¿Están obsoletas las matemáticas ante la IA? Qué cambia y qué sigue vigente

Un vuelco en un campo tradicionalmente humano

En semanas recientes, sistemas de inteligencia artificial han anunciado soluciones a problemas matemáticos históricos: desde un caso vinculado a Paul Erdős hasta varios retos resueltos por equipos como Google DeepMind. Esas noticias han provocado titulares contundentes —“¿están obsoletas las matemáticas?”— y una reacción intensa dentro de la comunidad científica.

Estos hitos no son triviales: como señaló Jeremy Avigad, profesor de Filosofía y Matemáticas en la Universidad Carnegie Mellon, “es un logro matemático considerable”. Y para investigadores como Javier Gómez Serrano, la resolución de problemas populares puede ser publicable en las mejores revistas y representar “un punto de inflexión real”.

Reacción de la comunidad científica

La comunidad matemática ha respondido con una mezcla de asombro, precaución y reflexión ética. Aparecieron manifiestos —como la llamada Declaración de Leiden sobre IA y Matemáticas— que reclaman transparencia en el uso de herramientas de IA y la confirmación de la autoría humana en resultados académicos. Estos documentos buscan preservar normas de crédito y responsabilidad en un entorno donde la frontera entre aporte humano y máquina se vuelve más difusa.

Como ocurre en otras disciplinas, hay preocupación por el uso indebido del trabajo ajeno y por la atribución. Jeremy Avigad destacó la importancia de normas éticas: en la academia, saltarse esas reglas perjudica la reputación; en empresas, la aplicación de esos principios resulta más compleja.

¿Significa esto el fin de las matemáticas?

La respuesta corta es no. Varias voces expertas insisten en que la disciplina cambiará, pero no desaparecerá. Petra Schwer, de la Universidad de Heidelberg, afirma que “las matemáticas, tanto como disciplina como comunidad científica, se verán afectadas por estos cambios” y recuerda que ya existieron disrupciones previas —la calculadora, el ordenador, los sistemas de álgebra computacional— que no anularon la necesidad del pensamiento matemático.

Seewoo Lee, investigador en UC Berkeley, subraya una distinción útil: “Hay que considerar a las ‘matemáticas’ y los ‘matemáticos’ por separado”. La IA puede acelerar el progreso matemático y ayudar a resolver problemas concretos, pero construir teoría —definir conceptos, formular demostraciones que explican por qué algo es cierto— sigue siendo una tarea creativa y conceptual en la que la intuición humana y el pensamiento crítico mantienen un rol central.

Límites actuales de la IA en matemáticas

Quienes desarrollan estos sistemas también reconocen sus límites. Demis Hassabis, fundador de DeepMind, ha dicho que los sistemas actuales están “lejísimos de lo que sería una verdadera invención” comparable a figuras históricas. En la práctica, los modelos pueden proponer caminos prometedores, experimentar con conjeturas y automatizar partes de la verificación, pero no ofrecen todavía la profundidad conceptual y la creatividad humana en todo su alcance.

Además, el uso de IA introduce riesgos pragmáticos: exceso de resultados de baja calidad, verificación insuficiente, y la posibilidad de que personas sin formación matemática básica produzcan trabajos imprecisos o engañosos porque no saben distinguir cuándo la herramienta se equivoca. Como advierte Javier Gómez Serrano: “La ventaja no es saber usar la IA: es saber usarla y poder distinguir cuándo te está mintiendo”.

Impacto en revistas científicas y producción académica

Se observa un aumento en envíos que podrían relacionarse con el uso de la IA; algunos editores notan este fenómeno y discuten criterios para revisar y aceptar trabajos. Thomas Bloom, de la Universidad de Manchester, apunta que, aunque se han visto soluciones nuevas ayudadas por IA, aún no se aprecia un salto cualitativo masivo en el conjunto del campo. Sam Livingstone, del University College London, advierte sobre una posible abundancia de trabajos de baja calidad que compliquen la selección editorial.

Estas dinámicas traen dos consecuencias prácticas: la necesidad de estándares claros de divulgación del uso de IA en resultados matemáticos, y la mayor importancia de la revisión rigurosa por pares que verifique demostraciones y argumentos.

¿Qué cambia para investigadores y docencia? (incluida América Latina)

Para investigadores: la IA puede ser una herramienta de aceleración —explorar ejemplos, generar conjeturas, comprobar casos o asistir en la verificación formal— pero su uso efectivo exige base matemática sólida. Quien domine ambas dimensiones tendrá ventaja. Para grupos de investigación en América Latina, esto implica invertir en formación que conjugue matemática avanzada y habilidades en herramientas computacionales y de IA.

Para la enseñanza: la presencia de IA obliga a replantear objetivos. Menos énfasis en cálculos mecánicos repetitivos y más en pensamiento crítico, modelado matemático, interpretación de resultados y evaluación de su validez. También hay oportunidades: la tecnología puede democratizar el acceso a ejemplos interactivos y sistemas de prueba automatizada, útiles en contextos con menos recursos.

Riesgos éticos y de crédito intelectual

La tensión entre progreso rápido y respeto por normas académicas es real. La Declaración de Leiden y otras iniciativas proponen transparencia sobre el uso de IA y garantizar la atribución adecuada. Es particularmente relevante en entornos donde la colaboración entre universidades y empresas es intensa y las reglas de propiedad intelectual no siempre están claras.

En Latinoamérica, donde la colaboración internacional y los recursos pueden ser limitados, establecer directrices locales claras —sobre autoría, divulgación y uso de datos— ayudará a proteger a investigadores y a garantizar que los beneficios se compartan de forma justa.

Conclusión: adaptación más que obsolescencia

Los recientes avances de la IA en problemas matemáticos han cambiado el panorama: aceleran ciertos tipos de descubrimiento y obligan a revisar prácticas éticas y académicas. Pero no anulan el valor del trabajo humano en teoría, creatividad y validación crítica. El desafío para la comunidad —y una oportunidad para América Latina— es integrar estas herramientas con rigor, formar profesionales que combinen solidez matemática y alfabetización en IA, y diseñar normas que protejan la autoría y la calidad científica.

Al final, la pregunta adecuada no es si las matemáticas están obsoletas, sino cómo reinventar la práctica matemática para aprovechar lo mejor de las máquinas sin perder la profundidad y el juicio humano que siempre han sido esenciales.