AlphaGeometry resuelve problemas olímpicos y desafía a los matemáticos

Hace unos años, pedirle a una computadora que demostrara un teorema era casi una herejía. Hoy, los modelos de lenguaje generativos resuelven problemas de cálculo y álgebra con una fluidez que desconcierta a los propios matemáticos. Pero no se trata solo de hacer cuentas más rápido: estamos ante un cambio epistemológico.

El matemático sintético

Los rumores sobre la muerte de las matemáticas son, como los de Mark Twain, muy exagerados. Lo que está muriendo es la idea de que los humanos somos el único motor capaz de crear conocimiento matemático nuevo. Herramientas como AlphaGeometry, de DeepMind, ya resuelven problemas de geometría olímpica que desafían a estudiantes de élite. Por su parte, modelos de lenguaje como GPT-4 pueden generar demostraciones paso a paso, aunque a veces inventan pasos (y ahí está el peligro).

Lo interesante no es que la IA sea perfecta –no lo es–, sino que ha cambiado el flujo de trabajo. Un investigador ya no pasa horas tanteando en un pizarrón; describe el problema a un asistente de IA, recibe una docena de enfoques posibles y luego elige, refina o descarta. Esto multiplica la productividad en áreas como la criptografía, la optimización de carteras financieras o la simulación de materiales. Para un ejecutivo latinoamericano, la implicación es clara: los equipos que sepan integrar estas herramientas ganarán ventaja en tiempo y precisión.

Hacia dónde vamos

La verdadera frontera no es la resolución de problemas, sino el descubrimiento de nuevas teorías. ¿Podrá una red neuronal generar un teorema original que ningún humano haya concebido? Ya hay indicios. En 2023, un modelo entrenado con grafos de conocimiento matemático sugirió conexiones entre áreas aparentemente inconexas, lo que llevó a un grupo de investigadores a formular un nuevo lema sobre estructuras algebraicas. Aún no es el “teorema del milenio” generado por una máquina, pero es un paso.

No obstante, persisten riesgos operativos que cualquier directivo debe considerar:

• Alucinaciones algorítmicas: Los modelos pueden “inventar” pasos lógicos que parecen correctos pero no lo son. En finanzas, eso puede costar millones; en investigación, años de trabajo perdido.
• Dependencia tecnológica: Si una empresa externaliza su razonamiento cuantitativo a un modelo de código cerrado (ChatGPT, Gemini), queda sujeta a los cambios de licencias, precios y disponibilidad.
• Falsa sensación de comprensión: Delegar en la IA sin entender el método subyacente erosiona el juicio crítico del equipo. Un ejecutivo debe preguntarse: ¿mi gente aún sabe por qué funciona una fórmula, o solo sabe cómo pedirla?

El panorama recuerda a la llegada de las calculadoras gráficas en los años 80: los puristas temían que los estudiantes dejaran de aprender matemáticas básicas. Al final, la tecnología liberó tiempo para pensar en problemas más complejos. Con la IA generativa ocurre algo similar, pero a una escala exponencial.

Para los directivos de industrias como banca, logística o energía, donde los modelos matemáticos son el corazón de la toma de decisiones, la recomendación es doble: invertir en formación de equipos para que entiendan los límites de la IA, y exigir transparencia a los proveedores sobre cómo se validan los resultados. No se trata de competir con la máquina, sino de domesticarla.

Si una máquina puede hacer matemáticas, ¿qué nos queda a los humanos? La respuesta es incómoda: la responsabilidad de elegir qué problemas vale la pena resolver. Y ese, quizá, sea el teorema más difícil de demostrar.