Lean Grimoire: el juego de lógica de Terence Tao

Lean Grimoire: el libro de lógica de 2018 que un agente de IA devolvió a la vida

Terence Tao, medallista Fields y profesor de matemáticas en UCLA, reconstruyó con un agente de código su libro de texto interactivo QED —publicado originalmente en 2018— y lo relanzó con el título provisional de Lean Grimoire. La versión nueva incorpora algo que la original no tenía: la opción de mostrar, mientras se juega, una prueba en Lean del estado actual de la partida.

El proyecto arrancó en julio, cuando Tao empezó a experimentar con agentes de código modernos para construir applets de visualización matemática. Los meses siguientes fueron de agenda intensa y el trabajo quedó archivado hasta que retomó uno de esos prototipos.

Para quien no conoce el original: QED enseña lógica proposicional y de primer orden en formato de juego de construcción. El jugador aplica reglas lógicas sobre un conjunto de hipótesis hasta alcanzar la conclusión pedida. La mecánica es la de un juego de crafting, pero con teoremas en lugar de objetos.

¿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 →

¿Qué cambia cuando el juego muestra la prueba en Lean?

La diferencia entre QED y Lean Grimoire no es estética: es de trazabilidad. Al mostrar la prueba formal en paralelo, el jugador ve cómo cada movimiento se traduce en una línea que una computadora puede verificar. Eso convierte la app en una herramienta de dos niveles: enseña lógica y, al mismo tiempo, expone al jugador a la sintaxis de Lean, el asistente de pruebas que hoy usan tanto matemáticos como equipos de ingeniería.

Tao también agregó, «solo por diversión», un modo fantasía en el que los elementos del juego se describen con texto temático: los enunciados matemáticos pasan a ser «pociones» y las expresiones matemáticas, «pergaminos». Es una decisión de producto interesante: baja la barrera de entrada sin tocar el motor lógico que hay debajo.

El autor está buscando playtesting para que la app sirva mejor como herramienta de enseñanza de demostraciones lógicas y de Lean. El proyecto está abierto a feedback, no cerrado.

La formalización matemática dejó de ser un experimento de nicho

El contexto explica por qué un medallista Fields dedica tiempo a esto. La verificación formal dejó de ser un pasatiempo académico y se volvió una categoría con capital detrás.

Axiom Math, una startup valuada en US$1.600 millones según TechCrunch, anunció en noviembre de 2026 que sus agentes de IA verificaron formalmente el Stacks Project, una de las mayores colecciones de matemática escritas por humanos: tradujo unas 7.654 páginas a cerca de 16 millones de líneas de código Lean. La empresa fue fundada en marzo de 2025 por Carina Hong y levantó una Serie A de US$200 millones liderada por Menlo Ventures, de acuerdo con el mismo medio.

A fines de octubre de 2026, según unite.ai, Axiom había publicado lo que describe como la primera prueba completa verificada por computadora de la Clasificación de Grupos Finitos Simples, un resultado que en su versión humana ocupa unas 15.000 páginas y más de 500 artículos: 43,1 millones de líneas de Lean producidas en 24 días por enjambres de agentes.

Tao resumió la lógica de fondo con una frase que TechCrunch recogió: «cuantas más pruebas formalizadas tienes, más pruebas formalizadas puedes hacer». Cada resultado verificado se convierte en un bloque reutilizable para el siguiente.

¿Qué significa esto para tu startup?

El mensaje no es «usa agentes para todo». Es que el valor de un agente depende de lo barato que sea verificar su output.

Diseña el verificador antes que el generador. Si tu producto depende de que un modelo produzca algo difícil de comprobar, el cuello de botella no está en generar: está en revisar. Un test, un linter, un experto del dominio o un chequeo automático valen más que otro prompt.
Clasifica las tareas por costo de error. Según Tech Times, Tao formuló su regla en el simposio Future of Mathematics de Stanford, en mayo de 2026: el nivel de automatización que puedes aprovechar es proporcional a lo estricto de tu proceso de verificación. Delegar una visualización rota es barato; delegar una ruta de pagos, no.
Mira tu código muerto. En julio, Tao usó agentes para portar applets Java 1.0 de 1999 a JavaScript, y el agente encontró dos bugs en el código original que él no había detectado, según Tech Times. Las herramientas internas atrapadas en runtimes obsoletos son un caso de uso con verificación rápida y visible.
Guarda el registro de la conversación. Tao publicó los transcripts de sus sesiones con el agente. En un equipo, ese log es la auditoría: qué decidió una persona y qué ejecutó la máquina.

El dato que debería llamar tu atención

La adopción de agentes de código en terminal dejó de ser marginal. Claude Code pasó de una adopción laboral de alrededor del 3% a mediados de 2025 a 18% en enero de 2026, un salto de seis veces, según la encuesta AI Pulse de JetBrains citada por Tech Times. Ese tipo de herramienta —que lee el repositorio completo, ejecuta comandos y modifica archivos— es la que hizo posible que Tao reconstruyera un juego de lógica en lugar de reescribirlo a mano.

Conclusión

Lean Grimoire parece un proyecto pequeño: un libro interactivo de 2018 que volvió a funcionar con una capa nueva. Pero muestra el patrón que se repite en toda la industria. El agente hace el trabajo mecánico; el humano aporta el criterio y, sobre todo, la verificación. Si tu equipo adopta agentes sin construir esa capa de control, el ahorro de tiempo se paga en deuda técnica. Si la construye, el mismo agente que hoy te escribe código puede convertirse en el motor de producto que no tenías presupuesto para desarrollar.