OpenAI descarga 372 teoremas y revienta las matemáticas

Lo que acaba de pasar en matemáticas no tiene precedentes recientes

El 6 de octubre de 2026, OpenAI liberó en un repositorio público de GitHub 722 manuscritos matemáticos agrupados en 372 familias de resultados, producidos por un modelo interno no publicado que la compañía describe como frontier. Muchos de los enunciados vienen acompañados de formalizaciones en Lean, el lenguaje que permite que una computadora valide paso a paso la lógica de una demostración. Entre los resultados aparece lo que parece ser una demostración de la Unique Games Conjecture (UGC) de Subhash Khot, junto con avances en L=BPL, solución al problema de síntesis unitaria, área law para Hamiltonianos 2D, multiplicación de matrices en O(n^2,25) y progreso parcial sobre la hipótesis de Riemann, Hodge y Birch–Swinnerton-Dyer. Scott Aaronson, profesor de UT Austin y testigo directo del día, tituló su crónica personal The Mathocalypse y la resumió con crudeza: "ayer fue, sin duda, uno de los días más grandes de la historia de la matemática".

Por qué importa aunque no seas matemático

La UGC no es un problema esotérico. Si es verdadera, implica que una clase enorme de problemas de optimización —incluido Max-Cut y casi todos los CSP (constraint satisfaction problems)— son NP-hard incluso cuando sólo pedís una aproximación ligeramente mejor que la que da la relajación semidefinida. Es decir: bajo la UGC, no hay atajos algorítmicos eficientes para una enorme cantidad de problemas prácticos de grafos, scheduling, diseño de redes y aprendizaje automático. Dana Moshkovitz, esposa de Aaronson y una de las investigadoras que más trabajaron sobre la conjetura, recibió la noticia con una mezcla de vindicación —"yo siempre creí que era verdad"— y desconcierto: el artículo está tan mal escrito, dice, que es imposible de leer sin ayuda de IA. La reacción emocional de toda una subcomunidad de la teoría de la computación recorrió el mundo.

El método: 4.000 problemas, 3 horas de cómputo por respuesta

Según el README del repositorio openai/math, el modelo fue enfrentado a aproximadamente 4.000 problemas abiertos y resolvió alrededor del 5% de ellos. Cada resultado consumió, en promedio, el equivalente a tres horas de cómputo tipo ChatGPT Pro en modo thinking. OpenAI destaca que no se trató de una nube de 10.000 agentes quemando millones de dólares como en el caso anterior de Navier–Stokes, sino de un único agente con un único prompt para la mayoría de los resultados. El modelo podría ser liberado a clientes pagos en los próximos meses, dependiendo de la evaluación de la junta de seguridad de la propia OpenAI. La filtración de resultados —el lunes previo, Virginia Williams y Josh Alman habían publicado en arXiv (2610.06783) mejoras a 3SUM y APSP logradas con ayuda de Anthropic— confirmó que ya no se trata de un laboratorio compitiendo solo.

Verificación: Lean, un comité asesor y la queja de los matemáticos

OpenAI organizó la liberación siguiendo recomendaciones de un comité asesor independiente —el Advisory Group on Mathematics and Artificial Intelligence del Institute for Advanced Study, integrado entre otros por Timothy Gowers y Edward Witten— que publicó su guía el 29 de septiembre de 2026 tras recibir más de 600 respuestas de la comunidad matemática. El comité pidió que los laboratorios publiquen modelo, prompts, tiempo y costo de cómputo de cada resultado; que depositen las pruebas en repositorios académicos con identificadores citables persistentes; y que financien el trabajo humano de digerir las demostraciones. Scientific American recogió la queja central: OpenAI no reveló los prompts y sólo dio tiempos de cómputo promedio, por lo que Andrew Sutherland del MIT pidió "recibos" antes de aceptar las afirmaciones. Terence Tao ha criticado públicamente el ritmo "insano" al que los laboratorios frontier están descargando resultados sin digerir. El propio OpenAI reconoce que ni siquiera sus matemáticos internos entienden aún muchos de los teoremas que publicaron.

Qué cambia para founders, ingenieros y product builders

Aunque los teoremas abstractos tarden meses en digerirse, el efecto competitivo es inmediato. Si el modelo de OpenAI está a meses de estar disponible por API, una startup que hoy depende de optimizadores semidefinitidos, solvers Max-Cut o problemas de scheduling NP-hard tiene una ventana corta para repensar su moat algorítmico. Tres acciones concretas que un founder puede empezar esta semana:

• Auditar qué heurísticas de tu producto dependen de la UGC siendo verdadera o falsa. Productos de routing, asignación de recursos, diseño de redes y simulación física suelen apoyarse, consciente o inconscientemente, en la hardness aproximada garantizada por la UGC. Mapéalas con tu equipo técnico antes de que un competidor con acceso al modelo publique una alternativa eficiente.
• Construir un "digest pipeline" interno que use IA para leer papers de IA. Si hasta Moshkovitz necesitó a Astra para entender el paper, una startup mediana tiene aún menos tiempo. Empieza a experimentar con prompts y cadenas de razonamiento que traduzcan papers a decisiones técnicas; será una ventaja comparativa enorme en los próximos 12 meses.
• Replantillar tu roadmap de I+D como "humanos curando, máquinas produciendo". Aaronson compara el momento con un cazador-recolector al que le crece al lado un resort con helipuerto. La nueva ventaja competitiva no será generar papers sino filtrar, verificar y aplicar lo que las IA ya producen. Equipos chicos con buenos prompts y criterio técnico pueden competir con laboratorios enteros.

Lo que todavía falta (y eso es tranquilizador)

P ≠ NP, P = BPP, NEXP ⊄ P/poly no aparecen en la lista. Los grandes problemas estructurales de la teoría de la computación siguen en pie, lo que sugiere que las cuestiones más profundas sobre qué se puede computar eficientemente no han caído. También quedaron fuera de esta ola la demostración completa de la hipótesis de Riemann y el resto de los Millennium Prize Problems sin cerrar. Es decir: la IA ya escala, pero no todo se le rinde todavía.

Fuentes

• The Mathocalypse — Shtetl-Optimized (Scott Aaronson) (fuente original)
• OpenAI Releases 722 Math Manuscripts From an Unreleased AI Model — Unite.AI
• OpenAI unleashes hundreds more math results upon a field already in shock — Scientific American
• OpenAI's largest mathematics release tackles 4,000 problems with Lean-checked proofs — Interesting Engineering

Artículos relacionados:

IA genera ave falsa en Brasil: riesgo para startups UGC UGC Slalom lanza el primer mercado de influencers para marcas De la performance de influencers a la conexión real: el nuevo reto de las startups Video corto y UGC con IA en LATAM: el caso Vmake Labs OpenAI lanza Astra: el modelo más potente y polémico