Los sistemas de inteligencia artificial ya pueden resolver algunos problemas abiertos y entregar pruebas verificables. Para las empresas, el cambio relevante no es sustituir el criterio humano, sino generar, comprobar y auditar decisiones complejas.

El hallazgo verificado es distinto al titular viral

La información sobre un supuesto modelo de OpenAI llamado “Astra”, capaz de resolver diez problemas matemáticos por US$2.000, no aparece respaldada por una fuente primaria oficial. El avance documentado más cercano corresponde a AlphaProof Nexus, desarrollado por Google DeepMind. El sistema resolvió autónomamente 9 de 353 problemas formalizados de Erdős y demostró 44 de 492 conjeturas abiertas de la Online Encyclopedia of Integer Sequences. Dos preguntas llevaban 56 años sin solución.

OpenAI comunicó, por separado, que un modelo interno refutó una conjetura vinculada al problema de la distancia unitaria, estudiado durante casi ocho décadas. También anunció acceso gratuito a modelos avanzados para 100.000 investigadores hacia 2027. Son hitos relevantes, pero no equivalen al anuncio atribuido a “Astra”.

Generar una respuesta ya no basta

AlphaProof Nexus combina un modelo de lenguaje, subagentes, búsqueda evolutiva y el asistente de pruebas Lean. El modelo propone pasos; Lean comprueba cada uno y devuelve errores para que el sistema corrija su estrategia. En la evaluación, cada problema de Erdős se abandonaba si no aparecía una prueba después de 3.000 episodios.

La lección trasciende la matemática: la confiabilidad no proviene de una respuesta convincente, sino de una capa independiente capaz de rechazarla. En marketing, analítica o investigación de mercado, el equivalente es separar generación y validación. Un agente puede plantear hipótesis, mientras otro proceso contrasta fuentes, datos, reglas comerciales y restricciones de marca.

El costo baja, pero el criterio gana valor

El estudio estima un costo de inferencia de algunos cientos de dólares por problema resuelto. Sin embargo, el sistema cerró solamente una fracción de los desafíos que recibió. El resultado no demuestra una superioridad general de la IA frente al ser humano ni la automatización completa de la investigación matemática.

Lo que sí cambia es la economía de la exploración. Cuando disminuye el costo de probar rutas, el valor se desplaza hacia escoger preguntas relevantes, formular correctamente el problema y evaluar la importancia del resultado. En las empresas ocurre algo similar: producir alternativas creativas, segmentos o proyecciones será cada vez más barato; decidir cuáles merecen inversión seguirá siendo una responsabilidad estratégica.

La confianza se convierte en infraestructura

La Declaración de Leiden sobre Inteligencia Artificial y Matemáticas, respaldada por la Unión Matemática Internacional, recomienda transparentar el uso de herramientas, mantener la responsabilidad humana y exigir revisión, atribución y verificación. Al 6 de agosto de 2026 registraba más de 3.400 adhesiones.

Para las marcas, esta discusión anticipa un estándar más amplio. Los sistemas agénticos deberán dejar trazabilidad sobre la información utilizada, las decisiones tomadas y los controles superados. Una afirmación publicitaria, una recomendación comercial o una segmentación automatizada no debería aprobarse solo porque parece correcta: debe poder explicarse y contrastarse.

De la automatización a la evidencia

El avance de la IA en matemáticas demuestra que una máquina puede explorar con velocidad cuando opera dentro de un sistema formal, con objetivos definidos y controles estrictos. La ventaja competitiva no estará en adoptar agentes antes que el resto, sino en diseñar una operación donde la velocidad no destruya la confianza.

Para los equipos de marketing, la recomendación es concreta: antes de escalar agentes, deben definir qué decisiones pueden automatizarse, qué evidencia debe entregar el sistema y dónde el juicio humano conserva la última palabra. La empresa capaz de demostrar por qué una decisión es correcta tendrá más valor que aquella que solamente la produzca más rápido.

Fuentes de la nota

• Google DeepMind / arXiv: Advancing Mathematics Research with AI-Driven Formal Proof Search.
• OpenAI: A model from OpenAI has disproved a central conjecture in discrete geometry.
• OpenAI: Accelerating scientific discovery with ChatGPT for Academic Researchers.
• Leiden Declaration on Artificial Intelligence and Mathematics.
• International Mathematical Union.
• La Vanguardia, como fuente secundaria de partida.