OpenAI y el problema de Erdős: cuando la IA empieza a hacer investigación matemática real

OpenAI acaba de mover una frontera que hasta hace poco parecía lejana: la IA no solo ayuda a escribir código, resumir documentos o resolver ejercicios, sino que empieza a producir resultados originales en investigación matemática. El caso es interesante porque no hablamos de una demo preparada para impresionar, sino de una conjetura de geometría discreta vinculada a Paul Erdős y estudiada durante décadas. Según OpenAI, un modelo interno ha refutado una conjetura central del problema de las distancias unidad. La noticia importa por lo que resuelve, pero también por lo que sugiere: la IA empieza a entrar en territorios donde la verificación es estricta.

Qué es el problema de las distancias unidad

La pregunta original es sencilla de entender: si colocamos n puntos en un plano, ¿cuántos pares de puntos pueden estar exactamente a distancia 1? Parece un juego geométrico, pero lleva casi 80 años atrayendo a matemáticos. La dificultad está en encontrar configuraciones de puntos que maximicen esas parejas sin caer en patrones demasiado simples.

Durante mucho tiempo, la intuición dominante apuntaba a estructuras parecidas a una cuadrícula. Dicho de forma muy simplificada: al aumentar el número de puntos, se pensaba que el número máximo de distancias unidad crecería solo un poco más rápido que de forma lineal. Esa era la conjetura asociada al problema de Erdős: una cota del tipo n^(1+o(1)), donde ese “o(1)” representa una mejora que se va haciendo irrelevante al crecer n. El nuevo resultado rompe precisamente esa idea.

Qué ha hecho exactamente OpenAI

Aquí conviene ser muy cuidadoso con el titular. OpenAI no ha cerrado por completo el problema general de las distancias unidad. Lo que afirma es que un modelo interno ha encontrado una familia infinita de construcciones que contradice la conjetura central: existen configuraciones con al menos n^(1+δ) pares a distancia unidad, para algún δ positivo. En otras palabras, el crecimiento puede ser polinómicamente mejor de lo que se creía.

La prueba, según la compañía, fue revisada por matemáticos externos y cuenta además con un documento de comentarios en arXiv, Remarks on the disproof of the unit distance conjecture, firmado por especialistas de primer nivel. Ese matiz importa. En matemáticas no basta con que un modelo “parezca convincente”. La cadena de razonamiento tiene que aguantar la revisión formal, los detalles técnicos y la lectura de expertos capaces de detectar un hueco donde otros solo ven una explicación brillante.

Por qué este caso es distinto a una respuesta brillante de chatbot

La mayoría de usos populares de la IA generativa siguen teniendo un problema claro: pueden sonar bien aunque estén mal. En matemáticas avanzadas, esa tolerancia es mucho menor. Una prueba no funciona por estilo, fluidez o autoridad aparente. Funciona si cada paso está justificado y si el resultado encaja dentro del marco lógico de la disciplina.

Por eso este caso tiene más valor que una simple respuesta llamativa. OpenAI sostiene que el resultado salió de un modelo generalista de razonamiento, no de un sistema diseñado específicamente para atacar ese problema con búsquedas matemáticas a medida. Además, la solución no se limita a probar una desigualdad conocida por otra vía, sino que introduce una construcción inesperada usando ideas de teoría algebraica de números. Ahí está el salto: no es solo cálculo, es exploración de un espacio conceptual en el que surgen configuraciones que no eran la apuesta natural.

La IA como herramienta de investigación, no como sustituto automático

La lectura interesante no es “los matemáticos ya no hacen falta”. Esa conclusión sería torpe. Lo que vemos es más sutil: la IA puede actuar como un generador de intuiciones técnicas, capaz de probar caminos que quizá un investigador humano descartaría por parecer demasiado raros, costosos o alejados de la tradición del problema.

Aun así, el papel humano sigue siendo central. La prueba necesita digestión, exposición, simplificación, verificación y conexión con el conocimiento existente. El propio documento de comentarios presenta una versión más legible y contextualizada del argumento generado. Es decir, la máquina puede producir una idea potente, pero la comunidad matemática debe convertirla en conocimiento estable.

Este patrón encaja con algo que ya veníamos viendo en Tecnoic al hablar de GPT-5.5 y los modelos de razonamiento: el valor ya no está solo en responder a una pregunta, sino en sostener procesos largos, encadenar hipótesis y trabajar con menos supervisión intermedia.

Qué significa para la tecnología que viene

Si este resultado se confirma como hito —y las primeras revisiones apuntan en esa dirección— el impacto va más allá de la geometría discreta. La investigación científica tiene muchas zonas donde el bloqueo no está en calcular más rápido, sino en encontrar una estructura nueva. Química, materiales, biología computacional, criptografía o teoría de algoritmos podrían beneficiarse de sistemas capaces de proponer caminos no evidentes y luego someterlos a verificación.

Pero también aparece una exigencia nueva: trazabilidad. Si una IA propone una solución original, necesitamos saber cómo se valida, quién la revisa, qué parte puede reproducirse y dónde termina la asistencia y empieza la autoría. En el mundo empresarial ya ocurre algo parecido cuando los modelos pasan de ser chatbots a agentes conectados a plataformas cloud, como analicé en OpenAI llega a AWS Bedrock. Cuanto más capacidad damos a la IA, más importantes se vuelven las reglas de control, auditoría y revisión.

Conclusión

Lo de OpenAI y el problema de Erdős no significa que la IA haya conquistado las matemáticas. Significa algo más concreto y, quizá, más relevante: los modelos empiezan a aportar ideas originales en problemas donde la verificación es estricta. Eso cambia el debate. La pregunta ya no es solo si una IA puede responder bien, sino si puede ayudar a descubrir conocimiento nuevo. Entonces... ¿herramienta científica extraordinaria o primer aviso de una investigación cada vez más híbrida?