El 21 de septiembre, OpenAI anunció que un modelo interno, que empezó a entrenar el 28 de agosto, había resuelto más de cien problemas abiertos «en casi todas las áreas de las matemáticas». Un problema abierto es una pregunta que la comunidad lleva tiempo intentando responder sin conseguirlo: algunos esperan desde hace años; otros, desde hace décadas. La cifra llegaba dos semanas después de que la empresa afirmara haber resuelto Navier–Stokes, uno de los siete problemas del milenio, del que ya hablamos aquí.
En el mismo comunicado, OpenAI presentó un grupo de nueve matemáticos que la asesorará sobre cómo revisar y difundir esos resultados. Y citó expresamente la carta con la que, días antes, varias de las figuras más reconocidas de la disciplina habían expresado su preocupación por el rumbo de la IA en las matemáticas.
Lo que se discute ya no es si estos sistemas pueden hacer matemáticas. Se discute quién decide el ritmo, qué ocurre con los resultados que nadie tiene tiempo de estudiar y qué pasa con las personas que dedicaban su vida a encontrarlos. En este artículo recorremos la polémica, lo que pide cada parte y cómo se siente la comunidad. Después explicamos nuestra posición.
Tres semanas que convirtieron un resultado en una discusión sobre la disciplina
La secuencia ayuda a entender por qué el tono se endureció tan rápido:
| Fecha | Qué ocurrió |
|---|---|
| 28 de agosto | OpenAI empieza a entrenar el modelo interno que después presentará. |
| 8 de septiembre | OpenAI publica su solución de Navier–Stokes. |
| 9 y 10 de septiembre | Terence Tao pide a la comunidad que rechace los usos «irresponsables e insostenibles» de la IA. |
| 11 de septiembre | Se publica la carta «A Severe Misalignment of AI in Mathematics», firmada por medallistas Fields. |
| 17 de septiembre | Timothy Gowers explica por qué no la firmó. |
| 21 de septiembre | OpenAI anuncia los más de cien problemas y el grupo asesor AGMAI. |
| 22 de septiembre | Martin Hairer explica por qué ha entrado en AGMAI. |
Fuentes: anuncios de OpenAI, blog de Terence Tao y web de la carta. Enlaces al final del artículo.
La Medalla Fields es el reconocimiento más prestigioso para un matemático menor de cuarenta años, y Terence Tao, uno de los que la tienen, es uno de los matemáticos en activo más conocidos fuera de la disciplina. No es un detractor de la IA: lleva años usando modelos y asistentes de demostración en su trabajo y defiende incorporarlos a la investigación. Precisamente por eso pesó tanto que el 10 de septiembre escribiera que las grandes empresas de IA avanzan hacia sistemas cada vez más potentes y autónomos al margen de su valor real para la sociedad, y que la comunidad debía unirse en torno a sus valores.
Al día siguiente apareció la carta. El 25 de septiembre, su página recoge la firma de 27 medallistas Fields, entre ellos Tao, Pierre Deligne y Manjul Bhargava. Según Hairer, la han respaldado unas 8.000 personas más.
Lo que pide la carta es, sobre todo, que no confundamos la prueba con el objetivo
Quien busque en la carta una lista de exigencias no la encontrará. Es una declaración de principios, y su idea central cabe en una frase: resolver problemas es una herramienta y un indicador de algo más importante, la comprensión.
Durante siglos, que alguien resolviera un problema difícil era una buena señal de que había entendido algo nuevo. La prueba y la comprensión viajaban juntas porque la segunda era casi la única forma de llegar a la primera. Los firmantes temen que esa relación se rompa: si un sistema produce la solución sin que nadie adquiera la comprensión que antes la acompañaba, la disciplina puede acumular resultados y empobrecerse a la vez.
A partir de ahí, la carta señala problemas concretos: anuncios que llegan sin documentación suficiente, métodos difíciles de separar del resultado, trabajos previos sin reconocer y la amenaza para la cadena de formación, el proceso por el que un matemático aprende a investigar trabajando junto a otro. Pide que la comunidad matemática y las empresas actúen con urgencia, y que sean las personas quienes decidan cómo se usa esta tecnología para que el trabajo siga cumpliendo su propósito.
Las peticiones más concretas llegan por otras vías:
- Tao pide que se atribuya correctamente el trabajo, que se sepa de dónde procede cada idea y que la comunidad rechace los usos que dañan la disciplina.
- Hairer entra en AGMAI para establecer mejores normas sobre cómo publican las empresas sus resultados matemáticos, y cómo los presentan y atribuyen.
- AGMAI ha abierto un formulario para recoger la opinión de la comunidad sobre cómo coordinar la publicación de los resultados de OpenAI.
La respuesta de OpenAI acepta una parte de estas peticiones. El grupo, alojado en el Institute for Advanced Study de Princeton, asesorará sobre cómo evaluar la relevancia de cada resultado, cómo coordinar su difusión y qué normas académicas conviene respetar. Podrá opinar aunque nadie se lo pida y publicar sus recomendaciones, y sus miembros no cobran. Pero el anuncio deja fuera, de forma explícita, lo que más preocupa a los críticos: el grupo no asesorará sobre el ritmo de los avances internos de la empresa. Tampoco tiene capacidad de decisión sobre ninguna compañía.
La comunidad no teme solo perder problemas: teme perder el camino hasta ellos
La comunidad matemática no ha respondido con una sola voz. Timothy Gowers, también medallista Fields, no firmó la carta, aunque comparte buena parte de su diagnóstico y admite que la disciplina atraviesa una crisis. Su objeción es que la carta presenta como única una forma de entender las matemáticas. Hay quien resuelve problemas para comprender, y quien busca comprender para poder resolverlos. Las dos tradiciones han producido matemáticas valiosas.
Lo que más le preocupa a Gowers es la motivación. Muchos jóvenes llegan a la investigación con el deseo de resolver un problema famoso. Si una máquina los resuelve antes, algunos abandonarán, y con ellos puede romperse la cadena de transmisión entre generaciones. Gowers no teme tanto el exceso de resultados como que desaparezcan las estructuras sociales que permiten digerirlos, sin que nada las sustituya.
Martin Hairer es más optimista. Cree que negarse a participar dejaría a OpenAI presentar a los matemáticos como luditas desconectados. Y como la carta pedía actuar con urgencia, considera incoherente quedarse fuera. También reconoce los límites del grupo: nueve personas no representan la diversidad de la disciplina, no pueden obligar a nada y sus declaraciones podrían usarse para mejorar la imagen de la empresa.
En los comentarios de los blogs donde se ha desarrollado el debate aparece otra fractura. Son opiniones de lectores, no una encuesta, pero se repiten mucho:
- investigadores jóvenes que sienten que los años de formación pueden haber perdido valor de golpe;
- desconfianza hacia la independencia de AGMAI, sobre todo en quienes señalan la cercanía de algunos miembros a OpenAI;
- miedo a que los resultados se retengan y solo circulen entre unos pocos. Un lector preguntaba si volvíamos a los tiempos en que los matemáticos escondían sus soluciones para ganar duelos;
- y la sospecha de que el debate lo protagonizan catedráticos premiados cuya carrera ya no depende de lo que ocurra ahora.
Esta última crítica afecta tanto a los firmantes como al grupo asesor. Las personas que más arriesgan en esta transición son precisamente las que menos voz tienen en ambos espacios.
Tres futuros posibles que dependen de decisiones, no del modelo
Gowers describe dos escenarios, a los que añadimos un tercero que recorre toda la discusión.
Una avalancha de resultados. Los modelos producen demostraciones más rápido de lo que la comunidad puede estudiarlas. Gowers no lo considera necesariamente una catástrofe: podríamos elegir qué partes digerir. Ya exploramos este escenario en cuando demostrar deja de ser el cuello de botella: el trabajo escaso pasa a ser verificar, explicar y decidir qué importa.
Una publicación coordinada. Empresas, instituciones y matemáticos acuerdan cómo publicar los resultados, con qué información y a qué ritmo. Es lo que AGMAI intenta en pequeño. Su límite es evidente: el ritmo, que es lo que más se discute, ha quedado fuera de su encargo.
Una disciplina que produce más y forma menos. Los resultados siguen llegando, pero las universidades, las revistas y los financiadores siguen premiando casi solo ser el primero en demostrar. La explicación, la revisión y la enseñanza quedan como trabajo sin reconocimiento, y cada vez menos jóvenes encuentran motivos para dedicarse a ello.
Ninguno de los tres está decidido. Los próximos meses darán señales claras: si AGMAI publica recomendaciones y OpenAI las aplica o explica por qué no; si los resultados llegan con documentación suficiente para que otros los comprueben; y si alguna institución empieza a valorar la explicación y la revisión como trabajo de investigación.
Qué pensamos en Codin: un resultado no está entregado hasta que otros pueden usarlo
No compartimos la idea de que el problema sea la velocidad en sí, ni creemos que la respuesta deba ser frenar o retener resultados. Esconder conocimiento para proteger una jerarquía profesional sería difícil de defender. Resolver un problema abierto tiene valor, y que cueste entender una demostración no la convierte en estéril. En esto estamos más cerca de Gowers que de la carta: hay muchas formas legítimas de hacer matemáticas, y una herramienta que resuelve problemas puede ampliar lo que la comunidad es capaz de estudiar.
Tampoco nos convence la posición contraria, la de que publicar el resultado basta y lo demás es problema de otros. Ahí vemos el núcleo de la polémica: una asimetría. La empresa decide el ritmo y recibe el reconocimiento público del descubrimiento. El trabajo de comprobarlo, entenderlo, explicarlo y enseñarlo recae en una comunidad que no ha elegido ese ritmo y cuyo sistema de incentivos apenas reconoce ese trabajo. Un grupo asesor sin voz sobre el ritmo puede mejorar la presentación de los resultados, pero no corrige esa asimetría.
Lo vemos con claridad porque es un problema que conocemos en nuestro oficio. En software, entregar código que funciona no basta: si el equipo que tiene que mantenerlo no lo entiende, no puede operarlo ni hacerlo evolucionar. Por eso, en Codin, consideramos que un trabajo no está terminado hasta que queda documentado y transferido. La IA hace esa diferencia más visible, porque producir se ha vuelto mucho más barato que comprender.
Aplicado a las matemáticas, proponemos evaluar cada resultado con tres preguntas:
| Pregunta | Qué hace falta para responderla |
|---|---|
| ¿Qué se ha demostrado exactamente? | Un enunciado preciso, con sus hipótesis y sus límites. |
| ¿Por qué deberíamos aceptarlo? | Un argumento que otros puedan comprobar y una revisión de lo que realmente se afirma. |
| ¿Qué pueden hacer otros con ello? | Explicaciones, reconocimiento del trabajo previo y materiales para seguir investigando. |
Marco propuesto por Codin. Un anuncio puede responder bien a la primera pregunta y dejar pendientes las otras dos.
De ahí salen tres exigencias concretas. Quien anuncie cien avances debería acompañar cada uno de información suficiente para responder a esas preguntas. Quien obtiene valor de anunciarlos debería contribuir a financiar el trabajo de convertirlos en conocimiento compartido. Y las instituciones académicas deberían empezar a reconocer la explicación, la revisión y la enseñanza como parte de la investigación, no como tareas secundarias.
La pregunta que nos parece útil ante el próximo anuncio es qué pueden estudiar, comprobar y utilizar ahora quienes están fuera de la empresa, más que cuántos problemas se han resuelto. Un avance que solo puede verificar quien lo ha producido no ha terminado de llegar a la disciplina.
Fuentes
- OpenAI: anuncio de los más de cien problemas y del grupo asesor, 21 de septiembre de 2026.
- AGMAI: propósito, miembros y alcance del grupo y presentación en el blog de Terence Tao, 21 de septiembre, con los comentarios de lectores citados.
- A Severe Misalignment of AI in Mathematics, 11 de septiembre de 2026. Firmantes consultados el 25 de septiembre.
- Terence Tao: comentarios del 9 y 10 de septiembre.
- Timothy Gowers: Why I didn’t sign the Fields medallists’ letter, 17 de septiembre, y sus comentarios.
- Martin Hairer: Why I agreed to join AGMAI, 22 de septiembre.
- TechCrunch: OpenAI forms math advisory group, 21 de septiembre. Fecha de la publicación de Navier–Stokes.
Nota editorial: la última sección recoge la opinión de Codin. No hemos auditado ninguno de los resultados anunciados por OpenAI.
