Tres manuscritos matemáticos generados por inteligencia artificial fueron retirados apenas 24 horas después de su presentación pública, luego de que un error de signo invalidara un argumento central y comprometiera dos trabajos derivados. La corrección, que también implicó la revisión de otros catorce documentos del mismo conjunto, pone en el centro del debate una pregunta que la comunidad científica lleva tiempo formulando: ¿bajo qué condiciones los resultados generados por IA pueden considerarse conocimiento verificado?
El repositorio original, publicado en GitHub, contenía 722 manuscritos organizados en 372 familias de resultados. La propia empresa reconoció que el lote incluía "resultados en distintas etapas de verificación" y que no todos estaban formalizados en Lean, el lenguaje de programación diseñado específicamente para comprobar demostraciones matemáticas. Esta advertencia, enterrada en la documentación técnica, contrasta con el tono de hito histórico con el que se presentó el material.
La brecha entre velocidad de publicación y rigor de validación
La respuesta de la comunidad matemática ha sido cautelosa. Alex Townsend, profesor de la Universidad Cornell, señaló que no le sorprendió la propagación del error entre varios manuscritos y sugirió que los trabajos verificados formalmente deberían haberse publicado primero. Kevin Buzzard, del Imperial College de Londres, revisó treinta manuscritos relacionados con su especialidad en teoría de números y encontró solo uno con verificación formal entre los siete que consideró relevantes.
Álvaro Lozano-Robledo, de la Universidad de Connecticut, apuntó que incluso navegar el índice del repositorio representó una carga significativa, lo que refleja un problema de accesibilidad y organización que dificulta la evaluación independiente del material.
Implicaciones para la adopción de IA en investigación científica
Este episodio tiene consecuencias directas para cualquier organización que esté evaluando el uso de modelos de lenguaje en procesos de investigación, análisis técnico o generación de conocimiento. La velocidad de producción que ofrece la IA no elimina la necesidad de protocolos de verificación robustos; en contextos de alta precisión, los acelera.
Un panel independiente de matemáticos ya ha emitido recomendaciones para aumentar la transparencia en la difusión de hallazgos generados con IA. La tendencia apunta hacia marcos de publicación diferenciados: resultados verificados formalmente por un lado, y resultados preliminares claramente etiquetados como tales por el otro. Para sectores donde la exactitud tiene consecuencias operativas —finanzas, ingeniería, farmacéutica— este estándar de doble vía no es opcional.
El responsable de investigación de la empresa confirmó que el repositorio seguirá actualizándose con nuevas formalizaciones y correcciones, aunque no se proporcionó una fecha para la liberación pública del modelo que generó los resultados. La comunidad matemática, por su parte, advierte que la aceptación de estos hallazgos llevará tiempo, independientemente de la velocidad con que se produzcan.
