Cuando la IA dejó de asistir a la ciencia y empezó a hacerla

Ha ocurrido algo que merece mucha más atención de la que está recibiendo.

El 6 de octubre, OpenAI publicó 722 manuscritos matemáticos en un repositorio público de GitHub. Los trabajos fueron elaborados por un modelo interno de frontera que aún no se ha publicado y cuyo nombre el público desconoce. Los resultados abarcan 17 campos de las matemáticas, organizados en 372 familias distintas. Algunas de las afirmaciones, si se verifican, supondrían un avance genuino en problemas abiertos desde hace décadas.

La reacción inmediata se dividió en dos bandos, como siempre. Unos dijeron que era algo extraordinario y transformador. Otros pidieron cautela: nada de esto ha sido revisado por pares y no sabemos si es correcto.

Ambas reacciones son acertadas, pero también pasan por alto la pregunta más importante: ¿son correctos los resultados y quién está verificándolo?

Dos preguntas. Solo una tiene respuesta.

Permítanme distinguir dos cuestiones que la cobertura mediática ha presentado juntas, pero que merecen un análisis más profundo porque tienen implicaciones completamente distintas.

La primera pregunta es: ¿son correctos estos resultados matemáticos? Es una pregunta para los matemáticos y tardará meses en responderse. Aproximadamente una quinta parte de los 722 manuscritos incluye demostraciones en Lean, es decir, verificaciones formales comprobadas por máquina. Los aproximadamente 580 restantes no las incluyen, y la propia OpenAI reconoce en el archivo README del repositorio que algunos resultados no formalizados podrían tener problemas. La comunidad matemática los examinará detenidamente. Algunos resultados se sostendrán. Probablemente, otros no. Ese proceso es esencial y aún no ha tenido lugar.

La segunda pregunta es distinta: ¿qué significa que un modelo de IA haya producido 722 manuscritos matemáticos que abarcan 17 campos, utilizando un equivalente computacional de aproximadamente tres horas de reflexión por resultado?

Un sistema de IA actuó como un auténtico motor de descubrimiento matemático: se planteó aproximadamente 4.000 problemas y produjo trabajo matemático novedoso en teoría de números, geometría, informática teórica, física matemática y lógica. La cuestión de la verificación importa para el estudio de las matemáticas, pero el logro y la capacidad importan para todo lo demás.

El modelo que nadie puede usar

El detalle que más me llama la atención no son los 722 artículos, sino el modelo que los produjo, que sigue sin nombre y sin una API asignada. No está disponible para ningún cliente, ningún investigador ajeno a OpenAI ni ninguna empresa que intente desarrollar algo a partir de él. OpenAI publicó los resultados de una capacidad que el mercado todavía no ha visto y a la que aún no puede acceder.

En términos de inversión, es una señal muy concreta. La empresa ha demostrado una capacidad de frontera que, por definición, supera lo que el mercado ha incorporado a los precios. Con este logro, se amplió la distancia entre lo que pueden hacer los modelos internos de OpenAI y lo que el mercado entiende que pueden hacer.

Sin embargo, esa brecha no se mantiene amplia para siempre. Se reduce cuando se publica el modelo, cuando los competidores alcanzan el mismo nivel o cuando los resultados sirven para crear nuevos parámetros de referencia que todos empiezan a optimizar. Pero ahora mismo, en octubre de 2026, existe una demostración pública documentada de una capacidad matemática en un sistema de IA que nadie ajeno a la empresa puede usar ni evaluar por completo.

Cómo cambia esto la tesis de inversión

En Investing in Revolutions, describo el Efecto de convergencia como el principio según el cual, cuando se combinan tecnologías transformadoras, el resultado no es aditivo, sino multiplicativo. Dos más dos no son cuatro. La combinación crea algo que ninguna de las dos tecnologías podría producir por sí sola.

Llevo dos años escribiendo sobre la IA combinada con el descubrimiento científico como tema de inversión de cara al futuro. La reducción de los plazos de descubrimiento de fármacos, de años a semanas, gracias a la combinación de IA y computación cuántica. El avance de la ciencia de materiales mediante simulaciones moleculares generadas por IA. La transformación de la criptografía gracias al análisis asistido por IA de los fundamentos matemáticos.

Eran predicciones basadas en señales tempranas. Esta semana, una de ellas se hizo realidad.

Un modelo de IA que realiza descubrimientos matemáticos genuinos, con 722 manuscritos en 17 campos, representa una relación entre la IA y el conocimiento científico categóricamente distinta de la que hemos conocido hasta ahora. Los campos en los que esto más importa son precisamente los que he estado observando. La teoría de números es el fundamento matemático de la criptografía, que a su vez sustenta todos los sistemas de cadena de bloques y los protocolos de comunicación segura. La física matemática sustenta la ciencia de materiales y el hardware de computación cuántica. La informática teórica es la columna vertebral del desarrollo de algoritmos. Los avances en cualquiera de estos campos se propagan a los productos, las empresas y sectores enteros.

Cuando la IA permite que esos campos avancen más rápido que cuando trabajan en ellos investigadores humanos por su cuenta, se acelera la propagación de los avances a otros ámbitos. Para los inversores, la pregunta es qué se acelerará, cuáles serán los factores que impulsen esa aceleración, a qué velocidad y quién estará bien posicionado en su trayectoria.

La economía de la verificación que aún no existe

En esta historia hay una implicación concreta para la inversión que no he visto que nadie haya identificado con claridad.

162 de los 722 manuscritos cuentan con demostraciones en Lean verificadas por máquina. Los demás, no. OpenAI recurrió a un grupo asesor del Institute for Advanced Study para que proporcionara supervisión inicial. El grupo describió la publicación como un primer paso que inicia, pero no completa, el trabajo de incorporar los resultados al conocimiento matemático.

En la práctica, esto significa que ahora vivimos en un mundo donde los sistemas de IA pueden producir afirmaciones matemáticas y científicas más rápido de lo que la infraestructura humana existente puede verificarlas. Esa brecha entre producción y verificación no es un problema temporal. Crece a la par de las capacidades. Cada mejora en la capacidad de la IA para producir resultados científicos amplía la brecha de verificación, a menos que se construya algo para cerrarla.

Ese algo es una nueva categoría de infraestructura: herramientas de verificación formal, comprobación de demostraciones asistida por IA y procesos automatizados para contrastar afirmaciones matemáticas con resultados conocidos y marcos internamente coherentes. El sistema de demostración Lean es un comienzo, pero abarca el 22 % de esta publicación y no se diseñó para el volumen que se avecina.

La economía de la verificación de la ciencia generada por IA será importante y hoy apenas existe. Las empresas que la construyan harán algo verdaderamente necesario, no meramente útil, y esa es la clase de infraestructura más perdurable que se puede crear.

La frontera que lleva 80 años desplazándose

Cuando las computadoras empezaron a realizar cálculos numéricos más rápido que las personas, la mayoría de los matemáticos lo descartó por considerarlo computación, no matemáticas. Las máquinas podían calcular. No podían descubrir. Esa era la frontera.

Desde entonces, la frontera no ha dejado de desplazarse. Las demostraciones asistidas por computadora de resultados importantes, como el teorema de los cuatro colores, generaron controversia en las décadas de 1980 y 1990 porque una persona no podía verificar por completo la demostración. Los demostradores automáticos de teoremas avanzaron durante las décadas de 2000 y 2010. Cada vez que la frontera se desplazaba, surgía el mismo argumento: esto no son matemáticas de verdad; es solo computación.

La frontera volvió a desplazarse, de forma más visible que en años y más difícil de descartar, porque el resultado está en un repositorio público de GitHub que cualquiera puede examinar.

No afirmo que los 722 resultados vayan a superar el escrutinio. Afirmo que la capacidad demostrada al producirlos representa un cambio auténtico y duradero en lo que la IA puede hacer en los ámbitos científicos.

El punto de inflexión para los inversores

En Investing in Revolutions, sostengo que las mayores oportunidades de inversión surgen en los puntos de inflexión, cuando las tecnologías transformadoras cruzan un umbral que cambia radicalmente lo que es posible. Este es uno de esos momentos.

La capacidad emergente de la IA para generar descubrimientos científicos originales anuncia un cambio en la forma en que se produce la innovación y en dónde se creará valor. Las consecuencias van más allá de los desarrolladores de IA y alcanzan el descubrimiento de fármacos, los materiales avanzados, la energía, la criptografía y la I+D industrial, ámbitos en los que acelerar la investigación podría acortar los plazos de desarrollo, reducir los costos y abrir mercados completamente nuevos.

Para los inversores, la oportunidad consiste en reconocer este punto de inflexión antes de que sus consecuencias comerciales sean evidentes. Eso significa identificar la infraestructura necesaria para validar los descubrimientos generados por IA y las empresas mejor posicionadas para convertirlos en tecnologías propias, negocios escalables y ventajas competitivas duraderas.

Los hallazgos individuales aún deben verificarse, pero la señal general es clara: la IA está pasando de ayudar al descubrimiento científico a posiblemente impulsarlo. Los inversores que comprendan la importancia de ese cambio y dónde convergerán sus efectos estarán mejor posicionados para aprovechar el valor que genere.