Cuando la IA resuelve problemas matemáticos abiertos, ¿qué queda para el genio?

La matemática ha sido tratada durante mucho tiempo como la medida más pura de la inteligencia. A diferencia de la mayoría de las ciencias, no depende de equipo de laboratorio, ruido experimental o herramientas de medición. Una prueba es correcta o no lo es. Esa claridad es la razón por la que los grandes problemas no resueltos, conjeturas que resisten todas las técnicas conocidas, se han convertido en una especie de Monte Everest intelectual.

La historia tiende a contar la misma historia: una pregunta permanece en el aire durante décadas o siglos hasta que llega una mente rara, alguien con la mezcla inusual de paciencia, creatividad y poder técnico para ver un camino que nadie más vio. Celebramos al “genio solitario” porque en matemáticas, esa narrativa a menudo encaja.

Pero un nuevo patrón está comenzando a aparecer. A fines de 2025 y principios de 2026, las discusiones en línea sobre varios problemas de Erdős (un conjunto bien conocido de problemas abiertos recopilados por Paul Erdős) sugirieron que las pruebas asistidas por IA pueden haber resuelto múltiples artículos en un tiempo inusualmente corto. Algunos de estos esbozos de pruebas fueron revisados por destacados matemáticos, incluido Terence Tao, quien ha hablado públicamente sobre el creciente papel de la IA como colaborador matemático. Sin embargo, la advertencia más importante sigue siendo: las matemáticas no funcionan con titulares. La aceptación generalmente requiere tiempo, verificación independiente, redacción cuidadosa y, a veces, formalización en sistemas de verificación de pruebas.

Incluso con esa precaución, el punto más amplio sigue siendo: el mundo está obteniendo su primera mirada real a lo que sucede cuando la IA no solo calcula, resume o busca patrones, sino que participa en el acto de razonamiento. Si la IA puede ayudar a resolver problemas que los humanos han luchado durante generaciones, plantea una pregunta más profunda:
¿Qué hará el genio humano a continuación, cuando la máquina puede alcanzar la cima primero?

La mecánica de la “razonamiento de silicio”

Para entender por qué este momento se siente diferente, ayuda separar dos versiones de la IA que la gente a menudo confunde.

Las generaciones anteriores de modelos de lenguaje a menudo se describían (con razón) como sistemas que predicen la próxima palabra probable. Podían parecer impresionantes, pero también eran propensos a “tonterías confiadas” porque tenían una capacidad limitada para ralentizar, probar ideas o autocorregir.

Los sistemas más nuevos cada vez más dependen de un enfoque diferente: razonamiento en tiempo de prueba (a veces discutido como “cómputo en tiempo de prueba”). En lugar de producir una respuesta de inmediato, el modelo puede pasar más tiempo en un solo problema, generando enfoques candidatos, verificando si los pasos siguen lógicamente, retrocediendo cuando encuentra contradicciones y explorando rutas alternativas. En términos humanos, se asemeja a lo que un matemático hace en una pizarra: intenta algo, lo rompe, lo arregla y repite.

Esto importa en matemáticas porque el progreso rara vez es una línea recta. La mayoría de las ideas prometedoras fallan. La capacidad de retroceder, sin ego, fatiga o desánimo, puede convertir una búsqueda imposible en una factible.

Los sistemas de IA modernos han ido más allá de la mera calculación, ofreciendo cuatro capacidades prácticas que los hacen sentir menos como calculadoras y más como colaboradores. Sobresalen en la síntesis a gran escala, conectando ideas a través de vastas bibliotecas y subcampos de nicho donde los lemas clave rara vez se citan. También permiten una rápida iteración, probando muchas “rutas” de prueba rápidamente y descartando callejones sin salida mientras preservan subestructuras prometedoras. Además, estas máquinas a veces proponen heurísticas inusuales, construcciones intermedias que se sienten ajenas a la intuición humana pero siguen siendo lógicamente sólidas. Finalmente, producen una salida amigable para la verificación que se puede traducir en asistentes de prueba formales como Lean o Coq, brindando a la comunidad una ruta hacia una mayor confianza.

Es importante destacar que esto no significa que la IA “entienda” las matemáticas de la misma manera que los humanos. Significa algo más específico: bajo las restricciones adecuadas, puede generar cadenas de razonamiento que se mantienen bajo escrutinio. En matemáticas, eso es la moneda que importa.

Por qué los problemas de estilo Erdős tienen sentido como objetivos tempranos

No todas las fronteras matemáticas son igualmente “vulnerables” a la aceleración de la IA. Algunos problemas requieren teorías completamente nuevas, definiciones nuevas o saltos conceptuales profundos que no tienen muchos puntos de apoyo en la literatura existente. Pero otros problemas, especialmente aquellos en combinatoria, teoría de números y matemáticas discretas, a menudo tienen una forma diferente:

• La declaración es lo suficientemente simple como para explicarla a no especialistas.
• Las herramientas conocidas son abundantes, dispersas en artículos y fáciles de perder.
• El progreso a menudo proviene de combinar resultados existentes de una manera astuta.

Los problemas de Erdős suelen encajar en este perfil. Son famosos por ser fáciles de enunciar y difíciles de resolver, y viven en dominios donde las pruebas pueden involucrar un patchwork de técnicas: métodos probabilísticos, combinatoria extrema, teoría ergódica, análisis armónico y más.

Esto los hace útiles como una “prueba de presión” para la IA. Si un sistema puede proponer una estrategia de prueba creíble para un problema que ha resistido el esfuerzo humano general, eso es significativo, incluso si resulta (como a veces sucede) que la idea clave ya estaba implícita en trabajos anteriores o que la prueba necesita pulirse antes de convertirse en canónica.

En otras palabras: la historia no es “la IA reemplaza a los matemáticos”. La historia es que la IA puede reducir la distancia entre “el resultado existe en algún lugar” y “la comunidad realmente puede verlo”.

Cuando la IA redescubre lo que los humanos olvidaron

Uno de los patrones más interesantes en la ciencia moderna no es que los humanos carecen de conocimiento, sino que luchan por recuperar conocimiento.

Las matemáticas son enormes. Los resultados están dispersos en décadas de revistas, notas de taller y subcampos especializados con sus propios lenguajes y convenciones. Incluso los excelentes matemáticos pueden pasar por alto un teorema que es “obvio” dentro de un dominio de nicho. Con el tiempo, cadenas enteras de razonamiento pueden quedar enterradas, no porque estuvieran equivocadas, sino porque la atención se desplazó hacia otro lugar.

La IA cambia esa dinámica al estar dispuesta a buscar en los rincones aburridos donde los humanos rara vez buscan porque se inclinan hacia áreas de moda. También sirve para tender puentes, traduciendo entre el lenguaje de diferentes subcampos y alineando ideas que los humanos tradicionalmente mantienen separadas.

Esto es donde mucha gente ve la promesa más profunda. Incluso cuando la IA no está inventando nuevas matemáticas desde cero, puede funcionar como un “excavador de conocimiento” ultra-poderoso, trayendo estructuras olvidadas de regreso a la vista y recombínalas de maneras que se sienten nuevas.

El cambio “Gran Matemáticas”: De escritor de pruebas a director

Si la IA continúa mejorando, el mayor cambio puede no ser que las máquinas resuelvan más teoremas. Puede ser que el papel del matemático humano cambie.

Durante siglos, hacer matemáticas significaba dedicar un esfuerzo enorme a la prueba en sí, encontrar una ruta, verificar cada paso y escribirla de una manera que otros expertos puedan verificar. Ese trabajo es parte del oficio. Pero también es un cuello de botella. Muchas ideas prometedoras mueren simplemente porque el tiempo humano requerido para ejecutarlas y formalizarlas completamente es demasiado alto.

En un mundo acelerado por la IA, la prueba se vuelve menos escasa. Eso no hace que las matemáticas sean triviales. Cambia dónde vive el trabajo duro.

El matemático como cartógrafo, no calculadora

Si una prueba ya no es el principal cuello de botella, el “genio” se desplaza hacia tareas de nivel superior. Seleccionar las preguntas más valiosas para resolver se convierte en una responsabilidad humana central, al igual que diseñar nuevas abstracciones como invariantes y definiciones que conectan campos. Además, las grandes mentes se centrarán en construir programas de investigación al mapear paisajes de conjeturas y orquestar el descubrimiento, así como traducir resultados abstractos en herramientas funcionales para otros campos.
Piense en ello como el cambio en el ajedrez después de las computadoras. El ajedrez humano no terminó cuando las máquinas nos superaron. En su lugar, el juego de élite evolucionó. Los humanos aprendieron a hacer mejores preguntas a la máquina, interpretar sus recomendaciones y desarrollar estrategias que combinan intuición con cálculo.

Las matemáticas pueden sufrir una transformación similar, excepto que las apuestas son más amplias. Nuevas herramientas matemáticas pueden reconfigurar la criptografía, la optimización, el aprendizaje automático, la física y la economía. Si la IA reduce el costo del descubrimiento, los efectos posteriores podrían ser enormes.

¿Es esto “pensamiento libre” o solo una búsqueda extremadamente rápida?

Un escéptico razonable podría decir: esto no es inteligencia, es solo fuerza bruta. Dale a una máquina suficiente cómputo y encontrará algo que funcione.

Hay un punto real aquí. La IA trae escala. Puede intentar muchas rutas. Pero los casos más interesantes no son el azar, sino la síntesis estructurada: conectar conceptos, reutilizar lemas en contextos desconocidos y ensamblar una cadena de razonamiento que es coherente enough para que los expertos la validen.

En la práctica, la línea entre “búsqueda” y “pensamiento” se vuelve borrosa. Los matemáticos humanos también buscan, a través de ideas, analogías y resultados parciales. Lo que importa es si el proceso genera de manera fiable nueva verdad verificable.

Si la IA se convierte en consistentemente capaz de eso, entonces la etiqueta importa menos que el resultado. La frontera se desplaza de cualquier manera.

¿Qué fronteras podrían caer a continuación?

Si la IA sigue mejorando, debemos esperar un patrón: los problemas que caen primero a menudo serán aquellos donde el conocimiento ya está presente pero fragmentado, donde las técnicas existentes pueden re combinarse y donde la verificación formal puede aumentar rápidamente la confianza.

Los objetivos más probables a corto plazo incluyen:

• Combinatoria extrema y teoría de grafos: ricas herramientas, muchos lemas conocidos y muchos problemas definidos en términos discretos limpios.
• Teoría de números aditiva: terreno fértil para pruebas de técnica cruzada y argumentos de “puente” que conectan campos.
• Preguntas de optimización y complejidad: no el nivel más profundo “P vs NP” primero, sino muchos resultados estructurales más pequeños alrededor de algoritmos y límites.
• Subdominios formalizables: áreas ya parcialmente codificadas en asistentes de prueba, donde la IA puede acelerar la traducción de idea a teorema verificado.

Los grandes problemas famosos, como los premios del milenio, pueden seguir requiriendo invenciones conceptuales profundas. Pero incluso allí, la IA podría erosionar el terreno circundante: probar lemas, explorar casos especiales y construir andamios que hagan que un salto final humano (o híbrido) sea más probable.

La pivote filosófica: El regreso del que hace preguntas

A medida que automatizamos la mecánica de la prueba, nos vemos obligados a enfrentar una realidad que ha existido desde el amanecer de la disciplina: las matemáticas son, y siempre han sido, un subconjunto de la filosofía. Históricamente, los intelectos más valorados de nuestra especie fueron aquellos que podían luchar con las preguntas más significativas de la vida. Los griegos no separaron el estudio de los números del estudio de la existencia; para ellos, la “irracionalidad” de un número era una crisis del alma tanto como una crisis de la lógica.

En la era moderna, hemos desplazado nuestra valoración de la “genialidad” humana hacia el maestro calculador, la mente que podría funcionar como un procesador biológico. Pero a medida que la IA comienza a alcanzar la cima de estas pruebas primero, esa botella de cuello técnico se evapora. Esto no disminuye el intelecto humano; lo fuerza a migrar “hacia arriba de la pila”.

Los intelectos más valorados del futuro no serán aquellos que puedan ejecutar un proceso conocido con eficiencia extrema, sino los filósofos que puedan definir qué es digno de descubrir en primer lugar. Cuando el “cómo” se convierte en una commodity proporcionada por el silicio, el “por qué” se convierte en la única escasez restante. Estamos regresando a la era del polímata, donde la capacidad de plantear una pregunta que altera la vida, para concebir una nueva frontera de significado, es la habilidad suprema. Al igual que el cambio de una pala a una retroexcavadora, ya no se nos valora por nuestra capacidad para cavar con las manos, sino por nuestra visión al decidir dónde romper el terreno.

Conclusión: Un futuro donde el genio se mueve hacia arriba de la pila

Si la IA puede ayudar a resolver problemas que una vez exigían un intelecto de siglo, no significa que nos quedemos sin matemáticas. Significa que cambiamos la forma en que las hacemos.

En un mundo donde las pruebas se vuelven más baratas, el recurso escaso se convierte en algo más: buenas preguntas, abstracciones útiles y la capacidad de interpretar lo que significan las matemáticas.

El “intelecto único” del futuro puede parecerse menos a una figura solitaria que pasa décadas trabajando en una prueba y más a un cartógrafo de ideas, alguien que puede ver qué montañas vale la pena escalar y cómo coordinar una nueva clase de expedición donde los humanos y las máquinas escalan juntos.