El martes 8 de septiembre OpenAI anunció que uno de sus modelos internos había resuelto el problema de existencia y suavidad de Navier-Stokes, uno de los seis Problemas del Milenio que siguen abiertos. Diez mil agentes de IA, 88 horas de cómputo y un modelo que, según la propia empresa, supera con creces a GPT-6 Astra. Suena a hito histórico. Suena también a comunicado de prensa escrito para que mañana alguien te venda acceso a esa capacidad.
Lo primero que me chirría no es la matemática —no soy matemático y no voy a fingir que lo soy— sino el timing. Según EFE, OpenAI empezó a probar su nuevo modelo con los Problemas del Milenio el 1 de septiembre, justo cuando circulaban rumores de que dos de esos problemas estaban cerca de resolverse. Ese mismo día, el matemático Tristan Buckmaster y Levent Alpöge, investigador de Anthropic, publicaron tres papers y una formalización en Lean 4 sobre blowup en tiempo finito para ecuaciones relacionadas con fluidos. Siete horas después, OpenAI tenía su propio anuncio. Coincidencia perfecta o carrera por el titular, tú decides.
Buckmaster no se quedó callado. Acusa a OpenAI de acelerar su esfuerzo tras conocer su trabajo y describe presiones para reencuadrar el crédito. OpenAI niega haber accedido a la investigación previa. Ambos repositorios se publicaron como un único commit squasheado, sin historial de desarrollo. Como señala Forkast, las fechas —15 de agosto para los resultados de blowup, 22 de agosto para la verificación Lean, 1 de septiembre el lanzamiento de OpenAI— descansan en testimonios, no en control de versiones. Para quien trabaja con IA en producción, esto suena familiar: dos equipos dicen haber llegado primero y ninguno puede demostrarlo con trazabilidad.
El problema que resolvieron (y el que no)
Aquí está el matiz que se pierde en el titular. El Clay Mathematics Institute premia la resolución de las ecuaciones de Navier-Stokes sin forzamiento externo. Lo que OpenAI demostró, según su propio comunicado y el análisis de medios como La Vanguardia, es blowup en tiempo finito para la versión forzada en tres dimensiones. Son problemas emparentados, pero no idénticos. Forkast lo resume sin rodeos: la versión forzada no cumple los criterios del premio del millón de dólares. OpenAI, por cierto, ya aclaró que no pretende reclamar ese millón. Su objetivo, dicen, es mostrar el avance de sus modelos.
Traducción para quien gestiona proyectos con IA: han resuelto un problema duro, sí, pero no exactamente el que lleva 90 años en la lista del Clay. Es como anunciar que has optimizado el rendimiento de una web cuando en realidad has mejorado solo la caché del admin. Impresionante técnicamente, pero el titular vende otra cosa.
Ven Chandrasekaran, de OpenAI, explicó que la prueba muestra fluidos que empiezan normales y alcanzan velocidad infinita en tiempo finito bajo las ecuaciones de Navier-Stokes. Comportamiento físicamente imposible en fluidos reales, lo que sugiere que las ecuaciones no reflejan la realidad en ciertos regímenes. Interesante para la física matemática. Menos útil si esperabas que esto cambiara mañana tu stack de hosting o tu pipeline de datos.
Diez mil agentes: impresionante o distracción
El número es espectacular. Diez mil agentes coordinados durante casi cuatro días. Si trabajas con automatización, entiendes el coste: tokens, infraestructura, orquestación, verificación. OpenAI no publica la factura, pero el mensaje es claro: tenemos escala que nadie más puede replicar fácilmente.
Lo que me preocupa es que ese número se convierta en argumento de venta antes de que la comunidad matemática haya auditado la prueba. Dos millones de líneas de Lean verificadas, según los análisis independientes citados por Stanford Tech Review, pueden ser sólidas como demostración formal. Pero verificar teoremas y acordar quién los encontró primero son batallas distintas. Durante 90 años el cuello de botella era encontrar el argumento. Ahora, según varios analistas, el cuello de botella es la procedencia.
En foros anglófonos —Hacker News, MathOverflow, Twitter/X— el debate va por dos vías: matemáticos escépticos que piden revisión por pares antes de celebrar, y gente de tech que ya está usando el anuncio para justificar presupuestos de IA en sus empresas. La segunda vía me parece más peligrosa. No porque la IA no pueda contribuir a la matemática —evidentemente puede— sino porque confundimos demostración de capacidad con demostración verificada por consenso científico.
Qué significa esto si no eres matemático
Probablemente te preguntarás por qué te cuento esto en un blog de tecnología web. Porque el patrón se repite en nuestro sector. Anuncio espectacular, cifra redonda (10.000 agentes), modelo no público todavía, negativa a reclamar el premio pero sí a captar titulares, y una polémica de autoría en paralelo. Es el mismo guion que vimos con benchmarks de coding, con agentes autónomos que editan wikis sin permiso, con modelos que prometen razonamiento y luego fallan en tareas triviales.
Si gestionas una pyme o desarrollas con IA, la lección no es evitar la herramienta. Es calibrar el hype. OpenAI ha movido un límite real en lo que la IA puede hacer con problemas formales. También ha demostrado, otra vez, que el ciclo anuncio-controversia-verificación tarda semanas o meses, no horas. Contratar, migrar o reestructurar tu negocio en base a un comunicado de martes por la tarde es arriesgado.
Me quedo con una frase de Martin Bridson, presidente del Clay Mathematics Institute, recogida por Forkast: es un día emocionante al contemplar avances en el entendimiento humano de las matemáticas. De acuerdo. Emocionante no significa cerrado. Y menos significa que tu proveedor de IA te deba una explicación clara de qué problema resolvió exactamente, con qué datos de entrenamiento y quién validó el resultado antes del press release.
OpenAI dice que no quiere el millón de dólares del Clay Institute. Perfecto. Entonces el producto que venden no es la demostración matemática: es la demostración de que su próximo modelo puede hacer cosas que ayer parecían imposibles. Marketing de capacidad, en suma. Y funciona, porque aquí estamos nosotros escribiendo sobre ello.
Si mañana tu proveedor de IA te promete resolver un problema de arquitectura crítica con agentes autónomos en un fin de semana, pero se niega a mostrarte el historial de commits, la definición exacta del problema que resolvió y quién lo auditó antes del anuncio, ¿le darías acceso a producción o esperarías a que pase la revisión de alguien que no cobra de la venta?