Más de 100 problemas matemáticos abiertos de larga data habrían sido resueltos por un modelo de inteligencia artificial entrenado a partir del 28 de agosto, según confirmó una portavoz de la empresa desarrolladora. Entre los resultados se incluiría una solución al problema de Navier-Stokes, uno de los siete Problemas del Premio del Milenio con recompensa de un millón de dólares. La empresa planea publicar estos hallazgos en GitHub, aunque sin fecha confirmada.

La tensión con la comunidad académica no es nueva, pero se ha intensificado. En agosto, aproximadamente 40 matemáticos fueron convocados para discutir las implicaciones de que los modelos de IA superen las capacidades humanas en matemáticas. Durante esa reunión, el grupo solicitó explícitamente que los resultados se publicaran con documentación técnica detallada —no mediante entradas de blog o publicaciones en redes sociales— para que la comunidad pudiera comprender y aplicar los hallazgos. Bryna Kra, matemática de la Universidad Northwestern y participante en el encuentro, señaló que esa recomendación no fue atendida.

Atribución científica bajo presión

El caso más crítico ocurrió en septiembre, cuando miles de agentes de IA fueron desplegados para abordar el mismo problema del Milenio, días después de que la empresa supo que otros investigadores estaban cerca de una solución. Tristan Buckmaster, profesor en la Universidad de Nueva York, acusó públicamente a la compañía de adelantarse al trabajo que desarrollaba junto a Levent Alpöge, investigador de una firma competidora. Ambos habían utilizado las herramientas de IA como apoyo en su investigación, que aún no había sido publicada.

Este patrón revela una tensión estructural entre los ciclos de publicación académica —que pueden durar meses o años— y la velocidad con la que los modelos de lenguaje generan y difunden resultados. Para las organizaciones que dependen de propiedad intelectual o investigación aplicada, el riesgo de que un sistema automatizado anticipe o sobreescriba trabajo en curso es una variable que comienza a exigir atención en los marcos de gobernanza interna.

El campo matemático como escenario competitivo

Varios académicos consultados describen una dinámica preocupante: las matemáticas se han convertido en un terreno de exhibición para que las principales empresas de IA demuestren capacidades ante inversores y mercados, en un contexto donde varias de ellas se preparan para salidas a bolsa. Esta lógica de competencia tecnológica choca con los estándares de verificación, revisión por pares y atribución que sostienen la producción científica.

La pregunta que emerge no es solo si los modelos pueden resolver problemas matemáticos complejos —la evidencia sugiere que sí— sino bajo qué condiciones y protocolos deben hacerse públicos esos resultados. La respuesta a esa pregunta tiene implicaciones directas para sectores que van desde la criptografía y la seguridad computacional hasta la investigación farmacéutica y la ingeniería de materiales.