Estudiantes de matemáticas en la era de los LLM: ¿seguir o huir?

Por qué un estudiante de matemáticas le escribió a un profesor pidiendo orientación

Un estudiante de grado en matemáticas puras escribió al matemático Álvaro Lozano-Robledo con una consulta que hoy repiten decenas de jóvenes en todo el mundo: ¿la academia seguirá siendo un espacio para alguien con “pasión pero no superdotado”, o se va a reducir a una elite de “las mentes más brillantes”?, ¿la IA va a superar a los humanos en investigación matemática en 5-10 años?. Lozano-Robledo publicó la respuesta como guest post en el blog de Terence Tao, Medalla Fields 2006, y el ensayo rápidamente se volvió referencia porque no esquiva las preguntas: las aborda una por una, empezando por dos disclaimers que vale la pena repetir — nadie tiene las respuestas hoy y cualquiera que afirme tenerlas con total seguridad probablemente está vendiendo algo.

El detonante no es solo el avance técnico. Es un cambio en la narrativa. Las llamadas frontier model companies —OpenAI, Anthropic, Google DeepMind— están empujando la idea de que sus modelos están a punto de alcanzar una “inteligencia sobrehumana” capaz de resolver cualquier problema matemático de forma autónoma. Esa narrativa les conviene a meses de salidas a bolsa relevantes —Anthropic en noviembre de 2026 y OpenAI a inicios de 2027, según recuerda el propio Lozano-Robledo— y por eso invierten recursos descomunales en resolver problemas famosos y luego publicitarlos.

Cuánto cuesta de verdad una “hazaña matemática” de un LLM

Un caso documentado: según Lozano-Robledo, OpenAI habría invertido alrededor de US$15M para resolver el problema de Navier-Stokes. La cifra se dio a conocer cuando se publicó la prueba y se comparó con el costo de cómputo de los intentos que no llegaron a destino —el cual nunca se hizo público, aunque se presume “colosal”.

La pregunta razonable, que el ensayo plantea directamente, es: ¿qué precio —en dólares, en recursos naturales, en costo ético— estamos dispuestos a pagar por una prueba?. Como analogía, el autor recuerda la búsqueda de vida en Marte: técnicamente posible con una misión tripulada, pero éticamente y financieramente inaceptable; la alternativa es una ruta robótica con asistencia gravitatoria. Lo mismo aplicaría a las matemáticas: si el LLM puede probar Riemann a un costo “exorbitante”, igual necesitaremos humanos que encuentren una ruta más barata y entendible.

Qué muestran las pruebas recientes: contadores, no teoremas, según Gowers

Timothy Gowers, Medalla Fields 1998, publicó el 12 de agosto un análisis leído por pocos y resumido por muchos, y la diferencia importa. En su blog sostiene que los resultados de IA más celebrados hasta ahora son en su mayoría contraejemplos, no pruebas positivas. Entre ellos cuenta: la conjetura de distancia unitaria de Erdős, la conjetura del jacobiano, un grupo no sófico y una cota inferior superexponencial para números de Ramsey multicoloreados.

Gowers re-clasifica dos de los anuncios estrella. El grupo no sófico, dice, llegó por rutas que ya existían en la literatura, así que se lee más como el primer ejemplo que como un contraejemplo. El resultado de Ramsey, para él, confirmó una expectativa débil en vez de demoler una creencia. Y al observar la forma en que los modelos “resuelven” problemas abiertos, encuentra un patrón: anuncian que redujeron la pregunta a una más precisa, lo cual suena prometedor hasta que pasa cinco veces seguidas sin progreso real.

Según Gowers, hay una “nariz” matemática —el olfato de cuándo un enfoque lleva a algún lado y cuándo conviene abandonarlo— que los modelos todavía no desarrollan. Una de las razones: la literatura publicada esconde los callejones sin salida; los modelos nunca ven qué direcciones se descartaron ni por qué, así que no pueden aprender a podar el árbol de búsqueda.

Qué son los 10 problemas que OpenAI dice haber resuelto con Astra

El 2 de agosto, OpenAI publicó una colección de 249 páginas con 10 resultados en matemáticas y computación teórica abiertos por al menos una década, junto con certificados verificables en Lean 4 y repositorio público con “sorry count” de cero, según reportó SiliconANGLE. El resultado principal: la construcción de un grupo no sófic, pregunta abierta desde que Mijail Gromov introdujo la soficidad en 1999. También refutó la conjetura de rigidez de Connes (1980), demostró la conjetura de volumen de Ehrhart y resolvió tres problemas del catálogo de Paul Erdős, incluyendo el problema 183 sobre números de Ramsey multicoloreados.

Thomas Bloom, quien mantiene la base de datos erdosproblems.com, calificó los resultados como “big news” y los puso por encima de la refutación de la conjetura de distancia unitaria que un modelo interno de OpenAI produjo en mayo, un paper que él mismo ayudó a verificar. El costo en tokens, según la propia empresa, fue de aproximadamente US$2.000 a tarifas de la API de GPT-5.6 Sol para los 10 problemas. El modelo, llamado Astra, todavía no se lanza: OpenAI no ha dado fecha, precio ni confirmó si saldrá como GPT-6 o como una variante de GPT-5.

El “politopo de ideas” y por qué los LLM no se van a comer a las matemáticas

El argumento más interesante del ensayo de Lozano-Robledo es un modelo mental —el “convex hull de ideas”, inspirado en una hipótesis de Nestor Guillen—. Imaginemos todas las ideas matemáticas como un politopo de alta dimensión con vértices en cada campo disciplinar. Los LLM, entrenados sobre todo el corpus humano, son buenos para conectar vértices y rellenar el interior del politopo: encuentran combinaciones ingeniosas dentro de lo ya publicado, como la prueba que mezcló geometría discreta con teoría algebraica de números para refutar la conjetura de Erdős.

Lo que no pueden hacer, según este modelo, es crear vértices nuevos —definiciones, conceptos, marcos teóricos— que no estén en la literatura. La hipótesis de Riemann, por ejemplo, probablemente necesite una idea que viva fuera del casco convexo actual. Solo cuando un humano introduzca ese vértice en un paper y el modelo se reentrene, los LLM podrán volver a rellenar huecos hasta el nuevo casco. Mientras tanto, el crecimiento se desacelera y los humanos vuelven a ser indispensables.

Melanie Matchett-Wood lo dijo sin rodeos cuando se anunció la prueba de la conjetura de distancia unitaria: si el mismo nivel de experiencia humana se hubiera juntado un mes antes a buscar un contraejemplo, los matemáticos lo habrían encontrado. La prueba era alcanzable, solo faltaba el empuje y la mezcla de campos.

¿Van a quedar los matemáticos sin trabajo?

Lozano-Robledo invierte la pregunta: en el peor escenario distópico, ¿de qué sirve una prueba si no hay humanos que la entiendan?. Las montañas de matemática que ya existen hoy —sin AI— necesitan décadas de digestión por matemáticos formados. Y las universidades no contratan matemáticos solo por sus papers: los contratan porque la formación matemática sigue siendo una de las habilidades más valiosas en un plan de estudios de artes liberales, y los estudiantes aprenden mejor de quienes están en la frontera de la investigación.

El autor, que es profesor titular con plaza fija, reconoce su posición privilegiada: la situación se ve mucho más dura desde la precariedad laboral de un matemático en sus primeros años. Pero coincide con la preocupación de fondo: el mayor riesgo para el empleo matemático no es la IA, son los recortes presupuestarios y las decisiones políticas que nada tienen que ver con los LLM.

¿Deberías hacer un PhD en matemáticas en 2026?

La respuesta del autor, repetida en su ensayo: si tu único motivo para no hacerlo es el estado actual de la tecnología, reconsideralo. El motivo correcto para un doctorado en matemáticas sigue siendo la pasión por entender un tema a fondo; si eso está, la presencia o ausencia de LLMs es irrelevante, porque el objetivo se cumple cuando te conviertes en experto en un problema.

Para los estudiantes que sí dan el paso, el consejo práctico de su colega Jeremy Teitelbaum resume el enfoque: no puedes darte el lujo de no aprender sobre las capacidades actuales de los LLM. No se trata de usarlos para todo, sino de entender qué hacen bien, qué hacen mal y cómo pueden acelerar tu aprendizaje — Lozano-Robledo mismo dice usar LLMs a diario para entender conceptos y técnicas que siempre quiso profundizar, y que ahora puede iterar hasta quedar satisfecho en lugar de pelearse con su única hora semanal de oficina.

Qué significa esto para tu startup

La matemática de frontera no es tu problema inmediato, pero el principio de fondo sí lo es: en cualquier disciplina técnica, los LLM actuales sobresalen en combinar conocimiento existente de formas ingeniosas y quedan cortos a la hora de generar ideas genuinamente nuevas que vivan fuera del corpus disponible. Esto tiene tres implicaciones concretas:

• Si tu producto vive de recombinar APIs, documentación y código existente, un LLM ya es un competidor real o un copiloto extraordinario. Construí defensivas en datos propietarios, relaciones con clientes y velocidad de iteración humana, no solo en el “saber hacer” técnico.
• Si tu producto requiere innovación conceptual —un nuevo modelo de pricing, una arquitectura que rompe con el estado del arte, una tesis científica original— el humano sigue siendo el cuello de botella. Tu ventaja competitiva está en la “nariz” que mencionaba Gowers: el olfato de saber qué explorar y qué abandonar.
• Usá los LLM como pasante 24/7, no como sustituto. Lozano-Robledo dice estar más ocupado que nunca porque el acceso a LLMs triplicó sus proyectos en meses y ahora recluta más estudiantes que antes. La productividad individual sube, y el equipo se expande; no se reemplaza.

La regla práctica: si tu equipo es de 2 personas, con LLMs podés hacer el trabajo de 5; si tu equipo es de 20, podés hacer el trabajo de 50, pero necesitás personas que sepan qué vale la pena construir. Esa “nariz” es lo que no se automatiza hoy, y la ventana de oportunidad para founders que la cultiven está abierta.

Fuentes

• What should we tell our students? — Terence Tao’s blog (guest post by Álvaro Lozano-Robledo)
• OpenAI’s Astra solves 10 long-open math problems and publishes the proofs — SiliconANGLE
• The AI maths breakthroughs everyone quotes are counterexamples, not proofs — The Next Web (Timothy Gowers)

Artículos relacionados:

EMMA Energy: cómo logró crecer pese a la pandemia y aportar a una industria sustentable LLM 0.32: trazas de razonamiento y herramientas para agentes IA LLM: código plausible no es código correcto Comunidades programación hobby rechazan LLM: por qué el aprendizaje importa más que la IA llm 0.36: el CLI de Simon Willison suma GPT-6 Sol y Luna