El miércoles 7 de octubre de 2026, OpenAI publicó de una sola vez un enorme paquete de resultados matemáticos producidos por inteligencia artificial. Según Engadget, se trata de 722 manuscritos alojados en un repositorio de GitHub que abordan 372 problemas matemáticos abiertos. New Scientist describió la entrega como 722 artículos que prueban y refutan una amplia variedad de enunciados, una escala que los académicos consultados califican de «tan impresionante como desconcertante».
La empresa no identificó el sistema que generó los resultados y se limitó a describirlo como un «modelo de frontera interno». Según The Decoder, cada resultado pretende resolver un problema abierto o lograr un avance sustancial hacia su solución. Entre los logros que OpenAI reivindica figuran una solución a la conjetura de Kakeya en cuatro dimensiones, mejoras en algoritmos informáticos importantes y avances relacionados con la hipótesis de Riemann, uno de los problemas más célebres de las matemáticas.
Conviene subrayar desde el principio que se trata de afirmaciones de la compañía y que la verificación está en curso. Ninguno de estos resultados ha pasado todavía por el proceso habitual de revisión por pares, y varios expertos insisten en que la comunidad necesitará tiempo para comprobar cuáles son correctos, cuáles son originales y cuáles tienen verdadera relevancia matemática. Un resultado lógicamente válido no es necesariamente un resultado importante.
El método de trabajo también llama la atención. OpenAI asegura que casi todos los manuscritos surgieron de una sola instrucción a un único agente de IA, aunque algunos requirieron varios intentos. De media, cada resultado consumió unas tres horas de cómputo equivalentes al modo de razonamiento de ChatGPT Pro. El contraste con el trabajo sobre Navier-Stokes que OpenAI anunció en septiembre es notable: aquel esfuerzo necesitó, según The Decoder, un enjambre de 10.000 agentes y millones de dólares en cómputo, y sigue en revisión formal desde hace semanas.
Una parte del material incluye formalizaciones en Lean, un lenguaje de programación diseñado para comprobar demostraciones matemáticas de forma automática, y OpenAI prometió añadir más. La razón es práctica: el volumen de resultados puede desbordar la capacidad de revisión manual de los matemáticos. Sin embargo, una formalización en Lean garantiza la corrección lógica de una prueba, pero no dice nada sobre su originalidad ni sobre si el enunciado demostrado es el que realmente interesa a la comunidad.
La publicación en GitHub, y no en revistas científicas, es en sí misma una declaración de intenciones. OpenAI explicó que el repositorio cuenta con protocolos para revisar los artículos y para gestionar las citas, y que sigue explorando «otras alternativas alojadas por la comunidad» que cumplan las pautas del comité asesor. La portavoz Lindsay McCallum Rémy dijo a New Scientist que la empresa quiere «dar a la comunidad matemática tiempo y espacio para evaluar este trabajo».
Ese comité es el Advisory Group on Mathematics and Artificial Intelligence (AGMAI), un grupo independiente creado después de que Terence Tao, de la Universidad de California en Los Ángeles, criticara el mes pasado la forma en que los descubrimientos se «vuelcan» sobre la comunidad. Según The Decoder, el grupo está vinculado al Institute for Advanced Study e incluye al medallista Fields Timothy Gowers. Sus recomendaciones piden revelar el nombre del modelo, las instrucciones utilizadas, el coste de cómputo y cuántos problemas comparables se intentaron sin éxito.
OpenAI sostiene que siguió esas pautas, pero varios medios señalan lo contrario en puntos concretos. Engadget indica que la empresa no publicó las instrucciones ni los tiempos de cómputo por problema, y que solo ofreció cifras medias. New Scientist añade que el modelo tampoco tiene nombre público. La empresa sí publicó resúmenes del razonamiento, estadísticas sobre cuántos problemas intentó el modelo y estimaciones de coste, además de anunciar que financiará talleres y conferencias para estudiar resultados producidos por IA.
Las reacciones de los matemáticos son variadas. Francis Johnson, de University College London, trabajó durante años en el problema D(2) de Wall, uno de los que aparecen en el paquete. «Trabajé en este problema durante 25 años. Escribí dos libros sobre él. Yo, personalmente, me rendí», contó a New Scientist. Johnson se mostró sorprendido por la rapidez, aunque no por el hecho en sí, y resumió: «El genio ya salió de la botella».
Kevin Buzzard, del Imperial College de Londres, pidió cautela. Según explicó a New Scientist, la entrega incluía 30 artículos relevantes para su campo, la teoría de números, pero solo siete le parecieron impresionantes y únicamente uno estaba verificado formalmente en Lean. «La aceptación de estos resultados por parte de la comunidad llevará tiempo», advirtió. Andrew Sutherland, matemático del MIT, fue más tajante ante Scientific American: hasta que el modelo se publique y otros puedan replicar los resultados, cualquier afirmación debe tratarse como no verificada.
El debate va más allá de la corrección técnica. En una carta abierta reciente titulada «A Severe Misalignment of AI in Mathematics», 25 medallistas Fields advirtieron de que resolver problemas es solo un medio para alcanzar comprensión conceptual, y que producir enunciados verdaderos en masa puede empobrecer el terreno en lugar de enriquecerlo. Ben Allanach, de la Universidad de Cambridge, criticó la escala de la entrega y el escaso esfuerzo por explicar los resultados, que describió como «confusa y disruptiva».
El contexto editorial tampoco ayuda. New Scientist recordó que, esta misma semana, el servidor de preprints arXiv anunció límites de subida para frenar una avalancha de envíos de «bajo valor». Si los laboratorios de IA pueden generar cientos de manuscritos en días, los mecanismos tradicionales de revisión, que dependen del tiempo voluntario de especialistas, se enfrentan a un problema de escala. Gowers ya había advertido de que en una o dos décadas la literatura matemática podría crecer sin que nadie la comprenda realmente.
Para la industria, el anuncio es otra muestra de que las matemáticas se han convertido en un escaparate de capacidades. Allanach lo describió como un «trofeo intelectual alcanzable» para las empresas. OpenAI afirma que trabaja en una publicación responsable del modelo para «empoderar directamente a los científicos». Si eso ocurre, la replicación independiente será posible y la conversación pasará de las promesas a las comprobaciones.
En resumen, la entrega de 722 manuscritos sobre 372 problemas es un hito por su volumen, pero su valor real dependerá de una verificación que apenas empieza. Las formalizaciones en Lean ayudan, la opinión de expertos como Johnson muestra que algunos resultados pueden ser genuinos, y las dudas de Buzzard o Sutherland recuerdan que la ciencia no se decide por comunicado. Lo prudente, por ahora, es hablar de resultados anunciados, con verificación en curso.
