OpenAI dice resolver Navier-Stokes con 10.000 agentes IA

OpenAI dice haber resuelto Navier-Stokes: 10.000 agentes, 88 horas y una pelea abierta con matemáticos

El 8 de septiembre de 2026, OpenAI publicó una demostración del problema de existencia y regularidad de las ecuaciones de Navier-Stokes, uno de los siete Problemas del Milenio del Clay Mathematics Institute. La compañía afirma que un modelo interno, descrito como «significativamente más capaz» que GPT-6 Astra, alcanzó la solución tras desplegar hasta 10.000 agentes de IA trabajando en paralelo durante 88 horas, según reportó AFP. El costo en cómputo fue, en palabras del director de investigación Mark Chen, «enfáticamente, de varios millones de dólares» — la cobertura de TechCrunch estima la cifra en torno a US$22,5 millones a tarifas actuales de Astra, sobre unos 300.000 millones de tokens de salida.

Lo relevante para founders no es el resultado en sí: es lo que revela sobre cómo se va a investigar, producir y resolver problemas complejos a partir de ahora. Cuando la capacidad de cómputo se vuelve la palanca que decide quién llega primero a una solución, el ecosistema del conocimiento empieza a parecerse más a una carrera de infraestructura que a una conversación académica.

Qué dice exactamente la demostración de OpenAI

El resultado, si supera el escrutinio matemático, respondería a la pregunta central del premio: si las soluciones suaves de las ecuaciones de Navier-Stokes en 3D pueden mantenerse regulares indefinidamente o desarrollar una singularidad en tiempo finito. OpenAI afirma haber demostrado el «blowup» en tiempo finito: que un fluido inicialmente en reposo puede generar una singularidad cuando se aplica una fuerza suave.

🤖 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

La compañía entregó dos piezas: una demostración analítica convencional y una formalización en Lean, el lenguaje de verificación mecánica de teoremas. La formalización en Lean no convierte la demostración en «oficial» automáticamente — según YourStory, una prueba verificada en Lean garantiza que el argumento formal es correcto, pero no que las hipótesis subyacentes resuelvan exactamente la formulación del problema establecida por Clay. El Clay Mathematics Institute exige que la solución se publique en una revista con revisión por pares y que reciba aceptación general de la comunidad matemática durante al menos dos años antes de considerar el premio, según declaró su presidente Martin Bridson a AFP. De los siete Problemas del Milenio, solo uno — la Conjetura de Poincaré, resuelta por Grigori Perelman en 2003 — se ha cerrado hasta hoy.

Por qué hay polémica y qué está en juego

El anuncio llegó horas después de que el matemático de la NYU Tristan Buckmaster y Levent Alpöge (matemático en Anthropic) publicaran sus propios resultados sobre ecuaciones relacionadas — porosidad incompresible, Boussinesq y Euler 3D — también alcanzados con ayuda de IA, incluyendo Codex de OpenAI y Claude de Anthropic.

Buckmaster asegura que OpenAI lanzó su ataque al problema el 1 de septiembre, después de que trascendiera la línea de investigación que él y Alpöge estaban siguiendo, una ruta concreta dentro de las cuatro opciones que define Charles Fefferman en la formulación del Clay. «Casi nadie más que yo conozco estaba trabajando en esa dirección», escribió Buckmaster en su comunicado. El matemático Terrence Tao (UCLA) respaldó en redes que el enfoque lo habían abierto antes los matemáticos españoles Diego Córdoba y Luis Martínez-Zoroa, según recoge Wccftech.

OpenAI sostiene que ni sus investigadores ni sus agentes tuvieron acceso a prompts, demostraciones o trabajo privado de Buckmaster y Alpöge antes de su publicación. Sebastien Bubeck, responsable del proyecto en OpenAI, fue categórico: «No usamos sus prompts ni sus pruebas para dirigir nuestros modelos o nuestros agentes». Sin embargo, en un mensaje posterior en X, la compañía reconoció: «aunque improbable, no podemos descartar que datos anonimizados derivados del uso de nuestros productos hayan contribuido a mejorar nuestros modelos». Es la grieta por donde se cuela toda la sospecha: Codex puede entrenarse con interacciones (salvo opt-out explícito del usuario), y eso deja abierta la pregunta sobre hasta dónde llega lo «privado» cuando trabajas dentro de una herramienta de IA.

A esto se suma otra disputa: Buckmaster afirma que Bubeck le propuso una publicación conjunta en la que el nombre de Alpöge — empleado de Anthropic — quedaba fuera. Bubeck niega esa versión. TechCrunch cita además un intercambio más tenso, en el que Bubeck habría dicho, según Buckmaster, «¿por qué ibas a arruinar tu carrera?».

Qué cambia para founders, investigadores y laboratorios

Lo que muestra este episodio no es un caso aislado, sino un patrón que se va a repetir:

El problema de la atribución se vuelve un cuello de botella legal y de reputación. Cuando el «instrumento» que usas para pensar también entrena al competidor, la frontera entre idea propia y conocimiento del modelo se difumina. El contrato de Codex — y el de cualquier producto de IA generativa — necesita leerse con esta lente.
El cómputo se convierte en ventaja competitiva sobre la idea. Si una idea prometedora puede ser «superada» en 88 horas con millones de dólares en cómputo, el tiempo entre «rumor» y «publicación rival» se acorta hasta hacer casi imposible la ventaja del pioneer. Esto ya ocurre en biología computacional, simulación de materiales y criptografía.
Las revistas y los premios tendrán que adaptar sus reglas. El protocolo del Clay — dos años de aceptación comunitaria — asume un ritmo humano de revisión. Para cuando se cumpla, puede haber varias soluciones generadas por IA compitiendo por el mismo premio.

Qué significa esto para tu startup

Tres implicaciones prácticas si trabajás con IA generativa en procesos sensibles (I+D, legal, estrategia, datos propietarios):

Revisá la política de entrenamiento de cada herramienta que usás. Codex, Claude, Gemini y otros permiten opt-out del entrenamiento. Si tu ventaja competitiva depende de prompts o razonamientos que no querés ver reciclados por el proveedor (o por su competidor), activá esa opción y dejalo documentado. No asumas que «interno» significa «privado».
No把你的»notas» más sensibles en un único producto de un único vendor. Buckmaster y Alpöge almacenaron sus borradores en Codex. Si ese hubiera sido tu IP central, hoy estarías en su lugar. Para I+D serio, combiná herramientas, exportá versiones a tu propio repositorio y tratá cada interacción con IA como un correo potencialmente compartido.
Construí tu «moat» sobre datos y procesos que no podés delegar a una API. Si tu diferenciación cabe en un prompt, alguien con más cómputo va a replicarla más rápido de lo que pensás. La defensibilidad durable viene de datos propietarios, relaciones regulatorias, integraciones únicas o efectos de red — no de la idea en abstracto.

Conclusión

El episodio Navier-Stokes no es una anécdota sobre matemáticas: es un anticipo de cómo se va a producir conocimiento cuando los agentes de IA trabajan a escala industrial. La pregunta ya no es si la IA puede resolver problemas difíciles — claramente puede intentarlo — sino quién firma el resultado, qué crédito se reconoce y cómo se protege el trabajo previo cuando el «instrumento» también es tu competidor. Para founders, la lección operativa es concreta: leer las políticas de entrenamiento, diversificar herramientas y construir defensas que no quepan en un prompt.