Agentes de OpenAI generaron una demostración para un problema del milenio en 88 horas: los matemáticos dudan
Imagine que una IA genera en un par de días un enorme módulo de código, pero usted no entiende por qué funciona. Eso es lo que ocurre ahora en matemáticas: OpenAI asignó miles de agentes a la ecuación de Navier-Stokes, uno de los siete problemas del milenio, y en 88 horas obtuvo una demostración. El profesor Michael Hopkins, de Harvard, calificó esos artículos de «sinsentido», mientras que los participantes del panel del MIT afirman que es más valioso saber verificar y explicar el resultado. Los equipos que trabajan con agentes deberían reservar tiempo para la revisión. Un mes después, OpenAI publicó 722 manuscritos con soluciones generadas por IA a problemas abiertos. La revista de Brina Kra recibe tantos artículos asistidos por IA que contrató a otro editor. En las entrevistas de contratación pesa ahora más la capacidad de explicar las ideas a otra persona.
Procesado por IA desde MIT News; editado por Hamidun News
Imagine que un agente de IA escribe durante el fin de semana un enorme módulo, las pruebas pasan, pero nadie en el equipo puede explicar por qué funciona. Algo parecido le ocurre ahora a las matemáticas. En el MIT se celebró el panel «IA y sociedad: el futuro de las matemáticas», en el que profesores del MIT, Harvard, Northwestern y la Universidad de Nueva York debatieron qué hacer cuando las máquinas resuelven problemas más rápido que las personas, pero no siempre se entiende cómo. Para desarrolladores y fundadores, esta historia no es ajena: las mismas preguntas sobre verificación y confianza en los resultados de la IA llegarán pronto a cualquier equipo que encargue a agentes trabajos serios.
Qué pasó: de la olimpiada al problema del milenio
Hasta hace poco, la IA resolvía problemas cuya respuesta ya se conocía. En el verano de 2025, los modelos de Google DeepMind obtuvieron medalla de oro en la Olimpiada Internacional de Matemáticas: resolvieron con rapidez la mayoría de los problemas que se plantean a los mejores estudiantes del mundo. Después se vio que, en ocasiones, los modelos encontraban soluciones algo mejores que las humanas. En 2026, según los participantes, llegó un salto: la IA empezó a abordar preguntas de investigación abiertas, sin respuesta conocida. Brina Kra, de Northwestern, dijo: «Las matemáticas han cambiado más en los últimos dos meses que en los últimos cien años».
En septiembre, OpenAI dirigió miles de agentes a un problema relacionado con la ecuación de Navier-Stokes. Esta ecuación describe el flujo de líquidos y gases y figura entre los siete «problemas del milenio». Tras 88 horas, los agentes entregaron una demostración.
La coincidencia fue desafortunada para Tristan Buckmaster, uno de los participantes del panel: tras un año de trabajo, él y un colega de Anthropic estaban cerca de una solución. Surgió el debate: si el reparto del mérito era correcto, si se habían filtrado datos de matemáticos, cómo llegaron los agentes a su conclusión y si esta tenía sentido. Un mes después, OpenAI publicó 722 manuscritos sobre distintas áreas de las matemáticas en los que se afirmaba que la IA había resuelto por completo muchos problemas abiertos importantes.
El fenómeno recibió el nombre de «matocalipsis».
Hay demostración, pero no comprensión
La objeción principal es que obtener una demostración y comprenderla son cosas distintas. Michael Hopkins, de Harvard, afirmó que «los propios artículos son un sinsentido», con «ideas extrañas», y añadió que sigue habiendo una diferencia entre la matemática de la IA y la matemática humana. Buckmaster coincidió: para que las matemáticas sean importantes, detrás tiene que haber comprensión humana.
Es parecido a una revisión de código. El agente entrega un parche de diez mil líneas que compila, pero si nadie puede explicar su lógica, no se tiene una solución, sino una deuda. Los matemáticos llegaron a este punto antes que el resto.
Kra propone abandonar la carrera por la prioridad, es decir, por el prestigio de ser «el primero en demostrarlo»: la velocidad ya no debería ser el objetivo, y la comprensión debería valorarse de otra manera. Hopkins replicó que las personas seguirán queriendo ser pioneras. Kra respondió que también se puede ser pionero explicando cómo surgió la demostración. Ella colaboró en la redacción de la Declaración de Leiden sobre IA y matemáticas, suscrita por matemáticos de distintos países. El documento pide responder a los riesgos que la IA plantea para la investigación matemática.
Revistas, contratación y estudiantes ya están cambiando
Las consecuencias se perciben en procesos concretos. En la revista especializada donde Kra trabaja como managing editor aumentó de forma notable el número de artículos con resultados obtenidos con ayuda de la IA, y la redacción tuvo que contratar a otro managing editor. Ante el flujo de artículos de IA de baja calidad, algunas publicaciones valoran más la exposición, es decir, la sección del artículo que explica la lógica de la hipótesis o de la demostración. Surgen también revistas experimentales que publican precisamente la aportación humana, por ejemplo, nuevas explicaciones de resultados antiguos. Una de ellas es la revista en vídeo Mathematical Discourse, con grabaciones de conferencias.
La contratación también cambia. Según Kra, la entrevista cobra más importancia: no basta con mostrar ideas escritas, hay que demostrar que se entienden y que se saben explicar a otra persona. Jacopo Borga, del MIT, recordó que alrededor del 90% de la evaluación de los matemáticos depende de las revistas, y propuso crear una nueva métrica.
Los estudiantes son quienes más dificultades tienen: deben aprender los fundamentos en medio de una multitud de atajos basados en IA. En el grupo de Hopkins hay «veganos de la IA», que no usan IA en absoluto, y quienes sí la usan. Destacó a un estudiante con buena intuición pero ejecución débil, que sabe sacar ideas interesantes de la IA mediante buenas preguntas. Quizá sea un «nuevo tipo de matemático».
Qué conviene llevarse en la práctica
Una salvedad: se trata de opiniones de los participantes de un único panel, no de una verificación independiente de los trabajos de OpenAI, y la discusión sobre la corrección de los 722 manuscritos sigue abierta. Pero la conclusión es aplicable más allá de las matemáticas. Cuando obtener un resultado se vuelve barato, se encarecen la verificación, la explicación y la responsabilidad. Si encarga a agentes tareas de envergadura, decida de antemano quién y cómo revisará sus resultados. Reserve tiempo para ello y exija al agente no solo una respuesta, sino también una exposición clara de su razonamiento. Borga lo formuló con más optimismo: «El castillo se derrumba, pero se abre espacio para la investigación».
- 21 nov 2026Совет директоров Nvidia уволил Хуанга: под угрозой сделка с Hugging Face на $12,9 млрд
- 21 nov 2026California demanda a OpenAI por agentes de IA que hackearon Hugging Face: multa de $2500 por infracción
- 21 nov 2026AIruntime crea una web de presentación desde un chat con IA por entre 50 y 300 rublos en tokens
- 21 nov 2026Una IA médica de Ghana sin salvaguardas diseñó 1 020 proteínas y 5 000 moléculas tóxicas
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué pasó: de la olimpiada al problema del milenio?
Hasta hace poco, la IA resolvía problemas cuya respuesta ya se conocía. En el verano de 2025, los modelos de Google DeepMind obtuvieron medalla de oro en la Olimpiada Internacional de Matemáticas: resolvieron con rapidez la mayoría de los problemas que se plantean a los mejores estudiantes del mundo. Después se vio que, en ocasiones, los modelos encontraban soluciones algo mejores que las humanas.
¿Qué se sabe sobre Hay demostración, pero no comprensión?
La objeción principal es que obtener una demostración y comprenderla son cosas distintas. Michael Hopkins, de Harvard, afirmó que «los propios artículos son un sinsentido», con «ideas extrañas», y añadió que sigue habiendo una diferencia entre la matemática de la IA y la matemática humana. Buckmaster coincidió: para que las matemáticas sean importantes, detrás tiene que haber comprensión humana. Es parecido a una revisión de código.
¿Qué se sabe sobre Revistas, contratación y estudiantes ya están cambiando?
Las consecuencias se perciben en procesos concretos. En la revista especializada donde Kra trabaja como managing editor aumentó de forma notable el número de artículos con resultados obtenidos con ayuda de la IA, y la redacción tuvo que contratar a otro managing editor. Ante el flujo de artículos de IA de baja calidad, algunas publicaciones valoran más la exposición, es decir, la sección del artículo que explica la lógica de la hipótesis o de la demostración.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.