Matemáticos de la Real Sociedad Matemática Española (RSME) han emitido una declaración de "preocupación urgente" ante la falta de transparencia del modelo de inteligencia artificial utilizado por OpenAI para abordar el problema Navier-Stokes, uno de los siete Problemas del Milenio cuya resolución ha eludido a la comunidad científica durante más de un siglo. El punto central del cuestionamiento no es el resultado en sí, sino que la herramienta empleada es de uso interno y no está disponible para verificación independiente.
La RSME reconoce que el avance representa un hito en la integración entre investigación humana y sistemas de inteligencia artificial, pero advierte que el resultado no surge en un vacío: se apoya en décadas de trabajo colectivo de matemáticos como Diego Córdoba, Luis Martínez-Zoroa, Fan Zheng, Levent Alpöge y Tristan Buckmaster. La velocidad con la que se obtuvo la solución, lejos de ser solo un mérito, abre preguntas sobre qué significa realmente "resolver" un problema matemático en la era de la IA generativa.
Rigor vs. respuesta: una distinción que importa
La distinción que traza la RSME es técnicamente precisa y estratégicamente relevante para cualquier organización que evalúe el uso de IA en procesos de alto valor cognitivo. Obtener una respuesta correcta no equivale a construir una demostración "rigurosa, comprensible y verificable". En matemáticas —y por extensión en cualquier disciplina donde la trazabilidad del razonamiento sea crítica—, la confianza en un sistema no puede sustituir la capacidad de reproducir y auditar cada paso del proceso.
Este principio tiene implicaciones directas para sectores como el legal, el financiero o el de cumplimiento regulatorio, donde las decisiones basadas en IA deben poder explicarse, auditarse y defenderse ante terceros. La opacidad de un modelo, aunque produzca resultados plausibles, representa un riesgo de gobernanza que ningún marco regulatorio moderno puede ignorar.
El riesgo de convertir la ciencia en banco de pruebas
La RSME identifica una "seria desalineación" entre los objetivos comerciales de los desarrolladores de IA y las metas científicas de la comunidad matemática. Las empresas tecnológicas tienen incentivos para demostrar capacidades de sus modelos a través de hitos de alto impacto mediático; la comunidad científica, en cambio, requiere que esos hitos sean reproducibles, comprensibles y transferibles al conocimiento colectivo.
Esta tensión no es exclusiva de las matemáticas. Aparece cada vez que la velocidad de producción de resultados por IA supera la capacidad institucional de validarlos. La producción acelerada de respuestas directas, advierte la RSME, podría interrumpir la transmisión de conocimientos y el desarrollo de habilidades analíticas que se construyen a lo largo de años de formación. Dicho de otro modo: si los sistemas de IA resuelven los problemas antes de que los investigadores junior aprendan a abordarlos, se erosiona el capital humano que sostiene la investigación de largo plazo.
Qué señala este episodio para la adopción empresarial de IA
El caso Navier-Stokes funciona como un experimento natural sobre los límites de la IA en contextos de alta exigencia epistémica. Las organizaciones que despliegan modelos de lenguaje o sistemas de IA para tareas críticas —análisis de riesgo, generación de estrategia, interpretación normativa— enfrentan la misma pregunta que hoy plantea la RSME: ¿es suficiente con que el sistema produzca una respuesta plausible, o se requiere que esa respuesta sea auditable, explicable y reproducible por equipos internos?
La validación independiente, la identificación de las ideas esenciales detrás de un resultado y la capacidad de explicar cada paso del razonamiento no son exigencias exclusivas de la matemática pura. Son los mismos estándares que los marcos de gobernanza de IA —desde el AI Act europeo hasta las directrices del NIST en Estados Unidos— están comenzando a codificar como requisitos mínimos para el uso responsable de sistemas automatizados en entornos de decisión crítica.
