OpenAI Astra resuelve 10 problemas matemáticos con solo US$2.000

El modelo Astra de OpenAI resuelve 10 problemas matemáticos con solo US$2.000 en tokens

OpenAI anunció que su próximo modelo principal, Astra, ha resuelto diez problemas matemáticos de larga data, algunos abiertos durante décadas, con un costo reportado de solo US$2.000 en llamadas a la API. Según Markman Capital Insight, los resultados abarcan teoría de grupos, geometría de alta dimensión, teoría de códigos, complejidad cuántica, criptografía de retículos y combinatoria extrema, y llegaron como una colección de manuscritos de 249 páginas acompañada de certificados verificables por máquina para cada resultado.

Los problemas no eran ejercicios de libro de texto disfrazados como descubrimientos. Cada uno había estado abierto durante al menos diez años, la mayoría mucho más tiempo, y varios se sitúan en el centro de sus subcampos. Entre ellos destacan:

Una construcción que establece la existencia de grupos no sóficos, una pregunta que ha ocupado a los teóricos de grupos durante años
Una refutación de la conjetura de rigidez de Connes, un problema de larga data en la teoría de álgebras de von Neumann
Una mejora del límite superior general de la densidad de empaquetamiento de esferas en dimensiones altas, un límite que había permanecido desde 1978
Tres problemas extraídos del catálogo de preguntas abiertas dejadas por Paul Erdős

El anuncio sigue otro resultado de mayo de 2026, cuando la misma familia de modelos supuestamente refutó la conjetura de distancia unitaria de Erdős, un problema de 80 años en geometría discreta que había resistido todos los intentos serios desde 1946.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

¿Por qué esta noticia importa más allá de las matemáticas?

Para un founder tech, esta noticia no es solo sobre matemáticas académicas. Es una señal clara de que la IA está alcanzando niveles de razonamiento abstracto que antes se consideraban dominio exclusivo humano. Cuando un modelo puede resolver problemas que han desafiado a los mejores matemáticos durante décadas por solo US$2.000 en tokens, estamos ante un cambio de paradigma en cómo se hace investigación científica.

James Maynard, profesor de la Universidad de Oxford y ganador de la prestigiosa Medalla Fields, dijo a The Verge que ha estado «buscando su alma» este último año, lidiando con el futuro de su campo. Para Maynard y otros matemáticos, el anuncio ha añadido una compleja mezcla de emociones: excitación palpable ante la posibilidad de acelerar el descubrimiento matemático, pero también aprensión, y en algunos casos desesperación, sobre lo que esto podría significar para las personas que han dedicado sus vidas a esta búsqueda.

La Declaración de Leiden: un llamado a la responsabilidad en la era de la IA

En junio de 2026, matemáticos publicaron la Declaración de Leiden sobre Inteligencia Artificial y Matemáticas, un conjunto de principios para el uso responsable de la IA en matemáticas que ha sido respaldado por la Unión Matemática Internacional y firmado por más de 3.400 personas. Según la declaración oficial, esta iniciativa llama a la acción para abordar los desafíos planteados por el uso de inteligencia artificial dentro de la investigación matemática.

La declaración identifica cinco amenazas principales que la IA plantea a la disciplina matemática:

Resultados no confiables: La IA puede producir «pruebas» que parecen convincentes pero contienen errores casi invisibles
Falta de atribución adecuada y violación de derechos de autor: Los modelos de IA a menudo producen resultados sin citar el trabajo humano en el que se basan
Dependencia y desigualdad: Existe el riesgo de que los matemáticos pronto dependan del acceso a la última tecnología de IA propietaria y recursos computacionales costosos
Sobrevaloración de resultados: Los comunicados de prensa y blogs a menudo hacen afirmaciones sobre IA sin el escrutinio científico adecuado
Pérdida de autonomía: Cuando la viabilidad técnica o los intereses comerciales dan forma a las direcciones de investigación, las matemáticas corren el riesgo de perder autonomía

¿Qué significa esto para tu startup?

1. La verificación automatizada como ventaja competitiva

Los resultados de Astra fueron formalizados en Lean, un asistente de pruebas que verifica argumentos matemáticos paso a paso, y los archivos de certificado fueron publicados en GitHub bajo una licencia abierta. Cualquiera puede descargarlos y ejecutar el verificador. Esta propiedad es rara, y es la razón por la que este anuncio se lee diferente de una puntuación de referencia.

Para tu startup: Si trabajas en áreas donde la verificación es crítica (fintech, salud, seguridad), invertir en herramientas de verificación formal puede darte una ventaja competitiva. La capacidad de demostrar matemáticamente que tu sistema funciona como se especifica reduce el riesgo regulatorio y aumenta la confianza del cliente.

2. El costo de la investigación se desploma

OpenAI estima que generar las 10 soluciones de Astra habría costado alrededor de US$2.000 en tokens a los precios actuales de API para su modelo Sol. Para un campo acostumbrado a operar con un presupuesto ajustado, incluso este precio anunciado podría ser demasiado para algunos investigadores.

Para tu startup: La barrera de entrada para la investigación avanzada está cayendo drásticamente. Lo que antes requería años de estudio especializado y equipos de investigación ahora puede abordarse con modelos de lenguaje. Esto significa que startups más pequeñas pueden competir en áreas antes dominadas por grandes corporaciones o instituciones académicas.

3. La atribución y ética como diferenciador

La controversia sobre la atribución en los resultados de OpenAI (específicamente sobre el trabajo de Andreas Thom y Gábor Kun) muestra que la transparencia en el uso de IA será cada vez más importante. Francesco Fournier-Facio, matemático de la Universidad de Cambridge, dijo a The Verge que él y otros en esa área creían que el anuncio original de OpenAI minimizaba las contribuciones de estos investigadores.

Para tu startup: Establecer políticas claras de atribución cuando uses herramientas de IA no es solo ético, es estratégico. En un mercado donde la confianza es escasa, poder demostrar transparencia en cómo usas la IA puede ser un diferenciador clave.

Dos acciones concretas que puedes implementar hoy

1. Incorpora herramientas de verificación formal en tu pipeline de desarrollo

No esperes a que la regulación te obligue. Si tu startup maneja datos sensibles, transacciones financieras o decisiones críticas, implementa herramientas como Lean, Coq o Isabelle para verificar partes clave de tu código. Comienza con módulos pequeños y expande gradualmente.

2. Crea una política de transparencia de IA para tu equipo

Documenta cómo y cuándo usas herramientas de IA en tu proceso de desarrollo. Incluye:

Qué modelos usas y para qué
Cómo verificas los resultados
Cómo atribuyes el trabajo previo en el que se basa
Cómo manejas los sesgos potenciales

Esta política no solo te prepara para futuras regulaciones, sino que también construye confianza con inversionistas y clientes.

El futuro de la investigación matemática (y por extensión, de la innovación)

Colva Roney-Dougal, profesora de la Universidad de St Andrews en Escocia, expresó preocupación por los investigadores en instituciones más pequeñas y menos ricas que podrían quedar excluidos de algunas investigaciones por completo. También hay una inquietud más amplia sobre la creciente intrusión de intereses comerciales en un campo que ha operado en gran medida de manera abierta.

Para los founders, esta transición representa tanto una oportunidad como una advertencia. La oportunidad: acceso a capacidades de razonamiento avanzado a un costo cada vez menor. La advertencia: la necesidad de mantener estándares éticos y de transparencia en un entorno donde es fácil exagerar las capacidades de la IA.

Como dijo Yang-Hui He, fellow del London Institute for Mathematical Sciences: «Muchos sintieron que hubo una especie de ‘transición de fase’ en los últimos seis meses, con la IA produciendo avances genuinos y significativos». Esa transición de fase no se limita a las matemáticas: está ocurriendo en tu industria también.