La IA fracasa en los problemas matemáticos de los mejores investigadores

La inteligencia artificial ha logrado grandes avances en tareas matemáticas en los últimos años. Esto era particularmente visible en los problemas de competencia, donde las tareas estaban claramente establecidas, las soluciones eran claramente evaluables y muchos ejemplos relacionados estaban disponibles públicamente. Estas pruebas miden habilidades importantes, pero sólo muestran una parte del pensamiento matemático. La verdadera investigación matemática no se trata sólo de encontrar una idea de cálculo elegante o reconocer un patrón familiar. Una prueba debe combinar con sensatez nuevos términos, cubrir casos especiales ocultos, evitar abreviaturas incorrectas y, al final, resistir una revisión de expertos. Aquí es exactamente donde entra en juego la nueva prueba de matemáticas. El proyecto First Proof prueba si los modelos de lenguaje modernos no sólo pueden resolver tareas, sino también trabajar de forma independiente en problemas que en realidad provienen de investigaciones matemáticas en curso y que antes no eran entrenables públicamente.

Los resultados actuales se publicaron el 10 de junio de 2026 y se presentaron en el Centro de Ciencias y Aplicaciones Matemáticas de Harvard. Según el First Proof Project, la prueba tiene como objetivo proporcionar una evaluación independiente, transparente y rigurosa de las capacidades de la IA en la investigación matemática. Para la segunda ronda se seleccionaron diez tareas que surgieron de procesos de investigación reales y luego fueron evaluadas por revisores expertos. La CMSA de Harvard describe el proceso como una revisión ciega en la que matemáticos humanos examinan soluciones de IA de acuerdo con estándares científicos. Esto hace que First Proof sea significativamente diferente de muchos puntos de referencia comunes de IA, en los que un modelo solo tiene que proporcionar el número final correcto, una breve justificación o una respuesta formalmente fácil de verificar.

Por qué el examen es más difícil que los problemas de matemáticas normales

Muchas pruebas públicas de IA utilizan tareas cuya estructura es favorable para modelos de lenguaje grandes. Los modelos pueden basarse en formas de solución conocidas, ejemplos similares de datos de entrenamiento o estrategias competitivas frecuentemente repetidas. La Primera Prueba pretende hacer más difícil esta abreviatura. Las tareas no estaban disponibles públicamente antes de su publicación y fueron seleccionadas para cubrir varios subcampos matemáticos. Esto significa que un modelo no sólo tiene que calcular, sino también desarrollar un argumento viable. Un intento de solución puede ser lingüísticamente convincente y aún así fracasar debido a una pequeña brecha que inutiliza toda la prueba. Estas lagunas en particular son apenas perceptibles para los profanos, pero son cruciales en la investigación matemática. Por lo tanto, la prueba de matemáticas no mide tanto si la IA formula de manera inteligente, sino más bien si fundamenta una afirmación de tal manera que los expertos puedan aceptarla según estrictas reglas técnicas.

Los resultados muestran un panorama mixto. Los mejores sistemas utilizados fueron capaces de resolver varios de los diez problemas esencialmente correctamente o hasta el punto en que sólo fueron necesarias correcciones menores. Al mismo tiempo, no quedó ningún modelo al nivel de un grupo de trabajo fiable de expertos humanos. Algunas soluciones contenían evidencia faltante, referencias bibliográficas problemáticas o pasajes que tenían argumentos sólidos pero no estaban suficientemente respaldados matemáticamente. Esto hace que el hallazgo sea más emocionante que un simple fracaso. En este ámbito, la inteligencia artificial ya no es sólo un juguete para tareas estándar, sino que tampoco sustituye al control profesional. La prueba muestra una etapa intermedia: los modelos lingüísticos pueden ayudar a los investigadores con ideas, literatura, variantes y largos procesos de cálculo, pero la garantía de calidad real sigue siendo una tarea humana.

La gente claramente tiene una ventaja cuando se trata de evidencia

Las matemáticas se diferencian de muchos otros campos del conocimiento porque una solución no sólo debe ser probable o útil. Debe ser lógicamente convincente. Una sola transición errónea puede convertir una derivación aparentemente fuerte en una afirmación falsa. Precisamente por eso es tan importante la actuación de los matemáticos humanos en la primera prueba de demostración. No sólo juzgan si el resultado parece plausible, sino también si cada paso crucial es eficaz. El nuevo punto de referencia deja claro que los modelos de lenguaje tienen principalmente problemas en los que no se puede elaborar una prueba a partir de patrones conocidos. Pueden generar largas cadenas de argumentos, pero no siempre comprueban su validez con el mismo rigor que un revisor experto y experimentado. Este es un problema práctico para la investigación porque una solución incorrecta formulada de manera impresionante puede generar más esfuerzo de prueba que ninguna solución.

Al mismo tiempo, sería un error interpretar los resultados como una pura derrota de la inteligencia artificial. Varias soluciones se acercaron lo suficiente a la evidencia aceptable como para ser consideradas contribuciones serias a la práctica de la investigación. Los sistemas son particularmente fuertes cuando buscan en la literatura, combinan enfoques inusuales o persiguen sistemáticamente variantes tediosas. Esta capacidad puede acelerar la investigación en humanos si los resultados se verifican rigurosamente. El punto crucial es la distribución de roles. Con pruebas de este tipo, OpenAI y otros grupos muestran que la IA se está volviendo más relevante en el trabajo matemático, pero First Proof también muestra que el punto de referencia más importante no es un logro individual espectacular. Lo crucial es si un sistema ofrece periódicamente soluciones correctas, comprensibles y claramente documentadas. Precisamente por eso los mejores modelos siguen fallando con demasiada frecuencia.

Lo que revela la prueba de matemáticas sobre el progreso de la IA

La nueva prueba de matemáticas también es relevante porque corrige una narrativa común sobre la IA. Cuando un modelo logra resultados impresionantes en tareas olímpicas individuales o en problemas famosos, rápidamente da la impresión de que la investigación matemática está al borde de la automatización total. La primera prueba muestra un panorama más sobrio. Es evidente que hay avances, pero se distribuyen de manera desigual. Los modelos pueden ser muy fuertes en tareas individuales y fallar en otras debido a detalles aparentemente pequeños. Este patrón es típico de los modelos de lenguaje actuales, que procesan enormes cantidades de texto, código y representaciones matemáticas, pero carecen de intuición humana en el verdadero sentido. Generan soluciones candidatas y evalúan probabilidades, mientras que los matemáticos examinan conceptos, lagunas de evidencia y limitaciones metodológicas en un contexto técnico más profundo.

El hallazgo sigue siendo valioso para el desarrollo tecnológico. Muestra qué tipo de sistemas de IA se necesitarán en el futuro: no solo modelos de lenguaje más grandes, sino herramientas que examinen formalmente la evidencia, atribuyan correctamente las fuentes y detecten errores tempranamente. En la investigación matemática, esto podría dar como resultado un modelo funcional en el que la IA ofrezca diseños rápidos, los sistemas de prueba formales prueben la coherencia lógica y los matemáticos humanos clasifiquen el significado científico real. La prueba de matemáticas no hace una afirmación simple basada en el patrón de hombre versus máquina. Muestra con más detalle dónde la máquina es fuerte y dónde las personas siguen siendo indispensables. Esta es precisamente la razón por la que la Primera Prueba es un hallazgo importante para la investigación de la IA: la brecha se está reduciendo, pero no está desapareciendo cuando la verdad matemática necesita ser completamente demostrada.