Karagila a OpenAI: ‘No enviaré whisky por ese paper’

¿Por qué Karagila rechazó el preprint matemático de OpenAI?

Asaf Karagila, uno de los mayores expertos mundiales en el Axioma de Elección y el Partition Principle, no quiso celebrar la última «hazaña matemática» de OpenAI. Su respuesta fue pública y demoledora: comparó el preprint con un «desk rejection» — el rechazo editorial que se aplica sin enviar siquiera a revisores — y se negó a enviar la botella de whisky que había prometido públicamente a Sam Altman. La botella se queda en la estantería.

El episodio importa más allá del chiste. Es la primera reacción escrita de un especialista de primer nivel al preprint que OpenAI publicó esta semana, en el que asegura haber demostrado que el Partition Principle no implica el Axioma de Elección. El problema lleva más de un siglo abierto. Si la prueba es correcta, sería un avance publicable en las mejores revistas del área. Pero Karagila no discute las matemáticas: discute la calidad del paper, la falta de consulta a expertos y la presión que la empresa está descargando sobre la comunidad matemática.

¿Qué es el Partition Principle y por qué importa a un no-matemático?

El Axioma de Elección (AC) es una de las piezas más debatidas de la teoría de conjuntos moderna. En términos simples, dice que, dada cualquier colección de conjuntos no vacíos, se puede elegir un elemento de cada uno. Suena inocente, pero de él dependen resultados centrales de la matemática, y hubo un siglo de debate sobre si era una verdad «evidente» o si había que asumirlo por separado.

El Partition Principle (PP) es una versión mucho más débil: dice que, dado un conjunto con al menos dos elementos, es posible partirlo en dos pedazos que no sean vacíos. Es más intuitivo y muchos matemáticos lo consideran aceptable sin necesidad de asumir todo el AC. La pregunta, formulada a principios del siglo XX, es si el PP, por sí solo, obliga a aceptar todo el AC. La intuición mayoritaria de los especialistas apunta a que la respuesta es no, pero la demostración formal seguía abierta.

Por eso OpenAI eligió este problema: clásico, simbólico, y donde la respuesta esperada es «no implican». Una prueba verificada en Lean — un asistente donde cada paso es chequeado por una computadora — sería, en sí misma, un resultado publicable en las mejores revistas del área.

¿Qué encontró Karagila cuando leyó el preprint?

Karagila, que trabaja sobre el Axioma de Elección desde hace más de 15 años, describe el preprint con tres palabras que ningún autor quiere escuchar: incomprensible, embarullado y con estructura extraña. En su artículo enumera varios puntos críticos:

• La terminología está «un poco desviada» respecto al uso estándar del área.
• Aparecen lemas (como el 7.4 y el 8.1) que no esperarías ver en un paper de estas características.
• Las referencias incluyen al menos tres apuntes de clase no publicados, sin referato y sin preprint en arXiv — incluso unos suyos.
• La prosa, según su lectura, no es accesible ni para un especialista en el tema, que debería poder captar la estrategia general al hojear el artículo.

La parte más dura de su crítica no es sobre el contenido, sino sobre la asimetría: «Si esto se hubiera enviado a una revista académica, debería recibir un desk rejection por la calidad. La carga siempre es del autor de adaptarse al nivel de comunicación esperado». Es decir: OpenAI exige a los matemáticos que se adapten al formato de la empresa, en lugar de hacer el esfuerzo inverso.

No es un caso aislado: la racha matemática de OpenAI en 2026

Esa reacción no surge en el vacío. OpenAI viene de una seguidilla de anuncios matemáticos en los últimos meses. En septiembre de 2026, según reportó Science News, la empresa presentó GPT-6 Astra y, casi de paso, anunció haber bajado la cota de los «prime gaps» (la menor distancia que se repite infinitamente entre números primos) de 212 a 186. Ese récord intermedio de 212 lo había establecido días antes la startup Axiom Math, incorporando técnicas de la matemática Julia Stadlmann (Universidad de Illinois Urbana-Champaign), quien en agosto había movido la cota de 246 a 240 tras dos años de trabajo.

El 8 de septiembre, OpenAI anunció que un sistema experimental con unos 10.000 agentes concurrentes trabajando durante 88 horas, intercambiando 2,7 millones de mensajes y generando cerca de 130.000 millones de tokens, habría resuelto casos del problema de Navier-Stokes — uno de los siete Problemas del Milenio del Clay Mathematics Institute, con un premio de US$1 millón asociado. La verificación en Lean llevó 17 horas adicionales con GPT-6 Astra, según reportó CoinDesk.

Sobre ese anuncio, MIT Technology Review reportó que los matemáticos Tristan Buckmaster (NYU) y Levent Alpöge (Anthropic) cuestionaron que la prueba pudiera haberse apoyado en su trabajo no publicado sobre una variante del problema. OpenAI negó haber visto sus transcripts, pero reconoció que no podía descartar que datos de-identificados derivados de su uso de productos OpenAI hubieran influido en sus modelos. La empresa dijo que no reclamará el premio.

La crítica de fondo: ¿quién se adapta a quién?

La posición de Karagila no es la de un «anti-IA». El propio matemático aclara que la usa para consolidar información, generar infografías o revisar correos. Su objeción es de método y de poder:

• Lanzar cientos de papers a la vez, escritos de forma incomprensible, obliga a los especialistas a «dejar todo» para descifrarlos — lo que describe como un ataque de denegación de servicio a la comunidad investigadora.
• OpenAI tiene la capacidad de invertir millones de dólares en cómputo (los 10.000 agentes de Navier-Stokes costaron «millones de dólares» según declaró la propia empresa) y de llegar directo al público general. Esa asimetría convierte un «anuncio de progreso» en una «solución» en el ciclo mediático.
• Si las empresas de IA quieren aportar de verdad, dice Karagila, deberían consultar con matemáticos del área antes de publicar, como mínimo para mejorar la calidad de la comunicación.

El medallista Fields Terence Tao (UCLA) hizo una crítica complementaria días antes del anuncio de Navier-Stokes, en un hilo en Mastodon recogido por MIT Technology Review: en la mayoría de la matemática pura, el valor del problema no es la respuesta, sino lo que surge en el camino hacia ella — técnicas nuevas, ideas, subcampos enteros. «Resolver el problema prematuramente con métodos puramente IA — particularmente sin transparencia total sobre el proceso de solución — puede contaminar este proceso hasta volverlo un neto negativo para el progreso de la matemática como un todo», escribió Tao.

¿Qué significa esto para tu startup?

El caso Karagila–OpenAI no va de si la IA hace bien cuentas. Va de algo más útil para founders: cómo se gestiona una asimetría entre quien tiene capacidad de cómputo brutal y quien tiene el conocimiento del dominio. Tres patrones saltan del episodio:

1. La calidad del output es un producto, no un detalle. El preprint de OpenAI «debería recibir un desk rejection», según el experto del área. Si tu startup usa IA para generar código, contratos, análisis financieros o documentos legales, el mismo principio aplica: el output tiene que pasar el filtro de un especialista humano, no solo del LLM que lo emitió.
2. «IA lo hizo» no desplaza al experto del dominio. En Navier-Stokes, las técnicas de Diego Córdoba y Luis Martínez-Zoroa llevaban años marcando el camino. La IA aceleró el resultado, pero la research taste — elegir qué pregunta atacar y por dónde — sigue siendo humana. En tu empresa, el equivalente es: usar IA para multiplicar la productividad de tus expertos, no para sustituirlos.
3. El coste computacional es una barrera de entrada real. Si hace falta gastar «millones de dólares» en cómputo para verificar una prueba en Lean, el resultado solo lo pueden reproducir organizaciones con ese presupuesto. Cuando evalúes proveedores de IA, mirá no solo qué prometen, sino a qué escala pueden operar y a qué precio.

Dos acciones concretas para esta semana

• Audita un output reciente de IA con un experto del dominio. Elige un entregable generado con IA (un email a cliente, un análisis de datos, un fragmento de código) y pídele a la persona más experimentada del equipo que lo revise como si fuera un paper enviado a una revista. Lo que encuentre determina cuánto margen de mejora real hay en tu flujo.
• Mapea qué «research taste» humana tiene tu equipo y protégela. Haz una lista de las tres decisiones de producto o de mercado que solo puede tomar alguien con años de experiencia en tu sector. Son los puntos donde la IA no te va a sustituir aunque le des más cómputo. Invierte ahí antes que en más herramientas.

Fuentes

• OpenAI, the Partition Principle, and mathematics — Asaf Karagila (fuente original)
• A human set a new mathematical record. Then AI came for it — Science News
• What OpenAI’s latest controversy tells us about the future of math — MIT Technology Review
• OpenAI publishes its Navier-Stokes proof — The Next Web
• OpenAI says 10,000 AI agents solved a $1 million math problem — CoinDesk
• OpenAI’s math breakthrough exposes the next weak link in crypto security — CryptoSlate

Artículos relacionados:

Desempleo, agentes 24/7 y la carta de Dario Amodei Agentes IA en la empresa: ¿uno por persona o uno por equipo? Dejé de usar la IA como herramienta y la contraté Karpathy a Anthropic: el fichaje que rompe la IA Ponle límites a tu IA antes de delegarle todo