Lean, el verificador de pruebas: 722 papers de OpenAI

Qué pasó con los 722 papers de OpenAI y por qué importa el sello de Lean

En octubre de 2026, OpenAI publicó 722 manuscritos de matemáticas generados por un modelo interno que nunca liberó, agrupados en 372 familias de resultados, según The Next Web. Alrededor del 45% de esos papers venían acompañados de código en Lean, el asistente de pruebas que permite a una computadora chequear una demostración línea por línea.

Los papers abarcan unos 20 subcampos de la matemática, según SiliconANGLE, y la compañía reportó avances vinculados a tres de los cinco problemas del Milenio que siguen abiertos, según TechSpot —que aclara que eso no significa que los haya resuelto.

Ese volumen convirtió una discusión técnica en un problema de confianza: si el código compila, ¿el teorema está probado? El análisis publicado por el blog Xena Project responde que la frase de que un teorema es correcto porque está verificado en Lean puede tener sentido, pero solo después de cuatro verificaciones que, en la mayoría de los casos, todavía nadie hizo.

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 →

El dato que mejor lo ilustra: tres de los papers que no traían código Lean ya fueron retirados por un error de signo. El sello de Lean no cubría esos casos, y el error apareció después de la publicación.

Pregunta 1: ¿la afirmación en Lean dice lo mismo que el paper?

Lean distingue con precisión entre el enunciado de un teorema y su demostración. Un enunciado puede compilar sin problema y aun así ser falso.

El ejemplo del propio análisis: dos líneas de código que definen el último teorema de Fermat y que compilan perfectamente, pero que son trivialmente falsas porque en Lean los números naturales incluyen el cero. El enunciado se acepta; ninguna demostración de ese enunciado va a compilar.

Traducido al mundo real: hay que leer qué dice el código, no solo que corra. Y eso no siempre es rápido. Una propuesta de formalización de la conjetura de Hodge para el repositorio Formal Conjectures de DeepMind depende de más de 10.000 líneas de código sobre Mathlib solo para enunciar el teorema. En el caso de la demostración formal de la clasificación de grupos simples finitos anunciada por Axiom, el archivo con el enunciado importa más de 250.000 líneas de código de Tau Ceti, una biblioteca de Lean generada por IA, de las cuales unas 5.600 son las definiciones críticas.

De los 290 teoremas de OpenAI que vienen con código Lean, alrededor de 38 ni siquiera enuncian —mucho menos demuestran— el teorema principal del paper. OpenAI nunca afirmó lo contrario: dijo que publicaba código Lean que acompaña a cada paper. El paper 194, por ejemplo, anuncia una prueba de la conjetura de multiplicidad de Lech, abierta desde 1960; el teorema principal del código Lean corresponde al Corolario 5.4 del paper. Sigue siendo un resultado relevante, pero no es el titular.

Pregunta 2: ¿el código compila?

Compilar no es un detalle: es el primer filtro. Y puede ser caro.

Cuando Anthropic formalizó una prueba del último teorema de Fermat, el autor del análisis cuenta que le pidieron revisar 13 millones de líneas de código. Las descargó en una máquina aislada —porque el código generado por IA puede hacer cualquier cosa, incluido borrar archivos— y se quedó sin memoria. Solo pudo compilarlo cuando Anthropic le dio acceso temporal a una máquina de 96 núcleos y 500 GB de RAM.

No siempre hace falta ese despliegue: la resolución del problema de Navier-Stokes de OpenAI son 640.000 líneas que compilan en una laptop. La lección operativa es la misma: nunca ejecutes código Lean generado por IA en tu máquina sin aislarlo primero. Mathlib es seguro porque está curado por humanos; el código generado por modelos, no.

Pregunta 3: ¿el código prueba el teorema tal como está enunciado?

Aquí está el agujero más grande. El enunciado vive en un archivo con pocos imports confiables, pero la demostración importa miles o millones de líneas que nadie va a leer. ¿Cómo saber que en medio de ese código no hay una trampa que redefine x^n como 37, o que agrega un axioma que declara verdadero el teorema?

La respuesta corta del análisis es una herramienta: lake comparator. Compara el teorema enunciado en el archivo confiable con el teorema efectivamente probado a través de los imports no confiables, y verifica que solo se usen los axiomas de la matemática.

Pregunta 4: ¿el código explota un bug del kernel de Lean?

Puede pasar, y pasó. Hubo un bug de solidez en el kernel de Lean que se corrigió cuatro horas después de ser descubierto, y una revisión posterior del código de Lean hecha por OpenAI encontró varios más, todos corregidos antes de anunciarse públicamente.

Pero el análisis argumenta que esto ya no es un problema decisivo: Lean tiene hoy múltiples kernels independientes, escritos en distintos lenguajes, y al menos uno verificado formalmente hasta el nivel de ensamblador. El comando lake comparator --paranoid exige que la prueba pase por varios de esos sistemas a la vez. La página del Lean kernel arena muestra, por ejemplo, que la resolución de Navier-Stokes de OpenAI es aceptada por múltiples kernels además del oficial.

El paper puede estar mal aunque el Lean esté bien

Este es el punto que más se pasa por alto. Aunque el código compile y pase todas las pruebas, eso no garantiza que el PDF que lo acompaña contenga una demostración correcta. El paper Navier-Stokes lost in translation documenta justamente lo contrario: hay instancias en las que la prueba del PDF y la prueba en Lean divergen. En esos casos, la versión confiable es la formal.

El contexto que rodea a la publicación

La discusión técnica no ocurre en el vacío. OpenAI dijo que siguió las recomendaciones de un panel asesor independiente, el Advisory Group on Mathematics and Artificial Intelligence (AGMAI), alojado en el Institute for Advanced Study, que en sus lineamientos del 29 de septiembre pidió a los laboratorios dejar de probar problemas difíciles en modelos privados y publicar los prompts, el tiempo y el costo de cómputo de cada resultado, según The Next Web. El mismo grupo aclaró después que su consejo no era un aval de los resultados.

TechSpot agrega que el esfuerzo asesor siguió a una carta abierta firmada por más de dos docenas de ganadores de la Medalla Fields, titulada A Severe Misalignment of AI in Mathematics, que advertía que la carrera por resolver problemas amenazaba el propósito de la investigación matemática.

¿Qué significa esto para tu startup?

Si tu producto usa IA para generar código, contratos, cálculos financieros o cualquier artefacto donde un error tenga costo, este debate es tu problema, no solo el de los matemáticos. La distinción entre compila y es correcto es exactamente la que vas a tener que explicar a un cliente o a un auditor.

Tres acciones concretas:

  • Aísla todo código generado por IA antes de ejecutarlo. El caso de los 13 millones de líneas es extremo, pero el principio aplica a un script de 200 líneas: sandbox, contenedor, permisos mínimos. El código generado por modelos puede tener efectos que nadie escribió a propósito.
  • Verifica el contrato, no solo el test. Un test que pasa no dice nada si el test mide otra cosa que la que prometes. Antes de decir verificado, confirma que el artefacto verificado corresponde al problema que declaras resolver. Es la versión empresarial de la Pregunta 1.
  • Presupuesta el cómputo de la verificación. Verificar cuesta: horas de cómputo, máquinas grandes, tiempo de revisión humana. Si tu roadmap asume que la validación es gratis, vas a descubrir el costo en producción.

Y si vas a usar verificado con IA como argumento comercial, documenta la cadena completa: qué se verificó, con qué herramienta, contra qué enunciado y quién revisó el resultado. Es la única forma de que el claim sobreviva a la primera pregunta incómoda.

Conclusión

La conclusión del análisis es incómoda y útil a la vez: decir que algo es verdad porque está verificado en Lean puede hacerse funcionar, pero requiere trabajo más allá de que el código compile. Ese trabajo puede hacerlo un modelo de frontera, aunque según el propio análisis puede ser computacionalmente costoso.

Para un founder, la lección es transferible a cualquier dominio: la verificación automática es una señal valiosa, no un certificado. Lo que convierte una señal en garantía es el proceso que la rodea —qué se enunció, qué se compiló, qué se comparó y quién lo revisó—. Ese proceso es el producto.

Fuentes

¿te gustó o sirvió lo que leíste?, Por favor, comparte.

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 →

Daily Shot: Tu ventaja táctica

Lo que pasó en las últimas 24 horas, resumido para que tú no tengas que filtrarlo.

Suscríbete para recibir cada mañana la curaduría definitiva del ecosistema startup e inversionista. Sin ruido ni rodeos, solo la información estratégica que necesitas para avanzar:

  • Venture Capital & Inversiones: Rondas, fondos y movimientos de capital.
  • IA & Tecnología: Tendencias, Web3 y herramientas de automatización.
  • Modelos de Negocio: Actualidad en SaaS, Fintech y Cripto.
  • Propósito: Erradicar el estancamiento informativo dándote claridad desde tu primer café.

📡 El Daily Shot Startupero

Noticias del ecosistema startup en 2 minutos. Gratis, todos los días.

Share to...