Cuando la IA 'resuelve' un problema millonario: la pelea por el crédito y la práctica científica

Resumen del conflicto

Esta semana estalló un debate que va más allá de las matemáticas: OpenAI publicó una demostración que, según la compañía, resuelve el problema de existencia y suavidad de las ecuaciones de Navier–Stokes, uno de los siete Problemas del Milenio. Detrás del anuncio hubo meses de trabajo humano y una infraestructura de IA masiva, lo que ha provocado reproches por las formas y la rapidez con que se dio a conocer el resultado.

Investigadores como Tristan Buckmaster (Universidad de Nueva York) y Levent Alpöge (Anthropic) habían realizado avances sobre el problema, partiendo a su vez del trabajo de Diego Córdoba y Luis Martínez–Zoroa. Según la versión pública, OpenAI comenzó a trabajar activamente en el problema el 1 de septiembre tras rumores de que ya había una solución, y utilizó un modelo aún no publicado con 10.000 agentes coordinados durante 88 horas, generando 300.000 millones de tokens de salida y un costo de cómputo equivalente a 22,5 millones de dólares.

Qué reprochan las comunidades matemáticas

Veinticinco medallistas Fields —el reconocimiento más alto en matemáticas— firmaron una carta titulada “Una grave desalineación de la IA en las matemáticas”. El núcleo de la queja no es la IA como tecnología, sino el modus operandi: la publicación apresurada de supuestos avances sin dejar tiempo razonable para la revisión, la falta de crédito adecuado a quienes hicieron el trabajo previo y la opacidad en los procesos.

Los firmantes señalan que sin matemáticos que expliquen y verifiquen ideas, las demostraciones producidas por IA no serán útiles para la comunidad. Advierten también que lo ocurrido con las matemáticas puede replicarse en otras disciplinas creativas y científicas si no se corrigen prácticas.

Las tensiones detrás de la escena

La narración pública incluye episodios tensos: Buckmaster pidió explicaciones a OpenAI y encontró respuestas poco claras; hubo frases preocupantes como “¿por qué arruinarías tu carrera?” y sugerencias internas para excluir a Alpöge por su vinculación con Anthropic. OpenAI ha negado haber visto el trabajo de Buckmaster antes de su publicación, pero admite que no puede descartar que parte de esa información llegara a sus modelos a través del uso de herramientas como Codex.

Estos detalles ponen sobre la mesa un problema doble: por un lado, el enorme poder de cómputo de los grandes laboratorios de IA frente al recurso humano independiente; por otro, prácticas de comunicación y atribución que no están adaptadas a ese desequilibrio.

No es solo un conflicto académico: es una amenaza al trabajo intelectual

La carta de los matemáticos resume el peligro: estamos viendo una “amenaza general para el trabajo intelectual”, cuando el resultado del uso de la IA se desaline a su propósito inicial. Si lo único que importa es llegar primero, las consecuencias pueden ser profundas. Investigadores podrían dejar de compartir avances públicamente para evitar que empresas con recursos repliquen y capitalicen esos resultados sin la debida atribución.

Ese cambio enfriaría una de las prácticas que ha impulsado el progreso científico: la colaboración abierta, la revisión por pares y la replicación. La ciencia ha avanzado históricamente porque las ideas circulan para ser verificadas y mejoradas. El miedo a perder autoría o ser desplazado por una infraestructura con mayor capacidad de cálculo puede revertir esa cultura.

Antecedentes y llamados a la acción

No es la primera vez que las voces más autorizadas en matemáticas piden reglas claras. En junio se publicó la Declaración de Leiden, que proponía recomendaciones para instituciones y responsables políticos frente al impacto de demostraciones generadas por grandes modelos de lenguaje. Ahora, la presión crece para que las empresas de IA y las comunidades científicas implementen salvaguardas concretas.

Entre las demandas recurrentes están: tiempos razonables para la revisión independiente antes de anunciar resultados, mecanismos claros de atribución, transparencia sobre los datos y conversaciones usados para entrenar modelos, y políticas que impidan el uso de conversaciones privadas de investigación como fuente de entrenamiento sin consentimiento.

Qué puede ocurrir y por qué importa a América Latina

Si la reacción es insuficiente, varias consecuencias son plausibles: investigadores podrían retraerse, publicar menos preprints o colaborar menos abiertamente; instituciones podrían endurecer políticas de confidencialidad; y la brecha entre laboratorios con recursos masivos y grupos académicos se ampliaría.

Para América Latina esto tiene impactos concretos. Nuestra región depende en gran medida de colaboración internacional, redes académicas y acceso abierto para potenciar la investigación con recursos limitados. Un cambio hacia el secretismo o la necesidad de dedicar recursos para proteger resultados podría ralentizar el desarrollo científico y tecnológico regional.

Además, universidades, agencias de financiamiento y gobiernos de la región aún están adaptando marcos regulatorios sobre IA. La discusión actual es una oportunidad para incorporar salvaguardas que protejan la atribución, la revisión independiente y el acceso equitativo a infraestructuras y datos.

Recomendaciones prácticas para instituciones y responsables en la región

Aunque las soluciones deben negociarse globalmente, instituciones latinoamericanas pueden adelantarse con medidas pragmáticas:

• Definir políticas claras sobre el uso de plataformas de IA para trabajo de investigación, incluyendo consentimiento explícito si conversaciones privadas pueden usarse para entrenar modelos.
• Establecer períodos de revisión y embargo razonables antes de comunicados públicos que den tiempo a la verificación externa.
• Fomentar prácticas de registro de descubrimientos (preprints, repositorios institucionales) que documenten contribuciones y fechas, preservando evidencia de autoría.
• Incluir cláusulas en contratos de colaboración con empresas de IA sobre atribución, acceso a datos y transparencia técnica.
• Promover redes regionales de revisión y verificación que compensen las limitaciones de recursos mediante colaboración.

Un llamado a la responsabilidad

Lo ocurrido con la supuesta resolución del problema de Navier–Stokes es un aviso: la velocidad y capacidad de las IAs para procesar información y producir resultados puede chocar con normas académicas esenciales. No se trata de demonizar la tecnología, sino de adaptar las prácticas científicas y las políticas para que la innovación sea legítima, verificable y justa.

La conversación que se abre ahora debe incluir laboratorios de IA, editoriales, universidades, agencias de financiamiento y responsables públicos, también en América Latina. Si no se actúa, el riesgo no será solo para las matemáticas: será para cualquier campo donde las ideas valiosas puedan ser aceleradas y desplegadas por máquinas sin la debida rendición de cuentas humana.

Esperemos que este episodio impulse reglas claras y mecanismos de gobernanza que protejan tanto la integridad científica como la colaboración abierta que ha sido motor del avance humano.