La matemática bajo asedio: por qué la IA generativa exige reglas urgentes

La publicación masiva de 722 artículos matemáticos por parte de OpenAI —con retiros y correcciones incluidas— no es una anécdota técnica. Es el síntoma visible de una fractura profunda: la capacidad de la inteligencia artificial generativa para producir conocimiento matemático a escala industrial ha superado a los mecanismos de validación, atribución y gobernanza que sostienen la confianza en la ciencia y, por extensión, en las aplicaciones comerciales que de ella dependen.

El episodio recuerda, en velocidad y magnitud, la crisis de fundamentos que sacudió a las matemáticas a principios del siglo XX. Entonces, paradojas lógicas obligaron a reconstruir los cimientos de la disciplina. Hoy, como señala Terence Tao, lo que se pone a prueba no es la verdad matemática, sino los valores y prácticas implícitas que definen qué cuenta como contribución, quién merece reconocimiento y cómo se transmite el entendimiento. La advertencia de Tao sobre la ley de Goodhart es precisa: cuando una métrica —"problemas resueltos"— se convierte en objetivo, deja de ser buena medida. La IA optimiza la apariencia de solución; la comunidad matemática optimiza la comprensión. Esas trayectorias ya no corren paralelas.

El caso OpenAI ilustra la divergencia. Solo el 42 % de los resultados principales pasó verificación formal con Lean. Tres papers fueron retirados y 14 corregidos en 24 horas. La Association for Human Mathematics denunció que la publicación masiva en modelos privados, inaccesibles para la mayoría de investigadores, concentra el poder de descubrimiento en unas pocas corporaciones y rompe la reciprocidad que sostiene el ecosistema científico. El grupo asesor independiente (AGMAI) recomendó no usar problemas avanzados para benchmarking privado, documentar procedimientos y garantizar comprensibilidad humana. OpenAI escuchó, pero no acató todo.

Para un director de tecnología o un CEO en Latinoamérica, esto no es una disputa académica lejana. La Ley de IA de la Unión Europea —primer marco jurídico global de IA— clasifica sistemas según riesgo. Herramientas que generen contenido técnico de alta criticidad —diseño de fármacos, protocolos criptográficos, modelos financieros, validación de software crítico— pueden caer en "alto riesgo", exigiendo gestión de datos, trazabilidad, supervisión humana y robustez demostrable. Las obligaciones para modelos de propósito general (GPAI) entraron en vigor en agosto de 2025; las de alto riesgo, en diciembre de 2027. El estándar europeo tiende a convertirse en referencia global de facto.

Tres riesgos concretos para la empresa:

• Validación opaca: si un modelo propone una demostración que nadie en su equipo puede entender, ¿cómo audita su corrección antes de ponerla en producción? La verificación formal (Lean, Coq, Isabelle) ayuda, pero no sustituye la comprensión semántica del problema original.
• Propiedad intelectual y atribución: cuando la IA sintetiza décadas de literatura matemática para resolver un problema, ¿quién es el inventor? Las patentes y secretos industriales basados en salidas de IA generativa enfrentan incertidumbre jurídica creciente.
• Dependencia asimétrica: las capacidades de frontera (modelos "Astra" u equivalentes) residen en laboratorios de Big Tech. El acceso desigual a computación y datos de entrenamiento crea una brecha de capacidad de I+D que ninguna universidad o startup latinoamericana puede cerrar sola.

No se trata de rechazar la herramienta. El propio Dan Litt, de la Universidad de Toronto, celebra que la IA abra problemas antes inalcanzables. La respuesta es gobernanza antes de que la regulación la imponga. Tres pasos inmediatos:

1. Política interna de uso de IA en I+D: definir qué tareas pueden delegarse a modelos generativos, qué nivel de verificación humana y formal se exige, y cómo se documenta la procedencia de cada resultado. 2. Inversión en verificabilidad: adoptar asistentes de prueba formales (Lean, Coq) como infraestructura estándar, no como experimento. La trazabilidad de la demostración —del lenguaje natural al código verificado— debe ser requisito de entrega. 3. Participación en estándares: sumarse a foros internacionales (ISO/IEC, IEEE, GPAI Code of Practice) donde se escriben las normas técnicas que mañana serán obligatorias. Latinoamérica no puede ser solo receptora de regulaciones ajenas.

Siempre fue la matemática la columna vertebral silenciosa de la tecnología: criptografía, compresión, optimización, aprendizaje automático. Si su proceso de producción se opaciza, la confianza en toda la pila tecnológica se erosionará. Regular no es frenar; es asegurar que el motor siga funcionando cuando nadie mira el tablero. La pregunta no es si habrá reglas, sino si su organización las habrá internalizado antes de que sean obligatorias.