OpenAI acaba de anunciar que uno de sus nuevos modelos de razonamiento ha logrado lo que parecía imposible para la inteligencia artificial hasta hoy: refutar una conjetura matemática de larga data, planteada originalmente por Paul Erdős en 1946. La empresa afirma que no se trata de una herramienta especializada en cálculo, sino de un motor de razonamiento general capaz de conectar ideas complejas de forma autónoma.
Esta vez, la narrativa parece tener un respaldo sólido. A diferencia del episodio de hace siete meses, cuando el entonces vicepresidente de la compañía, Kevin Weil, anunció con entusiasmo que GPT-5 había resuelto diez problemas de Erdős —solo para que la comunidad científica demostrara que el modelo simplemente había extraído soluciones ya existentes de la literatura académica—, hoy OpenAI ha optado por la prudencia institucional. Han publicado notas de respaldo firmadas por matemáticos de renombre, incluidos Noga Alon y el propio Thomas Bloom, quien gestiona el archivo oficial de problemas de Erdős y que en su momento fue uno de los críticos más vocales ante las imprecisiones de la firma.
La delgada línea entre la alucinación y el descubrimiento
Lo que diferencia este hito de los anteriores anuncios es el rigor académico. Al presentar una construcción matemática nueva que supera las estructuras de rejilla cuadradas que dominaron la disciplina durante ocho décadas, el modelo demostró capacidad para generar conocimiento original en lugar de realizar una síntesis estadística de datos preexistentes. Esto, técnicamente, es un avance significativo en la capacidad de los modelos actuales para sostener cadenas de razonamiento lógico a largo plazo.
Sin embargo, mi lectura es distinta: el entusiasmo debe ser templado. La industria de la IA sufre de un sesgo de confirmación constante, donde el marketing de las empresas intenta validar sus modelos con logros científicos antes de que estos sean plenamente digeridos por el consenso académico. En América Latina, donde sectores como la minería o la logística dependen de una optimización matemática crítica, la diferencia entre una IA que "resuelve" y una que "alucina" es la diferencia entre la eficiencia operativa y una pérdida millonaria en capital de trabajo.
El detalle que importa es que el modelo no fue entrenado para este problema. OpenAI asegura que su capacidad para cruzar dominios y explorar caminos inexplorados podría trasladarse a la biología, la física y la ingeniería. Esto no es menor. Si los modelos de lenguaje trascienden su función de predicción estadística para convertirse en motores de descubrimiento científico, estamos ante un cambio en la metodología de investigación aplicada.
Más allá del titular
La arquitectura de los modelos de razonamiento busca corregir la tendencia al error inherente a las redes neuronales tradicionales. Si realmente logran reducir la probabilidad de falsos positivos en problemas de lógica compleja, el despliegue en entornos industriales, como los algoritmos de riesgo financiero utilizados por los grandes bancos de la región o las plataformas de gestión de activos digitales en México y Brasil, podría volverse una realidad en el corto plazo. La pregunta ya no es si la IA puede leer todo lo que hemos escrito, sino si puede pensar en cosas que aún no hemos descubierto.
Deberíamos vigilar la tasa de éxito de este modelo fuera del entorno controlado de las pruebas matemáticas. El mercado debe observar con lupa si OpenAI logra convertir este "descubrimiento" en una herramienta de utilidad consistente o si, nuevamente, el peso de la marca supera la realidad de la tecnología. La verdadera prueba para OpenAI no está en la elegancia de una conjetura geométrica, sino en la fiabilidad de sus modelos cuando no hay matemáticos de élite supervisando la salida. No hay vuelta atrás: la IA ha entrado en la etapa de verificación científica, y cualquier error aquí se paga con la credibilidad, un activo que, como hemos visto, puede evaporarse en un solo tuit borrado.
