Contexto técnico
He investigado los materiales de OpenAI y la verificación independiente, y el panorama es más interesante que un típico comunicado de prensa triunfalista. El hecho es el siguiente: un modelo de razonamiento interno de OpenAI encontró un contraejemplo a la conjetura de la distancia unitaria de Erdős, y luego los matemáticos confirmaron de forma independiente la corrección del resultado.
Para mí, esto ya no es un juguete ni otro benchmark más. Es un caso en el que la implementación de la inteligencia artificial no se centra en un chatbot o en la generación de código, sino en la producción real de una nueva idea que luego puede formalizarse y verificarse manualmente.
El PDF de OpenAI contiene lo esencial, pero carece de lo más crucial: no especifican el modelo exacto, no desglosan los recursos computacionales utilizados ni explican la reproducibilidad del proceso. Formalmente, es un «modelo de razonamiento interno de propósito general». Desde una perspectiva de ingeniería, esto es insuficiente para saber si se trata de una capacidad estable del sistema o de un acierto afortunado y único.
Aun así, no me creo el argumento de «si es marketing, entonces no hay nada detrás». El trabajo independiente en arXiv confirma que no fue un truco de presentación. El contraejemplo es real, el teorema es real, y en la base de datos de Erdős el problema ya está marcado como refutado.
Pero mi escepticismo se mantiene justificado. Si el planteamiento inicial del problema fue muy preparado, si la búsqueda implicó una enumeración masiva, si un humano guio cuidadosamente al modelo por un camino estrecho, entonces el valor científico para la teoría de los LLM cambia drásticamente. El resultado matemático no desaparece, pero las conclusiones sobre las capacidades del modelo se vuelven mucho menos contundentes.
¿Qué cambia esto para los negocios y la automatización?
Yo no concluiría de esto que «la IA ya está reemplazando a los investigadores». En cambio, veo otra cosa: los sistemas de razonamiento son cada vez mejores en tareas que requieren iterar hipótesis, descartar callejones sin salida y construir estructuras no triviales.
Esto impacta directamente en la automatización con IA para I+D, búsqueda de patentes, análisis, diseño de ingeniería y flujos de trabajo de conocimiento internos complejos. No en el sentido de una autonomía total, sino en el de una aceleración drástica del ciclo «idea → verificación → refinamiento».
Ganarán los equipos que sepan construir una arquitectura de IA adecuada en torno a la verificación, el seguimiento de pasos y la supervisión humana (human-in-the-loop). Perderán aquellos que, tras un caso como este, simplemente integren un modelo sin control y lo llamen «agente de investigación».
Precisamente, estos son los puntos críticos que analizo con los clientes en Nahornyi AI Lab: dónde la integración de IA realmente ahorra horas de trabajo manual y dónde se convierte en una costosa ilusión sin verificación. Si tiene un proceso en el que las personas se ahogan en hipótesis, comprobaciones y búsqueda de soluciones, podemos analizarlo juntos con calma y diseñar un plan de desarrollo de soluciones de IA sin magia ni humo de marketing innecesario.