La publicación de más de 700 manuscritos matemáticos generados por un modelo interno de OpenAI el 6 de octubre cayó sobre una comunidad que ya llevaba meses intentando asimilar una sucesión de avances cada vez más difíciles de interpretar como simples demostraciones tecnológicas. El golpe no empezó esa semana. En septiembre, OpenAI había anunciado la resolución del problema de Navier-Stokes, uno de los problemas del Milenio; durante el verano, sistemas de inteligencia artificial habían comenzado a producir demostraciones de problemas abiertos con una frecuencia cada vez mayor. Para cuando llegó la publicación masiva de octubre, algunos investigadores habían perdido problemas en los que trabajaban, programas completos de investigación parecían haber quedado adelantados por las máquinas y estudiantes de posgrado discutían abiertamente si la profesión para la que se estaban formando seguiría existiendo en una forma reconocible.
Pocas disciplinas están tan cerca de los fundamentos técnicos de la inteligencia artificial como las matemáticas. Los sistemas modernos de aprendizaje automático descansan sobre álgebra lineal, cálculo, probabilidad, estadística, teoría de la información, métodos numéricos y optimización. Una red neuronal puede presentarse como software, servidores y chips, pero debajo opera una gigantesca composición de transformaciones matemáticas ajustadas mediante procesos de optimización. Los textos de referencia del deep learning comienzan precisamente por esos fundamentos, y los cursos especializados en inteligencia artificial exigen cálculo, álgebra lineal y probabilidad antes de llegar a los modelos.
Eso, sin embargo, no significa que los matemáticos controlaran la tecnología construida sobre su lenguaje. Entre poseer el conocimiento que hace posible una tecnología y poseer la infraestructura capaz de escalarla existe una diferencia enorme. Los matemáticos aportaron durante décadas conceptos, métodos de optimización, teoría estadística, estructuras algebraicas y formalismos lógicos. Los grandes laboratorios de IA añadieron algo distinto: cantidades extraordinarias de cómputo, ingeniería, datos, modelos entrenados a gran escala y la capacidad de ejecutar miles o millones de intentos en paralelo. Los matemáticos tenían buena parte del lenguaje; las empresas construyeron la fábrica. Ahora esa fábrica ha comenzado a regresar sobre la disciplina que proporcionó muchas de sus herramientas fundamentales.
Durante mucho tiempo existió además una razón para pensar que las matemáticas permanecerían relativamente protegidas. Las computadoras llevaban décadas haciendo cálculos y verificando demostraciones, pero la investigación matemática parecía exigir otra cosa: intuición, elección de problemas, reconocimiento de patrones, creación de conceptos y la capacidad de encontrar una ruta inesperada hacia una demostración. Ya desde los años cincuenta existían programas de demostración automática de teoremas, pero su alcance seguía siendo limitado. Todavía en 2024, cuando AlphaProof y AlphaGeometry 2 de Google DeepMind alcanzaron el equivalente a una medalla de plata en la Olimpiada Internacional de Matemáticas, los problemas tenían que traducirse manualmente a lenguajes formales y algunos requerían hasta tres días de cómputo.
Un año después desapareció buena parte de esa distancia. En julio de 2025, Gemini Deep Think alcanzó nivel de medalla de oro en la Olimpiada Internacional de Matemáticas resolviendo cinco de seis problemas, pero esta vez operó directamente sobre lenguaje natural y produjo las pruebas dentro del tiempo normal de la competencia. Aquello todavía podía interpretarse como la conquista de un benchmark: problemas difíciles, sí, pero diseñados para estudiantes y con respuestas conocidas por los organizadores. El verdadero cambio llegó cuando los mismos sistemas comenzaron a trabajar sobre matemáticas de investigación. Durante 2025 y los primeros meses de 2026 aparecieron resultados nuevos en los que modelos ayudaban a encontrar estrategias, formular conjeturas, buscar contraejemplos y completar demostraciones. En abril, Terence Tao ya decía que 2025 había sido el año en que la IA comenzó a resultar genuinamente útil para numerosas tareas matemáticas y anticipaba una disciplina capaz de explorar miles de problemas simultáneamente.
Aquí aparece una peculiaridad que probablemente ayuda a explicar por qué las matemáticas se convirtieron tan rápidamente en una frontera de capacidad para la IA. En numerosos dominios resulta difícil determinar automáticamente si la respuesta de un sistema es realmente buena. En matemáticas existe, al menos para una parte creciente del trabajo, algo parecido a un juez mecánico. Herramientas como Lean permiten traducir demostraciones a un lenguaje formal y verificar paso por paso que una conclusión se desprende de los axiomas y resultados anteriores. Una máquina puede generar candidatos y otra capa puede descartar los que no pasan la verificación. Eso convierte a las matemáticas en un terreno extraordinariamente favorable para sistemas que exploran muchas rutas en paralelo: no siempre necesitan que un ser humano evalúe cada intento. La disciplina que parecía difícil de automatizar por su nivel de abstracción posee, paradójicamente, una de las infraestructuras más potentes para verificar automáticamente el producto de esa automatización.
Matemáticas como frontera de la IA
El problema es que la cultura matemática no fue construida para un mundo donde las demostraciones pudieran producirse de esa manera. Durante siglos, demostrar un teorema y comprender por qué era verdadero fueron actividades prácticamente inseparables. Resolver un problema difícil implicaba recorrer un camino que podía producir nuevos conceptos, técnicas y conexiones con otras áreas. De ahí surgieron también los incentivos de la profesión: una tesis doctoral, una plaza académica, una subvención o la reputación de un investigador podían estructurarse alrededor de la capacidad para demostrar resultados nuevos. Si producir ciertas demostraciones deja de ser escaso, cambia no sólo una tarea sino la unidad básica mediante la que la comunidad distribuye prestigio, carreras y recursos. Quanta resumía el dilema un día antes de la publicación masiva de OpenAI: el sistema académico de las matemáticas no está preparado para un mundo donde resolver problemas pueda resultar relativamente fácil mientras entender las respuestas continúe siendo difícil.
Por eso la reacción de estos días se parece tanto a la que otras profesiones han experimentado frente a la automatización. Aparecen el miedo al desplazamiento, la defensa del oficio, las preguntas sobre autoría, el temor por los jóvenes y una discusión sobre aquello que constituye el verdadero valor del trabajo humano. La diferencia es la velocidad. El 6 de octubre OpenAI no presentó una demostración aislada: publicó cientos de familias de resultados de una sola vez. Sólo una parte estaba formalmente verificada y numerosos manuscritos deberán ser corregidos, contextualizados y explicados, pero el volumen mismo produjo un fenómeno nuevo. La comunidad recibió más producción matemática de la que puede absorber rápidamente. Nature recogió matemáticos que se negaban directamente a dedicar su tiempo a leer la avalancha; otros describieron el lanzamiento como entregar a la comunidad un enorme borrador para que ella hiciera después el trabajo de limpieza.
Ese cambio permite formular el problema de otra manera. Tal vez el cuello de botella de las matemáticas esté desplazándose de producir resultados a seleccionar cuáles preguntas merecen formularse, verificar resultados, conectarlos con el conocimiento existente, encontrar explicaciones y transformar demostraciones en comprensión. Un sistema puede generar miles de páginas matemáticamente válidas y, sin embargo, no haber creado todavía cultura matemática. Un resultado entra realmente en una disciplina cuando alguien entiende qué significa, qué técnica introduce, con qué otros objetos se relaciona y qué nuevas preguntas permite hacer.
Herramientas conceptuales adecuadas
Eso explica también por qué los matemáticos podrían encontrarse en una posición diferente a la de otras profesiones una vez superado el shock inicial. No porque estén inmunizados frente a la IA, sino porque poseen herramientas conceptuales particularmente adecuadas para trabajar junto a sistemas capaces de razonar a gran escala. Saben formalizar problemas, construir abstracciones, reconocer estructuras, diseñar criterios de verificación y distinguir una demostración correcta de una explicación fértil. Si las máquinas adquieren la capacidad de recorrer enormes espacios de posibilidades matemáticas, el trabajo humano podría desplazarse hacia niveles superiores de organización: decidir qué espacios explorar, construir mapas de resultados, identificar invariantes, diseñar nuevas representaciones y convertir millones de soluciones posibles en conocimiento comprensible.
Existe ya un precedente. En el proyecto Equational Theories de Tao, más de 50 participantes, apoyados por computadoras y algunas herramientas de IA, exploraron casi 22 millones de implicaciones matemáticas. El objetivo ya no consistía únicamente en demostrar un teorema prestigioso sino en cartografiar un espacio completo de relaciones. Tao describía precisamente ese posible futuro: primero hacer que la IA explore millones de problemas para producir una visión preliminar del territorio y después utilizar el trabajo humano en las regiones intelectualmente más interesantes. Era una forma temprana de matemáticas posteriores al cuello de botella de la demostración individual.
Pero para que ese futuro sea realmente accesible a la comunidad existe una condición material: los matemáticos necesitan acceso a sistemas comparables con aquellos que están produciendo los resultados. Los modelos que han producido algunos de los avances recientes son internos y más capaces que los disponibles públicamente. Dimitris Koukoulopoulos propuso en septiembre crear una especie de “CERN para la ciencia asistida por IA”: infraestructura pública con modelos de frontera, cómputo y sistemas agénticos accesibles a investigadores. Su argumento es que, si las principales herramientas de descubrimiento quedan concentradas en unas cuantas compañías, puede aparecer una ciencia de dos velocidades: investigadores vinculados con laboratorios privados capaces de explorar miles de hipótesis frente a académicos trabajando con herramientas considerablemente más débiles.
Antes de la avalancha
La propia comunidad comenzó a organizarse antes de la avalancha. Después del episodio de Navier-Stokes surgió el Advisory Group on Mathematics and Artificial Intelligence, alojado en el Institute for Advanced Study, con figuras como Timothy Gowers, Martin Hairer, Ravi Vakil y Edward Witten. Su función es aconsejar a los laboratorios sobre publicación, estándares y relación con la comunidad, aunque no tiene autoridad sobre la velocidad a la que esas empresas desarrollan sus modelos. OpenAI reconoció en septiembre que su modelo interno había resuelto más de 100 problemas abiertos y que incluso sus propios matemáticos habían quedado sorprendidos por la velocidad del progreso.
Y el debate ya comenzó a moverse del duelo hacia la reconstrucción. Este 10 de octubre, Tao publicó las diapositivas de una conferencia que tituló “Math 2.0”. La charla había sido planeada originalmente como una presentación sobre demostración asistida por máquinas, pero los acontecimientos recientes obligaron a cambiarla. Tao distingue entre la matemática tradicional, la situación actual producida por el énfasis excesivo en automatizar la resolución de problemas abiertos y una posible “Math 2.0” en la que las herramientas de IA ayuden a sostener tanto a la comunidad matemática como el papel de la comprensión humana.
Los matemáticos están atravesando el mismo umbral que otras comunidades: descubren que una actividad que consideraban ligada a capacidades humanas excepcionales también puede ser ejecutada por máquinas. Pero posiblemente estén entre los primeros grupos profesionales con herramientas suficientes para preguntarse qué existe después del umbral. La inteligencia artificial no llegó desde un universo ajeno a las matemáticas. Está construida, en una parte esencial, mediante ellas.
La respuesta a la crisis podría consistir menos en intentar recuperar la antigua escasez de demostraciones que en disputar el acceso a esa nueva infraestructura y aprender a utilizarla. Si la producción de teoremas puede escalar como nunca antes, la función más valiosa de un matemático quizá deje de ser demostrar una verdad aislada y pase a ser algo todavía más amplio: decidir qué vale la pena conocer y convertir una cantidad potencialmente ilimitada de verdades en comprensión.
