Una inteligencia artificial es capaz hoy de resolver los mismos problemas matemáticos que un doctorando tarda años en abordar. Y lo hace antes. En matemáticas, como en ciencia, la prioridad lo es todo: quien publica primero se lleva el crédito, la cita y, en muchos casos, la carrera.
El trampolín que desaparece
Durante décadas, el modelo de formación en matemáticas ha funcionado así: un investigador joven elige un problema abierto, de dificultad manejable pero con valor real, y lo trabaja durante meses o años. Esa primera resolución le da su primera publicación, su tesis, su plaza. Es el escalón de entrada al sistema académico.
La inteligencia artificial está ocupando ese escalón. No porque sea más creativa que un matemático humano, sino porque opera a una velocidad y escala que ningún individuo puede igualar. El resultado es que problemas que antes esperaban a un doctorando ahora llegan resueltos antes de que ese doctorando termine su segundo año de tesis.
El daño no es abstracto. Es estructural. El sistema académico en matemáticas no tiene aún una respuesta clara a esta pregunta: si la IA cierra los problemas de entrada, ¿dónde se forman los investigadores del futuro?
Por qué la prioridad lo cambia todo en matemáticas
En otras disciplinas científicas, la colaboración y la replicación tienen valor propio. En matemáticas puras, la lógica de la prioridad es más dura. Una demostración publicada es una demostración cerrada. No hay espacio para una segunda versión independiente que llegue un mes después.
Esto convierte a la velocidad de la IA en una ventaja que no se puede compensar con esfuerzo humano adicional. Un sistema como AlphaProof, de Google DeepMind, demostró en 2024 que era capaz de resolver cuatro de los seis problemas de la Olimpiada Internacional de Matemáticas, incluyendo uno que los evaluadores calificaron de nivel plata. No es un anecdotario de laboratorio: es una señal de capacidad operativa real.
El artículo original no ofrece nombres propios de investigadores afectados ni cifras sobre el número de tesis o publicaciones desplazadas directamente por sistemas de IA. Esa ausencia de datos verificables es, en sí misma, reveladora: el fenómeno es reconocido pero aún no está medido con precisión.
España, México, Argentina y Colombia: la misma presión, menos recursos
El artículo original menciona explícitamente a investigadores jóvenes en España, México, Argentina y Colombia como los más expuestos a esta presión. No es casualidad. En estos países, el acceso a plazas académicas en matemáticas es estrecho y muy competitivo. El número de posiciones permanentes en universidades públicas lleva años estancado o en retroceso.
En ese contexto, perder la ventana de los problemas de entrada no es un inconveniente menor. Es la diferencia entre una carrera académica y la salida del sistema. Un investigador en Madrid, Ciudad de México o Buenos Aires que trabaja sin financiación de grandes laboratorios tecnológicos no puede competir en velocidad con un sistema entrenado con millones de demostraciones y ejecutado en infraestructura de computación masiva.
La brecha no es solo entre humanos e IA. Es también entre los centros de investigación con acceso a esos sistemas y los que no lo tienen.
El debate sobre la autoría que el sector no ha resuelto
Si una inteligencia artificial resuelve un problema matemático, ¿quién firma la publicación? La pregunta no es filosófica: tiene consecuencias directas en cómo se distribuyen los créditos académicos, las citas y, en última instancia, la financiación.
Las grandes revistas científicas han adoptado posiciones distintas. Nature y Science han establecido que la IA no puede figurar como autora, pero sí debe declararse su uso. Otras publicaciones aún no tienen política clara. El resultado es una fragmentación que beneficia a quienes saben moverse en los márgenes del sistema y perjudica a quienes no tienen acceso a asesoramiento sobre estas normas.
Para un doctorando en una universidad pública latinoamericana, navegar estas reglas en constante cambio añade una capa de incertidumbre que sus pares en instituciones mejor conectadas no enfrentan con la misma intensidad.
Lo que el modelo académico no ha actualizado
El sistema de evaluación académica en matemáticas sigue midiendo a los investigadores jóvenes con los mismos indicadores de siempre: número de publicaciones, impacto de las revistas, originalidad de los problemas abordados. Ninguno de esos indicadores fue diseñado para un entorno en el que una herramienta externa puede resolver en horas lo que antes requería años.
Las agencias de financiación de investigación, como la Agencia Estatal de Investigación en España o el Conacyt en México, tampoco han adaptado sus criterios de evaluación para tener en cuenta este cambio. Un investigador que usa IA de forma inteligente para abordar problemas más complejos puede quedar penalizado frente a otro que produce más publicaciones en problemas de menor calado, resueltos sin asistencia declarada.
La paradoja es que los incentivos actuales pueden estar empujando hacia menos transparencia, no hacia más.
El nuevo equilibrio del sector: colaboración o desplazamiento
Hay una lectura optimista de este escenario: la IA libera a los matemáticos de los problemas rutinarios y les permite concentrarse en cuestiones de mayor profundidad. Es el mismo argumento que se usó con las calculadoras, con los sistemas de álgebra computacional y con los asistentes de demostración formal como Lean o Coq.
La diferencia es de escala y de velocidad. Las herramientas anteriores asistían al matemático. Los sistemas actuales de IA compiten con él en el mismo espacio de problemas y en el mismo mercado de publicaciones. No es una distinción menor.
El equilibrio real del sector dependerá de si las instituciones académicas son capaces de redefinir qué mérito quieren medir. Si el valor de un investigador joven no puede seguir siendo la resolución de problemas abiertos de dificultad media, entonces hay que decidir qué lo sustituye: la formulación de nuevas preguntas, la interpretación de resultados, la conexión entre campos. Esas capacidades son más difíciles de automatizar, pero también son más difíciles de evaluar con los instrumentos actuales.
Lo que está en juego para ti
Si estás en los primeros años de una carrera en matemáticas o en cualquier disciplina donde la resolución de problemas formales tiene valor académico directo, el escenario que describe este debate te afecta de forma concreta. No en abstracto, no en el futuro: ahora.
La pregunta que el sector no ha respondido todavía es si las instituciones van a adaptar sus modelos de formación y evaluación antes de que una generación de investigadores jóvenes quede fuera del sistema por razones que no tienen nada que ver con su talento o su esfuerzo. ¿Puede el sistema académico rediseñar sus criterios de mérito más rápido de lo que la IA avanza sobre los problemas que aún quedan abiertos?
Imagen ilustrativa generada con inteligencia artificial.
Edición con asistencia de herramientas de IA bajo supervisión editorial. Cómo trabajamos.
IBERIA
IBERIA es la redacción de LaPrensaIA. Cubrimos la actualidad de la inteligencia artificial con criterio propio: tecnología, empresas y sociedad. Cada artículo es producido por agentes de IA y revisado por su editor humano.
