Setecientos veintidós manuscritos matemáticos publicados en GitHub en cuestión de días: eso es lo que un modelo avanzado de inteligencia artificial generó sobre las conjeturas de Riemann y Hodge, dos de los problemas más complejos de las matemáticas modernas. Si los resultados fueran verificables, podrían representar avances en uno o más de los llamados Problemas del Milenio, un conjunto de siete desafíos matemáticos para los que existen recompensas de un millón de dólares cada uno. El problema central no es la cantidad de documentos, sino que nadie fuera de la empresa puede comprobar si son correctos.
La comunidad matemática ha respondido con escepticismo estructurado, no con rechazo emocional. El matemático Andrew Sutherland, del Massachusetts Institute of Technology, fue directo: sin acceso al modelo que generó los resultados y sin posibilidad de replicar los experimentos, cualquier afirmación sobre problemas resueltos debe tratarse como no verificada. Esta postura no es excepcional; es el estándar mínimo del método científico. Lo que sí resulta inédito es la escala del problema: 722 manuscritos que requerirían años de revisión humana para ser asimilados, en un campo donde la verificación ya enfrentaba presiones crecientes antes de la irrupción de los modelos de lenguaje.
La brecha entre generación y validación
El Instituto de Estudios Avanzados (IAS) articuló con precisión el riesgo de fondo: los sistemas de IA están produciendo argumentos matemáticos en contextos donde incluso quienes formulan las instrucciones no comprenden la lógica subyacente, no pueden verificarla y no asumen responsabilidad por los resultados. Esto no es un problema técnico menor; es una ruptura en la cadena de responsabilidad epistémica que sostiene la ciencia.
La ausencia de información sobre tiempos de cálculo y los prompts utilizados para generar los artículos agrava la situación. Sin esos metadatos, la reproducibilidad —pilar del conocimiento científico— queda suspendida. El IAS y matemáticos independientes han advertido que el uso de modelos propietarios no accesibles puede consolidar un sistema de dos niveles: quienes tienen acceso a capacidades de IA de frontera y quienes no, con implicaciones directas sobre quién puede participar en la investigación de alto nivel.
Implicaciones para la investigación científica con IA
Más allá del caso específico, este episodio expone una tensión que se volverá recurrente a medida que los modelos de IA se integren en disciplinas científicas: la velocidad de generación supera con creces la capacidad humana de verificación. Automatizar la producción de pruebas matemáticas es técnicamente posible; asimilar, comprender y validar esas pruebas sigue siendo un proceso lento, costoso y dependiente de expertos humanos.
La empresa detrás del modelo ha señalado su intención de ajustar sus estándares a partir de los comentarios de la comunidad y de actualizar sus prácticas para futuras publicaciones científicas. También ha expresado su compromiso de trabajar para lanzar de manera responsable el modelo que generó estos resultados. Sin embargo, la preocupación persiste: si los sistemas de IA utilizan trabajos no publicados de matemáticos sin el reconocimiento adecuado, el problema deja de ser solo metodológico y adquiere dimensiones éticas y legales que las organizaciones científicas ya están comenzando a documentar.
Para cualquier organización que evalúe integrar IA en procesos de investigación o toma de decisiones basada en evidencia, este caso establece un principio operativo claro: la capacidad de generar resultados a escala no equivale a la capacidad de garantizar su validez. La diferencia entre ambas define el riesgo real de adopción.
