OpenAI dice haber resuelto 3 problemas científicos clave

Tres demostraciones, tres formas distintas de publicarlas

OpenAI presentó el 26 de octubre de 2026 tres resultados que atribuye a un modelo interno: uno en análisis armónico, otro en teoría de la complejidad computacional y un tercero en teoría cuántica de campos. El anuncio llegó menos de un mes después de que la compañía liberara de golpe más de 700 resultados matemáticos generados por IA, y esta vez no repitió la fórmula.

El cambio de método es la parte que le sirve a cualquier founder que construya con IA. La propia compañía describe los manuscritos de sus modelos como «datos de investigación en bruto»: material que todavía tiene que pasar por interpretación y verificación independiente antes de contar como conocimiento científico.

¿Cuáles son los tres resultados que OpenAI atribuye a sus modelos?

El primero es matemático. Según el anuncio recogido por Unite.AI y DiarioBitcoin, los modelos habrían demostrado la conjetura del suavizado local —planteada por Christopher Sogge en 1991— en todas las dimensiones y, por esa vía, también la conjetura de Kakeya y la de restricción de Stein. El antecedente que cita la compañía: Guth, Wang y Zhang probaron el suavizado local en dos dimensiones espaciales en 2019, y Wang y Zahl resolvieron Kakeya en tres dimensiones en 2025. El Mundo recuerda que el acertijo original lo planteó el matemático japonés Soichi Kakeya en 1917, y que Hong Wang recibió la Medalla Fields en julio por ese trabajo.

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 segundo es de informática teórica. OpenAI afirma que su sistema demostró que la hipótesis del tiempo exponencial (ETH, por sus siglas en inglés) es falsa. Es una conjetura de finales de los noventa —Scientific American la sitúa sugerida por primera vez en 1999— sobre el costo de resolver fórmulas booleanas de satisfacibilidad, emparentada con el problema P vs. NP. El Mundo apunta que el resultado roza uno de los siete Problemas del Milenio del Clay Mathematics Institute, cada uno premiado con un millón de dólares, de los que hasta ahora solo se resolvió uno.

El tercero es de física teórica: una prueba de existencia matemáticamente rigurosa de teorías cuánticas de campos con campos de gauge y fermiones en cuatro dimensiones, incluida la cromodinámica cuántica (QCD) y una completación unificada del Modelo Estándar. Como subproblema incluye la existencia de la teoría pura de Yang-Mills, parte del Problema del Milenio de Yang-Mills. El Mundo precisa que OpenAI no demostró la otra mitad del problema, la llamada «brecha de masa».

¿Por qué OpenAI no lo publicó todo de golpe esta vez?

Porque la comunidad matemática ya le pasó factura. Scientific American señala que la compañía organizó un panel asesor —la Advisory Group on Mathematics and Artificial Intelligence (AGMAI)— en respuesta a las críticas generalizadas de los matemáticos, y que estas tres publicaciones contradicen sus recomendaciones. Ese panel emitió una declaración un día antes del anuncio designando expertos para guiar los resultados hacia el dominio público, y el paper sobre Yang-Mills sigue sin hacerse público.

La estrategia que OpenAI aplicó es distinta en cada disciplina, tal como reportaron DiarioBitcoin y Unite.AI:

Matemáticas: publica directamente el material generado por el modelo y deja que los investigadores se organicen para explicarlo.
Informática: forma un grupo externo de colaboradores que lo interprete y, al mismo tiempo, libera el contenido para que cualquiera lo examine.
Física: forma un grupo externo y le cede la decisión sobre qué materiales se publican. Ese grupo decidió, por ahora, no difundir los artefactos generados por IA y escribir el resultado por su cuenta.

Los equipos tienen nombres y apellidos. El de informática lo lideran Russell Impagliazzo y Ramamohan Paturi (UC San Diego) —autores originales de la ETH junto a Francis Zane— y Ryan Williams (MIT). El de física lo dirige David Gross, Nobel de Física en 2004 por la libertad asintótica, e incluye a Michael Douglas, Arthur Jaffe, Igor Klebanov y Nikita Nekrasov.

OpenAI también detalló las reglas del juego: transparencia sin acuerdos de confidencialidad, renuncia al crédito académico por el descubrimiento original, reconocimiento del trabajo de interpretación y participación voluntaria y no remunerada. La compañía admite un límite de fondo: elegir quién entra primero genera asimetría de información. Y complementa el esquema con una contribución de US$5 millones a la Simons Foundation, según DiarioBitcoin y Unite.AI.

¿Alcanza con formalizar una demostración en Lean para dar el problema por resuelto?

No, y este es el punto que más conviene entender. Una formalización en Lean es un objeto que una máquina puede verificar paso a paso, pero no reemplaza el trabajo de explicar el argumento y evaluar sus consecuencias. Que un modelo entregue una demostración formalizada no implica automáticamente que haya resuelto el problema científico en discusión.

Scientific American añade un detalle incómodo para cualquier equipo que compre IA a ciegas: el modelo que produjo las pruebas sigue siendo propietario, y los prompts exactos, el tiempo de cómputo y las cadenas de razonamiento no se hicieron públicos. Es decir, incluso la parte formalmente verificable convive con una caja negra.

El clima tampoco ayuda. El Mundo recuerda que en septiembre la supuesta demostración de Navier-Stokes derivó en una disputa por el crédito con el matemático Tristan Buckmaster (Universidad de Nueva York) y Levent Alpöge, investigador de Anthropic. Y Scientific American reporta que, pocas horas después del anuncio de OpenAI, Anthropic publicó su propio resultado independiente refutando la ETH.

Las reacciones académicas son prudentes. El Mundo cita al especialista en análisis armónico Alex Iosevich (Universidad de Rochester), que calificó el avance como un «desarrollo histórico» en declaraciones a Al Jazeera. Desde Corea, Donga Science recoge la lectura de Sang-il Oum (Institute for Basic Science), para quien el anuncio es impactante porque muchos límites algorítmicos se probaron asumiendo la ETH, y la de Tae-Eog Lee (KAIST), que espera poco impacto práctico inmediato en criptografía u optimización. Chanju Kim (Ewha Womans University) lo resume así: aunque se verifiquen, los resultados no revelarán fenómenos nuevos, sino que completarán piedras faltantes del edificio teórico.

¿Qué significa esto para tu startup?

El episodio es una lección de ingeniería aplicada más que de física. Tres cosas concretas que puedes llevar a tu operación:

Separa generación de verificación. Si tu producto usa IA para producir código, análisis financiero o documentación técnica, asume que la salida es materia prima, no entregable. Define un paso explícito de validación humana o automática antes de que llegue al cliente, igual que OpenAI separa el manuscrito del grupo de expertos que lo interpreta.
Invierte en verificación ejecutable. Lean hace verificable cada paso de una demostración. El equivalente en tu stack son tests reproducibles, contratos de API y especificaciones que una máquina pueda chequear. Cuanto más barato sea verificar, más agresivo puedes ser generando.
Exige trazabilidad a tus proveedores de IA. El reclamo central de la comunidad científica no fue el resultado, sino la falta de acceso al modelo, los prompts y el cómputo. Si tu startup vende IA a empresas reguladas, la trazabilidad del proceso es parte del producto, no un extra.

Conclusión

OpenAI cambió la forma de publicar porque la anterior le costó credibilidad: pasó de una descarga masiva de resultados a un esquema donde expertos externos coordinan la interpretación y, en física, deciden no publicar los materiales generados por IA. El valor de la noticia está en ese giro, no en la lista de conjeturas.

Para un founder, la conclusión es directa: en 2026 la ventaja competitiva ya no está en generar más rápido, sino en verificar mejor. Quien construya el proceso de validación más barato y confiable para sus salidas de IA va a poder moverse más rápido que quien solo acumula resultados sin respaldo. Como resume Donga Science, lo relevante no es solo qué problema se resolvió, sino que la IA llegó al punto de poder intentarlo.