Los genios de “lápiz y papel” contra la máquina insaciable: cómo la IA ha cambiado el significado de “ser científico”
La velocidad a la que las compañías de inteligencia artificial (IA) están resolviendo algunos de los problemas más difíciles de las matemáticas produce asombro y preocupación al mismo tiempo. El anuncio de OpenAI de que ha encontrado una solución al problema de Navier-Stokes, uno de los seis 'Problemas del Milenio', ha disparado el nerviosismo y los rumores entre la comunidad matemática. En redes se habla de que la misma empresa y su competidor, Anthropic, están a punto de resolver otros retos. Como precedente, en mayo, un chatbot de OpenAI refutó una conjetura de hace 80 años del matemático húngaro Paul ErdÅ‘s.
Todas estas hazañas, incluida la de Navier-Stokes, están pendientes de verificación. La última vez —y por ahora la única— que se resolvió uno de los 'Problemas del Milenio', lo logró un ser humano al que rodea un halo de genialidad. Entre 2002 y 2003, el matemático ruso Grigori Perelman demostró la Conjetura de Poincaré, tras trabajar durante años en la más estricta soledad. En contraste, OpenAI desplegó 10.000 agentes de inteligencia artificial que intercambiaron 2,7 millones de mensajes. Solo necesitó 88 horas, pero gastó varios millones de dólares.
Perelman renunció a la Medalla Fields y el suculento premio en metálico del Instituto Clay porque prefería atribuir el mérito a sus predecesores; la compañía tecnológica, en cambio, precipitó sus resultados para adelantarse e invisibilizar el trabajo de la competencia y de los dos matemáticos españoles que llevaban tiempo avanzando en el problema.
“Yo tengo a Luis”
“Nosotros no usamos IA; lo nuestro es lápiz y papel”, confesaba en la noche del martes el matemático español Diego Córdoba (ICMAT) a elDiario.es. Él y su colaborador, Luis Martínez-Zoroa (CUNEF), siguen la vieja escuela de Perelman del trabajo a mano, pero son conscientes de que son una rareza en su disciplina y de que el mundo ha cambiado en los últimos tres años. “Cuando me preguntan: Tú que trabajas compitiendo con los de ChatGPT, con OpenAI, con Claude, ¿qué tienes? Yo les digo: yo tengo a Luis”, bromea.
Ante el escándalo de este ninguneo, OpenAI introdujo una referencia, a posteriori, a los trabajos de los españoles en sus resultados, pero su anuncio no ha disparado las alarmas por este gesto ni porque las máquinas hayan superado a los humanos, como en el mítico duelo Kaspárov-Deep Blue. El verdadero problema es que las compañías han entrado en una carrera en la que todo vale y con posibles efectos perniciosos: se pusieron a trabajar a toda velocidad cuando supieron que la competencia estaba cerca de solucionar el problema y existe la sospecha de que usaron la información que el otro equipo de matemáticos introdujo en su herramienta de IA para avanzar.
Terence Tao, uno de esos seres humanos excepcionales capaces de romper las barreras de las matemáticas, lo expresaba esta semana con gran claridad en New Scientist: “Así no es como se supone que debe funcionar la ciencia”.
El matemático Terence Tao, ganador de la Medalla Fields, lo expresaba con gran claridad: “Así no es como se supone que debe funcionar la ciencia”
Para Tao, la forma en que se anuncian estos hallazgos y se “vuelcan” sobre la comunidad matemática podría perjudicar a este campo. En su opinión, se trata de una carrera que no beneficia a nadie (excepto a los departamentos de marketing de las empresas de IA), y produce un atasco, ya que no hay tiempo para absorber los resultados, comprenderlos plenamente y enseñarlos a los estudiantes. “Estas empresas están tirando pilas de carne cruda sobre la mesa de nuestra aldea diciendo: 'Aquí tienen, he resuelto su problema de comida'. Y luego simplemente se van”, dice Tao.
El mayor problema de la voracidad de las IA, donde todos los matemáticos y científicos de otros campos están introduciendo sus resultados, no es que la autoría se difumine —saber quién es el descubridor o a quién atribuir el mérito— sino el de quebrar la confianza. Si se extiende la práctica que hemos visto con Navier-Stokes, los matemáticos no harán públicos sus resultados, por miedo a que otros los metan en la máquina y acaben su trabajo con algoritmos más potentes. Esto, advierte Tao, pondrá en peligro la cultura abierta y colaborativa y empujará la investigación a la clandestinidad. “Saber que alguien está trabajando en un problema es ahora información valiosa”, afirma.
Si se extiende la práctica, los matemáticos no harán públicos sus resultados, por miedo a que otros los metan en la máquina y acaben su trabajo con algoritmos más potentes
Terence Tao y otros 15 ganadores de la medalla Fields han lanzado este mismo viernes un manifiesto en el que reclaman que el uso de la IA preserve la comprensión humana y la trasparencia en la investigación en matemáticas. Antes, la Declaración de Leiden, publicada el 2 de junio de 2026 y respaldada por la Unión Matemática Internacional (IMU), alertaba de posibles problemas con la IA, como la pérdida de atribución a los autores originales y la creciente influencia de las grandes tecnológicas sobre las agendas de investigación. Y recalcaba que el objetivo de las matemáticas no es solo producir teoremas, sino “generar comprensión humana”.
Un artículo editorial de PLOS Biology, firmado por Renee Hoch y Joanna Clarke en junio de 2025, advertía de que utilizar IA generativa para propuestas, manuscritos, etc. puede comprometer la confidencialidad y la propiedad intelectual. “Con cualquier dato que compartas en una cuenta personal, puedes suponer que se puede usar para entrenar nuevos sistemas”, decía Aneesh Muppidi, investigador de IA en la Universidad de Stanford en The New York Times. Pero esta circunstancia es temporal. “Esto será un problema durante los próximos seis meses o un año”, apunta con sorna Sanjeev Arora, de la Universidad de Princeton. “Después de eso, la competencia humana tal vez ya no merezca ni siquiera ser considerada”.
El gran supervisor
La convulsión que ha producido la irrupción de estas voraces inteligencias artificiales se ha extendido al resto de la ciencia. Un estudio reciente, con participación de los expertos en políticas públicas de la Comisión Europea, se planteaba cómo la IA amenaza “los cimientos mismos de la comprensión científica” y está poniendo en cuestión lo que significa “ser científico”. Esta tecnología todopoderosa podría rescatar a la ciencia del estancamiento de la productividad de las últimas décadas, pero también implica el riesgo de limitar el progreso científico, advierten.
Además del uso fraudulento, para alimentar granjas de papers o plagiar el trabajo de otros, la IA se ha hecho presente en todas las fases del proceso: desde la formulación de hipótesis hasta la publicación y revisión. A nivel individual, incrementa la productividad de los científicos frente a quienes siguen con los viejos métodos. Aquellos que la utilizan, según un reciente estudio en la revista Nature, publican tres veces más artículos, reciben casi cinco veces más citas y se convierten en líderes de proyectos de investigación 1,37 años antes. Como contrapartida, la adopción de la IA reduce el volumen colectivo de temas científicos estudiados y estrecha el foco de los investigadores produciendo una paradoja: “Una expansión del impacto de los científicos individuales, pero una contracción en el alcance de la ciencia colectiva”.
En un análisis publicado esta semana por Science Media Center, Lluis Montoliu, experto en bioética del Centro Nacional de Biotecnología (CNB-CSIC), ponía el acento en el peligro de que la IA se convierta en el gran supervisor de la producción científica. “Más de la mitad de las evaluaciones de papers no han sido realizadas por personas, sino por sistemas de IA”, advierte. Esto puede producir un sesgo sistemático, puesto que la IA es peor generando ideas realmente disruptivas y penaliza propuestas innovadoras. Esto podría llevar a que artículos como el desarrollo de la técnica CRISPR, que valió el Nobel de Química a Jennifer Doudna y Emmanuelle Charpentier, “habría sido bloqueado por una IA al ser demasiado disruptivo e inesperado”, señala.
“La automatización de la investigación podría producir eficiencias a corto plazo en términos de resultados a costa de un colapso a largo plazo, debido a que los investigadores dejarían de ser capaces de impulsar la producción de conocimiento más allá de las nuevas fronteras”, escribe Henrik Skaug Sætra en otro artículo. Akhil Bhardwaj, investigador de la Universidad de Bath, identifica el peligro de externalizar la lógica del descubrimiento y dejarlo en manos de la IA y apunta a uno de los problemas: hemos idealizado los momentos “eureka” y el uso de la IA para producir hipótesis y teorías amenaza con robar parte de este “romanticismo” a la ciencia. ¿Nos produciría el mismo placer si supiéramos que ese momento en que se enciende la bombilla lo protagonizara una IA generativa?, se plantea.
A pesar de las demostraciones de la IA, algo parece resistirse en la comunidad científica a aceptar que podría ser tan genial o más que las grandes figuras de la ciencia. El científico y divulgador Philip Ball revisaba hace unos días en Nature algunos de los experimentos recientes con modelos de lenguaje “históricos” creados para comprobar si la IA sería capaz de redescubrir la teoría de la relatividad general de Einstein si se le diera la misma información que este manejaba en su época. Y muchos expertos, como el investigador Tom Zahavy, creen que a la máquina le falta un paso, porque se basa en el razonamiento inductivo —la acumulación y promediado estadístico de datos—, y no en el salto creativo que inventa una causa totalmente nueva a partir de anomalías o datos escasos. Seguimos empeñados en adorar a nuestros Perelman de lápiz y papel, pero ¿de verdad estamos seguros de que la siguiente generación de máquinas no será capaz de dar estos saltos?
¿Hacia un agujero negro?
En el horizonte está la posibilidad verdaderamente aterradora que apuntaba Arora, de que la IA se ponga a hacer ciencia por su cuenta y ya no nos necesite en absoluto. “En un futuro no muy lejano podría surgir una tercera etapa, en la que sistemas de IA autónomos lleven a cabo sus propias investigaciones y generen conocimiento sin supervisión ni control humanos”, señalan David B. Resnik, Mohammad Hosseini y Rico Hauswald en otro artículo reciente. Esto lleva a otro escenario que algunos han bautizado como el problema de la “caja negra”: la investigación generada por IA puede quedar más allá de la comprensión humana y que no sepamos las causas últimas de los resultados.
“¿Qué conocimiento tiene un sistema de diagnóstico que a partir de un montón de datos da un resultado, pero que no podemos decodificar en qué se ha basado realmente?”, se pregunta Joaquín Sevilla, físico y catedrático de la Universidad Pública de Navarra (UPNA), experto en el sistema de publicaciones. “Las redes neuronales producen resultados prácticos espectaculares a veces, pero sin ninguna metacognición: no sabe cómo lo sabe. Es imposible desempaquetar el conocimiento que pone en práctica para generar sus resultados en un formato que suponga significado para los seres humanos”.
En las próximas semanas o meses, cientos de matemáticos tendrán que dedicar un esfuerzo monumental para desentrañar y auditar la farragosa propuesta de solución de OpenAI al problema de Navier-Stokes, intentando traducir la densa lógica con la que operan las máquinas al lenguaje de la razón humana. Tal vez llegue el día en que sepamos que es correcto pero se nos escapen los motivos. Si la inteligencia artificial produce diagnósticos o teoremas impecables, pero no puede explicarnos cómo ha llegado a ellos, la ciencia corre el riesgo de adentrarse en un peligroso agujero negro del conocimiento: un escenario donde habremos perdido para siempre la capacidad humana de entender por qué suceden las cosas.