Artículo de información
José Carlos Botto Cayo y Abel Marcial Oruna Rodríguez
30 de octubre del 2026
Durante siglos, una demostración matemática ha seguido un camino paciente: alguien propone una idea, otros revisan sus pasos y la comunidad debate si el razonamiento se sostiene. La inteligencia artificial está acelerando una parte de ese recorrido. En octubre, OpenAI publicó centenares de documentos matemáticos elaborados por un modelo interno y anunció una contribución de cinco millones de dólares a una iniciativa para estudiar los avances de la IA en esta disciplina. La noticia puso sobre la mesa una pregunta que no se resuelve contando artículos: ¿cómo se convierte una respuesta de una máquina en conocimiento que otros puedan comprender y verificar? (Castelvecchi, 2026).
La cercanía entre la publicación de los documentos y el anuncio de la contribución llevó a Euronews a presentar la medida como un intento de calmar las críticas. La coincidencia de fechas es comprobable; la intención atribuida a OpenAI no queda probada por esa sola circunstancia. Además, se cruzaron dos discusiones distintas: las objeciones a la publicación masiva de resultados y una controversia anterior sobre la prioridad de trabajos relacionados con las ecuaciones de Navier-Stokes. Separarlas permite entender mejor el debate y evita convertir una sospecha en un hecho. (Davies, 2026).
Una publicación que todavía debe examinarse
OpenAI presentó los documentos como resultados matemáticos elaborados por un modelo interno. La empresa dijo que publicaba formalizaciones de algunas pruebas en Lean, un sistema que permite verificar pasos matemáticos mediante una computadora, junto con información sobre el proceso utilizado. Estos materiales ofrecen elementos para examinar el trabajo, pero no cierran por sí solos la discusión. También hay que comprender qué demuestra cada texto, cómo se relaciona con estudios anteriores y qué importancia puede tener para una disciplina que avanza mediante el examen colectivo de sus resultados. (Ward, 2026).
La Association for Human Mathematics cuestionó la difusión de más de setecientos archivos y sostuvo que una publicación de esa magnitud no constituía, por sí misma, una demostración de rigor académico. Su comunicado expresa la posición de esa asociación, no una opinión unánime de todos los matemáticos. La preocupación, sin embargo, apunta a una dificultad concreta: cada resultado necesita revisión, y revisar centenares de textos exige tiempo y especialistas. La máquina puede acelerar la producción, pero no reemplaza el trabajo necesario para comprobar los argumentos y reconocer sus antecedentes. (Castelvecchi, 2026).
La inquietud por las reglas de investigación ya estaba presente antes de la publicación de octubre. A comienzos de ese mes, Benjamin Guggenheim informó que la controversia alrededor de Navier-Stokes había dejado desconfianza en parte de la comunidad matemática hacia los grandes laboratorios de inteligencia artificial. Algunos investigadores discutían, además, la necesidad de contar con espacios propios para colaborar y desarrollar herramientas. Ese antecedente ayuda a entender por qué la aparición de centenares de documentos fue recibida con tanta atención: la discusión no comenzó con la contribución económica ni se limita a ella. (Guggenheim, 2026).
La controversia de Navier-Stokes requiere una precisión adicional. En septiembre, el matemático Tristan Buckmaster, de la Universidad de Nueva York, cuestionó la secuencia de los trabajos y el reconocimiento de su colaboración con Levent Alpöge. El resultado de ambos se refería a las ecuaciones de Euler con fuerza externa; OpenAI, por su parte, presentó un resultado sobre Navier-Stokes sin fuerza externa. Buckmaster expresó dudas sobre la prioridad y el posible acceso a información de su trabajo. OpenAI negó haber visto sus investigaciones antes de publicar. Son versiones enfrentadas, no una prueba de plagio. (Brandom, 2026).
La iniciativa y el papel de la comunidad
La Fundación Simons anunció una iniciativa conjunta con Anthropic y OpenAI que reúne quince millones de dólares en financiación y recursos. OpenAI contribuirá con cinco millones. La fundación administrará los fondos y apoyará talleres y programas para que los investigadores evalúen resultados de inteligencia artificial, aprendan a utilizar nuevas herramientas y discutan criterios comunes. Por eso, la cifra total no equivale a una contribución de quince millones hecha únicamente por OpenAI. El anuncio describe un programa más amplio, cuya utilidad dependerá de lo que consiga poner en marcha. (Davies, 2026).
Que una fundación administre los recursos puede abrir espacio a propuestas de la comunidad matemática, pero no basta para garantizar independencia. Esta dependerá de las reglas concretas: cómo se seleccionan los proyectos, quién examina sus conclusiones y si los investigadores pueden publicar observaciones críticas. La financiación puede sostener reuniones, facilitar herramientas y acercar a especialistas que trabajan en distintos lugares. También debe permitir que se discutan las limitaciones de los modelos y se señalen errores, incluso cuando los resultados evaluados procedan de empresas que aportan recursos. (Davies, 2026).
El acceso es otra parte del problema. Las grandes empresas pueden reunir modelos, equipos y capacidad de cálculo que muchas universidades no poseen. Si esas herramientas llegan a ser necesarias para abordar ciertos problemas, la investigación podría depender cada vez más de recursos privados. No se trata de excluir a las compañías de la ciencia, sino de asegurar que los matemáticos conserven libertad para formular sus preguntas, revisar las respuestas y elegir caminos que no hayan sido seleccionados como una demostración de la capacidad de un modelo. (Guggenheim, 2026).
De la velocidad a la comprensión
La inteligencia artificial puede ayudar a explorar caminos, reconocer relaciones y verificar pasos formales. Pero producir respuestas con rapidez no equivale a comprenderlas. Una demostración debe poder ser examinada por otros especialistas y situada dentro del conocimiento que ya existe. Ese proceso colectivo toma más tiempo que generar documentos, pero permite distinguir una prueba correcta de una afirmación pendiente de revisión. La pregunta no es solo cuántos resultados puede producir una máquina, sino qué puede aprender la comunidad al estudiar sus métodos y discutir sus conclusiones. (Castelvecchi, 2026).
La investigación también necesita reglas claras sobre autoría, reconocimiento y responsabilidad. Cuando personas y sistemas intervienen en una demostración, debe saberse qué aportó cada uno, qué herramientas se emplearon y quién responde si aparecen errores. La disputa de septiembre mostró que estas preguntas pueden afectar la confianza entre investigadores y empresas. Por eso, las versiones enfrentadas deben exponerse con claridad y dejar espacio para que nuevas pruebas y revisiones independientes permitan aclarar lo sucedido. La velocidad puede adelantar una respuesta; la confianza se gana al mostrar cómo se llegó a ella. (Brandom, 2026).
Los cinco millones anunciados por OpenAI son un hecho. Que la contribución busque acallar las críticas es una interpretación periodística, no una intención demostrada. La cuestión de fondo sigue abierta: cómo aprovechar la capacidad de las máquinas sin dejar que la velocidad decida qué cuenta como ciencia. La respuesta dependerá de pruebas examinables, investigadores libres para disentir y una comunidad capaz de transformar la producción automática en comprensión compartida. Una demostración, venga de una persona o de una máquina, solo entra en la historia de las matemáticas cuando otros pueden revisarla y reconocer su valor. (Davies, 2026).
Bibliografía
Davies, Pascale. (2026, 16 de octubre). OpenAI tries to solve mathematician backlash problem by pledging $5 million to math foundation. Euronews. https://www.euronews.com/2026/10/16/openai-tries-to-solve-mathematician-backlash-problem-by-pledging-5-million-to-math-foundat
Brandom, Russell. (2026, 8 de septiembre). OpenAI fought dirty on career-making math problem, says NYU mathematician. TechCrunch. https://techcrunch.com/2026/09/08/openai-fought-dirty-on-career-making-math-problem-says-nyu-mathematician/
Castelvecchi, Davide. (2026, 7 de octubre; actualizado el 9 y aclarado el 12 de octubre). OpenAI posts 700 maths preprints online: mathematicians are up in arms. Nature. https://www.nature.com/articles/d41586-026-03196-8
Guggenheim, Benjamin. (2026, 5 de octubre). AI & Tech Brief: Math researchers strike back. The Washington Post. https://www.washingtonpost.com/wp-intelligence/ai-tech-brief/2026/10/05/ai-tech-brief-math-researchers-strike-back/
Ward, Isabella. (2026, 6 de octubre). OpenAI Is Pissing Off a Bunch of Mathematicians—Again. WIRED. https://www.wired.com/story/openai-is-pissing-off-a-bunch-of-mathematicians-again/
