Más de cien matemáticos vienen levantando la mano por una razón concreta: la inteligencia artificial mejora más rápido en resolver problemas que la ciencia matemática que debería respaldarla, y eso abre un riesgo de confiar en sistemas que parecen brillantes pero no entienden lo que hacen. La advertencia de los matemáticos sobre la inteligencia artificial, recogida por Science Magazine en 2026, no niega los avances. Pide cautela antes de tratar la matemática como un problema ya resuelto.
En 30 segundos
- Un grupo amplio de matemáticos pide frenar el entusiasmo: la IA avanza rápido en infraestructura, pero la base teórica que la haría confiable va mucho más lenta.
- Los modelos brillan en problemas estructurados (olimpíadas, búsqueda de literatura) y fracasan en investigación abierta de verdad.
- En FrontierMath, el banco de pruebas creado con más de 60 matemáticos, los mejores modelos resolvían menos del 2% al debutar.
- Las cinco preocupaciones grandes: saturación del peer-review, crédito intelectual, recorte de fondos, educación sin rigor y usos en vigilancia o defensa.
- Para equipos en Latinoamérica el mensaje es simple: usá la IA como asistente verificable, no como oráculo.
Una aclaración de entrada para que se entienda el resto. FrontierMath es un banco de pruebas de matemática avanzada, creado por Epoch AI con aportes de decenas de matemáticos profesionales, diseñado para medir si un modelo razona de verdad o apenas repite patrones vistos. Es el termómetro que vuelve una y otra vez en este debate.
La advertencia de los matemáticos sobre la inteligencia artificial
El planteo es incómodo y por eso importa. Según el artículo de Science, buena parte de la comunidad matemática ve que la “inteligencia” de estos sistemas crece sobre una base científica que todavía está floja. Construimos motores cada vez más potentes sin terminar de entender por qué arrancan.
¿Y por qué eso es un problema y no un detalle académico? Porque cuando un modelo te tira un resultado matemático, alguien tiene que verificarlo. Si nadie puede explicar el camino que siguió, la confianza se vuelve un acto de fe. Y la fe no es un buen criterio para sistemas que después terminan en finanzas, salud o defensa.
Los avances que encienden el entusiasmo
Hay motivos para el asombro, eso es honesto reconocerlo. En la Olimpíada Internacional de Matemática de 2024, el sistema de Google DeepMind (AlphaProof junto a AlphaGeometry 2) alcanzó nivel de medalla de plata, a un solo punto del oro. Para un problema que muchos creían intratable, fue un golazo.
Después llegó AlphaEvolve, también de DeepMind, un agente que combina modelos Gemini con evolución de código y encontró mejoras en algoritmos que llevaban décadas quietos, incluida la multiplicación de matrices. Cosas que parecían cerradas desde los años 70 volvieron a moverse.
Y el caso que más ruido hizo: los reportes de que modelos de OpenAI habían “resuelto” problemas abiertos de Erdős con décadas encima. Acá viene lo bueno. Cuando los matemáticos revisaron, varios de esos problemas ya tenían solución publicada en la literatura, y lo que el modelo hizo fue encontrarla, no demostrarla. Sigue siendo útil. Pero no es lo mismo que crear matemática nueva, y confundir las dos cosas es justo lo que la advertencia pide evitar. En los fundamentos matemáticos detrás de estos modelos profundizamos sobre esto.
Lo que la IA todavía no sabe hacer
Ponele que le pedís a un modelo top que ataque un problema de investigación de frontera, de esos que no salieron en ningún paper. Ahí la cosa cambia.
El dato más duro lo da FrontierMath. Al debutar, los mejores modelos resolvían menos del 2% de los problemas. No es un detalle: muestra la distancia entre lucirse en exámenes con respuesta conocida y producir conocimiento original. La IA domina el patrón. La lógica profunda, esa que conecta ideas que nadie conectó antes, todavía se le escapa.
El éxito en problemas estructurados no se traduce a investigación abierta. Son dos juegos distintos.
Las cinco amenazas que más preocupan
1. El peer-review se satura
Si generar un paper cuesta cinco minutos, la cantidad de envíos de baja calidad puede tapar a los revisores humanos, que siguen siendo los mismos y trabajan gratis. La revisión por pares no escala al ritmo de un modelo. Complementá con cómo GPT ha revolucionado la IA.
2. ¿De quién es el mérito?
Si un sistema sugiere el paso clave de una demostración, ¿el crédito es del matemático, del laboratorio que entrenó el modelo o de nadie? No hay consenso, y la carrera académica se construye sobre la autoría.
3. El riesgo de “ya está resuelto”
El temor más político: que gobiernos o financiadores crean que la matemática quedó automatizada y recorten fondos. Sería un error caro. Sin investigación básica, la IA se queda sin la teoría que la sostiene.
4. Educación sin rigor
Estudiantes que delegan el razonamiento en una herramienta corren el riesgo de no construir la intuición que después necesitan para detectar cuándo el modelo se equivoca. Y se equivoca.
5. Usos en vigilancia y defensa
Métodos matemáticos potentes aplicados a vigilancia, sistemas militares o financieros, sin garantías de fiabilidad ni consentimiento, son un terreno resbaladizo. Acá la cautela no es opcional. Relacionado: modelos avanzados como Claude.
Promesa vs. realidad: qué puede y qué no puede la IA en matemática
| Tarea | Cómo le va | Evidencia |
|---|---|---|
| Problemas tipo olimpíada | Muy bien | Nivel medalla de plata, IMO 2024 (DeepMind) |
| Mejorar algoritmos conocidos | Prometedor | AlphaEvolve, 2025 |
| Buscar resultados ya publicados | Útil | Caso Erdős: encontró, no demostró |
| Investigación abierta de frontera | Flojo | Menos del 2% en FrontierMath al debut |
| Verificar su propio razonamiento | Limitado | Falta base teórica de interpretabilidad |
Cómo cambia el trabajo del matemático
Hay una grieta dentro de la propia comunidad. Investigadores como Marijn Heule, de Carnegie Mellon (conocido por demostraciones asistidas por computadora de tamaño descomunal), señalan que la mayoría de los matemáticos todavía ignora estas herramientas. Los que sí las adoptan las usan para verificar, explorar caminos y descartar callejones sin salida más rápido.
El riesgo del otro lado es la dependencia. Si te acostumbrás a que la máquina sugiera el próximo paso, perdés músculo para encontrarlo solo. Y aparece una desigualdad nueva: quienes tienen acceso a los modelos grandes, contra quienes no. La brecha de cómputo se vuelve brecha de productividad.
Ética, seguridad e infraestructura
Acá está el punto que conecta con el mundo real. Sin matemática sólida detrás, la IA arrastra límites en confiabilidad, interpretabilidad, verificación, eficiencia energética y seguridad. Eso pega fuerte donde más se usa: banca, industria, sistemas críticos.
Una empresa que monta modelos sobre su propia infraestructura (si elegís dónde corren tus cargas, conviene pensar en un proveedor con soporte local como donweb.com para el hosting y el cómputo) necesita poder auditar resultados, no solo recibirlos. La pregunta de “¿esto lo verificó alguien de forma independiente?” debería ser parte del flujo, no una ocurrencia tardía.
Qué está confirmado y qué no
- Confirmado: el sistema de DeepMind alcanzó nivel de medalla de plata en la IMO 2024, según el anuncio del propio laboratorio.
- Confirmado: en FrontierMath los modelos punteros resolvían un porcentaje muy bajo de problemas al lanzamiento.
- Confirmado: Science Magazine publicó en 2026 el artículo que ordena estas preocupaciones.
- Pendiente: que la IA produzca, de forma verificable e independiente, una demostración original de un problema abierto importante.
- Pendiente: reglas claras sobre autoría, revisión y uso ético acordadas por la comunidad.
Errores comunes al leer estos avances
- Confundir “encontrar” con “demostrar”. Que un modelo localice una prueba ya publicada no significa que la haya creado. El caso Erdős es el ejemplo de manual.
- Tomar el benchmark del fabricante como verdad neutral. Un resultado de olimpíada anunciado por el laboratorio que entrenó el modelo necesita verificación externa. Tomalo con pinzas hasta que un tercero lo replique.
- Asumir que “resuelve exámenes” equivale a “hace ciencia”. Son habilidades distintas, y FrontierMath lo deja clarísimo.
- Creer que adoptar la herramienta es opcional para siempre. Ignorarla del todo también es un error: quienes la usan bien ganan tiempo real.
Preguntas Frecuentes
¿Qué advierten los matemáticos sobre el progreso de la IA?
Advierten que la IA mejora más rápido en capacidad de cálculo y resolución que en la base teórica que la haría confiable. Piden no tratar la matemática como un campo resuelto y mantener la verificación humana e independiente de cualquier resultado generado por modelos. Lo explicamos a fondo en las aplicaciones prácticas de ChatGPT.
¿Puede la IA refutar conjeturas matemáticas sin resolverlas?
Hasta ahora los casos sonados, como problemas atribuidos a Erdős, fueron de búsqueda de resultados ya publicados más que de demostraciones originales. La IA es buena recuperando conocimiento existente, pero todavía no produce pruebas nuevas verificables de problemas abiertos importantes.
¿Qué es FrontierMath y qué demuestra?
FrontierMath es un banco de pruebas de matemática avanzada creado por Epoch AI con más de 60 matemáticos. Demuestra la brecha real: al debutar, los mejores modelos resolvían menos del 2% de sus problemas, lejos de su rendimiento en exámenes con respuestas conocidas.
¿Cuál es el impacto real de la IA en la investigación matemática?
Es una herramienta de asistencia: sirve para verificar pasos, explorar caminos y mejorar algoritmos conocidos. No reemplaza la intuición ni la creación de teoría nueva, y su mayor riesgo institucional es saturar la revisión por pares y generar dependencia.
¿Cómo cambiaría la IA el futuro de la profesión matemática?
Probablemente divida a la comunidad entre quienes la adoptan como copiloto y quienes la ignoran. Exige nuevas reglas de autoría, revisión y ética, además de cuidar la formación para que las próximas generaciones no pierdan el rigor de razonar sin asistencia.
Conclusión
Lo que cambió no es que la IA “ya hace matemática”. Cambió la velocidad, y con ella la presión sobre instituciones que no están preparadas para este ritmo. Los logros son reales (plata en la IMO, mejoras de algoritmos), pero el menos del 2% en FrontierMath marca el límite con honestidad.
¿Qué hacer si trabajás con estos sistemas? Usalos para acelerar, no para decidir. Verificá todo resultado importante de forma independiente, guardá el escepticismo sano frente a los benchmarks del propio fabricante, y no tires la base teórica por la ventana porque una demo impresionó en Twitter. La advertencia de los matemáticos no es miedo al futuro. Es pedir que el futuro venga con pruebas.
Fuentes
- Science Magazine – Mathematicians issue warning as AI rapidly gains ground
- Quanta Magazine – The AI revolution in math has arrived
- Scientific American – What happens when AI starts checking mathematicians’ work
- MIT Technology Review en español – El futuro de la IA y las matemáticas
- arXiv – Paper de referencia sobre evaluación de IA en matemática