama verificación formal: el teorema se reescribe como código en Lean, un asistente de pruebas que revisa línea por línea y da un veredicto binario. Pasa o no pasa. No hace falta un doctorado para correr la comprobación. Los ingenieros ya usan el mismo principio para validar diseños de chips, y equipos de investigación en Francia lo aplicaron para detectar errores en el software que calcula beneficios familiares.

Terence Tao, medallista Fields, resumió el efecto acumulativo: «Cuantas más pruebas formalizadas tengas, más pruebas formalizadas puedes hacer». Cada resultado verificado se convierte en un ladrillo reutilizable para el siguiente.

El contrapeso institucional también llegó. La Declaración de Leiden, publicada en junio de 2026 y respaldada por la Unión Matemática Internacional con más de 3.000 firmantes, entre ellos Tao y Peter Scholze, identificó cinco riesgos de la IA en matemáticas: resultados poco fiables, citas faltantes, dependencia de sistemas comerciales cerrados, afirmaciones exageradas y pérdida de independencia científica.

¿Qué significa esto para tu startup?

El mensaje del libro no es «la IA reemplaza a los matemáticos». Es más incómodo y más accionable: la capa de cálculo se está commoditizando y la ventaja se mueve a la formulación del problema y a la verificación del resultado.

Tres movimientos concretos:

Revisa dónde vive tu moat. Si tu producto es esencialmente «calcular algo mejor» (scoring, recomendación, optimización de rutas), asume que esa capa se abarata. Lo que no se abarata es el dato propietario y la pregunta bien formulada. Strogatz lo dice de otro modo: a la IA se le da bien el mundo cerrado de la matemática pura, pero no es buena «haciendo preguntas nuevas».
Convierte la verificación en feature. Si vendes a banca, salud, seguros o infraestructura, «nuestro sistema es correcto y aquí está la prueba» es un argumento comercial, no un detalle técnico. El caso de Axiom muestra que ya hay capital dispuesto a pagar por esa capa.
Blinda tu dependencia de modelos cerrados. La Declaración de Leiden pone la dependencia de sistemas comerciales en su lista de riesgos. Si tu producto no funciona sin un proveedor que no controlas, tienes un problema de continuidad, no solo de costos.

Y una advertencia práctica: si tu equipo usa IA para generar código, análisis o documentación técnica, el «AI slop» ya es un costo real. La verificación (tests, revisión formal, contratos de API) deja de ser burocracia y pasa a ser control de calidad del activo más caro que tienes.

Conclusión

Big Math llega en el momento exacto en que la pregunta dejó de ser teórica. La matemática que corre el mundo se externalizó hace 2.000 años y ahora se automatiza; lo que está en juego no es si las máquinas pueden resolver problemas, sino quién decide qué problemas vale la pena resolver y cómo se comprueba que la respuesta es correcta.

Para un founder, eso se traduce en dos activos que no se commoditizan: criterio para elegir el problema y capacidad de demostrar que la solución es sólida. El resto, cada vez más, es infraestructura.