Astra de OpenAI resuelve diez problemas matemáticos abiertos, y la verdadera noticia no son las matemáticas

En resumen: el 1 de agosto de 2026 OpenAI anunció que una versión interna de su próximo modelo, Astra, obtuvo nuevos resultados en diez problemas abiertos de matemáticas e informática teórica, cada uno sin resolver durante al menos una década. Más importante que los resultados en sí es cómo se entregaron: cada uno llegó con un certificado de demostración en Lean 4 verificable por máquina en GitHub, junto con un manuscrito de 249 páginas, por un coste total de cómputo de aproximadamente 2.000 $. La lección para un empresario no tiene que ver con la teoría de grupos ni con el empaquetamiento de esferas. Es un único principio: una IA que te entrega un resultado verificable por máquina es fundamentalmente distinta de una IA que te entrega una prosa convincente.

¿Qué se anunció exactamente?

El resultado principal es la primera construcción explícita de un llamado grupo no sófico, una cuestión abierta desde que Mikhail Gromov introdujo la noción de soficidad en 1999. Junto a él llegaron una refutación de la conjetura de rigidez de Connes sobre álgebras de von Neumann, una demostración de la conjetura del volumen de Ehrhart, la resolución de tres problemas del catálogo de Paul Erdős —entre ellos el Problema 183 sobre números de Ramsey multicolor— y una cota superior mejorada para la densidad de empaquetamiento de esferas en dimensiones altas, al parecer la primera mejora desde 1978.

Lo que distingue esto de oleadas anteriores de anuncios del tipo «la IA resolvió un problema» es la forma de entrega. En lugar de una afirmación en la que se te pide confiar, OpenAI publicó certificados en Lean 4 para cada resultado, con un recuento de «sorry» igual a cero, el indicador técnico que significa que ningún paso de los archivos publicados queda sin demostrar. Cualquiera con un ordenador puede clonar el repositorio, ejecutar el verificador y obtener un veredicto definitivo en minutos, en lugar de esperar meses a una revisión manual.

El valor no está en que el modelo afirmara un resultado. Está en que el modelo entregó una máquina que comprueba la afirmación por ti.

La otra cara: críticas serias que conviene mencionar

El panorama no es luminoso en todos sus aspectos, y lo honesto es decirlo. Matemáticos especialistas plantearon objeciones de fondo. En primer lugar, ninguno de los diez resultados ha pasado por revisión por pares, y el anuncio llegó a través de una entrada en el blog de la empresa y no de una revista científica, lo que algunos consideran contrario al espíritu de la Declaración de Leiden publicada en junio de 2026. En segundo lugar, hay acusaciones de falta de atribución a trabajos previos: varios investigadores señalaron que el argumento sobre empaquetamiento de esferas reutilizaba una línea de razonamiento ya publicada sin citarla, y se señaló el mismo patrón en el resultado sobre grupos no sóficos.

También hay una salvedad técnica importante. Lean elimina una amplia clase de errores lógicos locales, pero no convierte en hechos mecánicos las definiciones, ni la traducción de una pregunta matemática informal a un enunciado formal. Dicho claramente: una demostración puede ser completamente correcta mientras el enunciado demostrado no coincide con la pregunta que la gente cree que se ha respondido. El propio repositorio describe el trabajo como «revisado por agentes» y no como revisado de forma independiente por personas.

La traducción práctica para una empresa saudí

La distancia entre una cuestión de teoría de grupos y tu tienda, tu fábrica o tu empresa de servicios puede parecer enorme. Pero la idea central se traslada directamente, porque los resultados de la IA se dividen en dos categorías que exigen una gestión del riesgo completamente distinta:

  • Resultados verificables por máquina: código que pasa las pruebas, un asiento contable que cuadra, una factura que la plataforma de facturación electrónica acepta, una consulta a la base de datos cuyo resultado puedes conciliar con una fuente de referencia. Aquí puedes dejar que el modelo avance rápido, porque hay un juez final que no adula.
  • Resultados no verificables: el resumen de una reunión, una respuesta a un cliente, un análisis de mercado, una recomendación de contratación. No hay ningún verificador que devuelva aprobado o suspenso, así que necesitas revisión humana, fuentes visibles y límites claros sobre lo que el modelo puede afirmar.

Los proyectos de IA que fracasan con más fuerza dentro de las empresas son los que tratan la segunda categoría como si fuera la primera. Lo contrario también es cierto: se pierden muchas oportunidades ganadoras porque nadie se dio cuenta de que un proceso concreto admite en realidad verificación automática si se diseña adecuadamente.

Cómo construir una capa de verificación dentro de tu empresa

El primer paso es preguntarse, para cada proceso que estés pensando automatizar: ¿qué prueba demuestra que el resultado es correcto sin que una persona lo lea? Si hay respuesta, tienes un candidato excelente para la automatización. Si no la hay, o diseñas esa prueba o mantienes a una persona en el circuito.

En los sistemas empresariales esto significa cosas concretas: reglas de validación aplicadas a nivel de base de datos y no solo en la interfaz de usuario; conciliación automática a tres bandas entre pedido, factura e inventario; contraste de la salida del modelo con una única fuente de verdad antes de confiar en ella; pruebas automatizadas que se ejecutan en cada cambio de código; y un registro de auditoría que muestre quién produjo qué, cuándo y a partir de qué datos. No es un lujo de ingeniería: es lo que hace que usar IA en operaciones sensibles sea defendible ante tu auditor, tu cliente y tu regulador.

Tampoco pases por alto la dimensión regulatoria. Cualquier tratamiento de datos personales en el Reino está sujeto a la Ley de Protección de Datos Personales (PDPL), y sus principios de limitación de la finalidad, minimización de datos y responsabilidad proactiva significan en la práctica que necesitas un registro documentado de lo que hizo el modelo, no solo confianza en su calidad.

Tres conclusiones para llevarte

Primero, la capacidad de razonamiento profundo avanza más rápido de lo que suponen las hojas de ruta de muchas empresas, y con un coste operativo que cae deprisa: 2.000 $ por diez resultados de nivel investigador es una cifra que merece una pausa. Segundo, la verificación, y no la confianza, es lo que convierte la capacidad del modelo en un valor operativo en el que puedes apoyarte. Tercero, la transparencia sobre las fuentes y la atribución forma ya parte de la propia calidad del resultado, no es un añadido cosmético, y es precisamente ahí donde apuntaron las críticas de esta semana.

Cómo lo construimos en Origami

Somos una empresa tecnológica, y nuestro trabajo en IA parte de la misma pregunta: ¿dónde puede verificarse automáticamente el resultado y dónde no? Diseñamos sistemas para que el modelo opere dentro de límites claros, sus resultados pasen por reglas de validación y fuentes de verdad dentro de tus propios sistemas, y cada paso deje constancia. El objetivo no es un modelo más inteligente, sino un proceso en el que puedas confiar porque puedes inspeccionarlo.

Fuentes

  • Anuncio oficial de OpenAI: openai.com
  • Cobertura de The Next Web, incluido el detalle de los grupos no sóficos: thenextweb.com
  • SiliconANGLE sobre los resultados y las demostraciones publicadas: siliconangle.com
  • Autoridad Saudí de Datos e Inteligencia Artificial (SDAIA) — Ley de Protección de Datos Personales (PDPL): sdaia.gov.sa