Los matemáticos del ICM cuestionan la narrativa de sustitución por IA de 2026

Kai Williams entrevistó a más de 20 matemáticos en el ICM 2026, y sus respuestas complicaron la narrativa de Techmeme 2026 sobre la sustitución de expertos por IA.

Varios investigadores ya utilizan IA para buscar bibliografía desconocida, probar ejemplos, revisar borradores y completar lagunas en demostraciones. Sin embargo, la mayoría no llegó a considerar estos sistemas como colegas matemáticos independientes.

El desacuerdo más marcado se refiere a lo que ocurrirá después. Un grupo espera que la IA absorba el trabajo técnico mientras las personas eligen preguntas y desarrollan teorías. Otro cree que ese límite desaparecerá a medida que mejoren los modelos.

Esta disputa importa más allá de las matemáticas. Las demostraciones matemáticas ofrecen pruebas especialmente claras del razonamiento de las máquinas porque a veces las conclusiones pueden verificarse con precisión. El campo se está convirtiendo en un laboratorio temprano para comprender cómo la IA transforma el trabajo experto.

Las entrevistas del ICM revelaron una profesión en transición

Los matemáticos ya no debaten si la IA afectará a su profesión. Debaten qué partes de la profesión seguirán siendo distintivamente humanas.

Williams asistió al Congreso Internacional de Matemáticos en Filadelfia, celebrado del 23 al 30 de julio. La página oficial del congreso identifica al Pennsylvania Convention Center como sede.

El congreso se celebra cada cuatro años y reúne a destacados investigadores de distintas disciplinas matemáticas. Su programa combina grandes premios, conferencias de investigación, charlas públicas y debates sobre el futuro de la profesión.

Williams publicó sus entrevistas a 20 matemáticos el 4 de agosto. El panorama resultante fue más matizado que una historia de victoria de la automatización o una defensa del trabajo académico tradicional.

El ejemplo inicial capturó esa tensión. Jacob Tsimerman anunció en una rueda de prensa el 23 de julio que se incorporaba al equipo de seguridad de OpenAI. Acababa de recibir una Medalla Fields.

Tsimerman dijo a Williams que esperaba que la IA se volviera “sólidamente sobrehumana” en el trabajo que actualmente realizan los matemáticos profesionales. También afirmó que quería aprovechar su nueva visibilidad para dirigir la atención hacia la seguridad de la IA.

Esa posición procedía de alguien situado en el nivel más alto de la profesión, no de un pronosticador externo. Hizo más difícil para la comunidad matemática descartar la posibilidad de una automatización amplia.

Sin embargo, las entrevistas no revelaron consenso alguno en que los matemáticos estuvieran a punto de volverse obsoletos. Williams observó que muchos participantes seguían siendo optimistas sobre su propio trabajo, especialmente a corto plazo.

Algunos ya habían recibido ayuda práctica de la IA. Sus ejemplos eran más limitados que la imagen pública de un sistema autónomo que descubre teorías enteras sin dirección humana.

Los investigadores describieron el uso de modelos para localizar artículos relevantes, explicar técnicas desconocidas, construir ejemplos especializados y examinar partes de argumentos más amplios. Estas aplicaciones aceleraron proyectos cuyos objetivos seguían definidos por humanos.

Esta distinción cambia la forma en que debe leerse la historia de Techmeme 2026. El cambio inmediato no es una sustitución total. Es la llegada de sistemas útiles a los flujos de trabajo de investigación rigurosa.

El cambio sigue siendo considerable. Una herramienta que comprime días de exploración bibliográfica en un punto de partida enfocado altera qué preguntas pueden investigar los investigadores.

También puede reducir el coste de moverse entre especialidades matemáticas. Las matemáticas modernas contienen muchos subcampos profundos cuya terminología y métodos son difíciles de penetrar para quienes están fuera.

Un modelo que ayuda a los investigadores a navegar esos límites puede aumentar el valor de una curiosidad amplia. Puede conectar un problema de un campo con técnicas desarrolladas en otro lugar.

Williams informó de que el descubrimiento bibliográfico fue la aplicación más habitual mencionada por sus entrevistados. Ese patrón se parece más a un asistente de investigación avanzado que a una fábrica autónoma de teoremas.

Otros usos se acercaron más a la producción matemática. Alonso Castillo-Ramirez afirmó que ChatGPT construyó un autómata celular con las propiedades necesarias para su trabajo.

El ejemplo habría sido difícil de encontrar únicamente mediante programación convencional, afirmó. Aun así, siguió siendo un componente dentro de un proyecto más amplio concebido y dirigido por una persona.

El estudiante de posgrado Vasiliy Neckrasov describió el uso de IA para búsquedas bibliográficas, revisión de borradores, finalización de demostraciones y otras tareas matemáticas. Primero forma una visión general del proyecto antes de pedir al modelo que se ocupe de los detalles.

Ese flujo de trabajo sitúa el juicio humano antes de la ejecución de la máquina. El matemático selecciona el problema, decide qué fuentes importan y evalúa si los pasos generados sirven al argumento previsto.

Por tanto, las entrevistas revelan dos cambios a la vez. La IA se ha vuelto lo bastante útil como para influir en investigación real, mientras que sus usos más creíbles siguen dependiendo de una considerable pericia humana.

Esa combinación explica el ánimo mixto en Filadelfia. Los investigadores pueden celebrar una exploración más rápida mientras se preocupan por lo que ocurrirá cuando los modelos empiecen a elegir direcciones por sí mismos.

Por qué Techmeme 2026 sigue tan de cerca las matemáticas de IA

Las matemáticas se han convertido en una prueba de alto valor porque los sistemas recientes están pasando de problemas de aula a preguntas de investigación abiertas.

Tres años antes, los principales modelos de lenguaje fallaban con frecuencia en aritmética básica. Para 2025, los sistemas de frontera producían resultados comparables a los de los mejores participantes en competiciones de élite de secundaria.

Las matemáticas de investigación presentan un objetivo más difícil. Los problemas suelen requerir argumentos largos, conocimientos especializados, reformulaciones creativas y juicio sobre qué caminos merecen atención.

Una respuesta correcta no basta. Los matemáticos necesitan un argumento que resista un escrutinio detallado y se conecte de manera significativa con el conocimiento establecido.

Afirmaciones recientes sugieren que los sistemas de IA están empezando a cruzar ese límite. Williams citó trabajos sobre la conjetura de distancias unitarias de Erdős y un contraejemplo reportado relacionado con la conjetura jacobiana.

Estos ejemplos requieren una cuidadosa matización. Algunos resultados implican sistemas no publicados, relatos proporcionados por empresas, recursos computacionales significativos o demostraciones que todavía necesitan una revisión humana prolongada.

Un dato sólido procede de investigadores de Google DeepMind. Su sistema matemático agéntico fue diseñado como un espacio de trabajo con estado para búsqueda bibliográfica, experimentación, demostración de teoremas y construcción de teorías.

El sistema coordina múltiples agentes, mantiene documentos de trabajo, registra enfoques fallidos y envía resultados a través de ciclos de revisión. Se parece más a un entorno de investigación que a una única conversación con un chatbot.

En FrontierMath Tier 4, los investigadores reportaron 23 respuestas correctas entre 48 problemas no públicos, lo que produjo una precisión del 48 por ciento. Epoch AI realizó la evaluación ciega a través de la interfaz del sistema.

El artículo también revela una limitación importante. El sistema utilizó más trabajo de inferencia que los arneses de referencia habituales y no tenía un límite fijo de tokens generados ni de llamadas al modelo.

Esa salvedad no elimina el resultado. Muestra que el diseño del sistema, las herramientas, la investigación en paralelo y la revisión repetida contribuyen de manera significativa al rendimiento.

El mismo artículo describe colaboraciones tempranas con matemáticos profesionales. Los investigadores utilizaron el sistema para investigar preguntas abiertas, localizar bibliografía pasada por alto, realizar experimentos numéricos y desarrollar demostraciones candidatas.

Los autores también informan de una satisfacción desigual. Algunos matemáticos consideraron que el sistema era menos eficaz para su trabajo, y ciertas demostraciones seguían bajo revisión humana detallada.

Estos detalles aclaran por qué las matemáticas de IA siguen apareciendo en la cobertura de Techmeme 2026. El campo ofrece hitos visibles, pero cada hito plantea preguntas sobre evaluación y atribución.

¿Quién seleccionó el problema? ¿Quién aportó la formulación clave? ¿Cuánta computación se utilizó? ¿Un experto independiente inspeccionó cada paso?

Un titular puede reducir esas distinciones a la frase “la IA resolvió un problema”. La práctica matemática exige una contabilidad más cuidadosa de todo el proceso de investigación.

Los sistemas más potentes ahora combinan varias capacidades. Buscan bibliografía, generan conjeturas, escriben código, prueban ejemplos, redactan argumentos y piden a herramientas de demostración formal que verifiquen pasos específicos.

La verificación formal consiste en expresar un argumento en un lenguaje que un verificador de demostraciones puede validar mecánicamente. Lean es un sistema destacado utilizado para este propósito.

Un verificador de demostraciones puede confirmar que los pasos formales siguen sus reglas lógicas. No establece automáticamente que el teorema sea importante, que los supuestos sean apropiados o que la explicación sea esclarecedora.

Las demostraciones informales plantean un desafío distinto. Comunican ideas en el estilo utilizado por los matemáticos en activo, pero pueden ocultar lagunas tras un lenguaje seguro o condensado.

Por eso la revisión experta sigue siendo esencial. Un argumento plausible puede contener un error sutil que sobrevive varias rondas de comprobación superficial.

Los investigadores de Google describen un modo de fallo relacionado en su sistema. Los agentes revisores a veces pueden converger en un argumento defectuoso cuyos errores restantes ya no pueden detectar.

Esa admisión es importante. La revisión repetida por máquinas no garantiza la corrección cuando los revisores comparten puntos ciegos similares.

El progreso en las pruebas de referencia es real, pero no respalda una conclusión simple de que las matemáticas de investigación se hayan automatizado. Muestra que los flujos de trabajo sofisticados de IA ya pueden contribuir a tareas antes reservadas para especialistas formados.

La principal división es entre dirección humana y descubrimiento autónomo

La disputa definitoria no es matemáticos contra máquinas. Es entre la ampliación dirigida por humanos y sistemas que eligen cada vez más sus propios objetivos matemáticos.

Yu Deng ofreció la visión más optimista en la rueda de prensa del ICM. Esperaba que la IA se encargara de los detalles técnicos mientras los matemáticos desarrollaban nuevas ideas, teorías y marcos.

Esa división se parece a olas anteriores de automatización. Las calculadoras redujeron el valor de la aritmética manual, mientras que el software simbólico automatizó muchas manipulaciones algebraicas.

Esas herramientas no acabaron con las matemáticas. Los investigadores se orientaron hacia preguntas que requerían conceptos, abstracciones y formas de juicio diferentes.

Jordan Ellenberg describió este proceso años antes de la ola actual. Cuando los ordenadores vuelven rutinaria una operación, los matemáticos suelen reclasificarla como cálculo y centrar su atención en otra parte.

Muchos entrevistados del ICM parecían extender ese patrón histórico a la IA generativa. Consideraban los modelos actuales como instrumentos que amplían el rango de trabajo que puede gestionar una persona.

El problema es que los sistemas generativos están yendo más allá del cálculo fijo. Pueden buscar estrategias, conectar ideas distantes, criticar borradores y producir argumentos extensos.

Estas actividades ocupan un territorio que los matemáticos antes consideraban creativo. El límite entre la ejecución técnica y la dirección intelectual se está volviendo inestable.

Tsimerman cuestionó la suposición de que la construcción de teorías ofrece un refugio humano permanente. Predicciones anteriores afirmaban que los modelos de lenguaje nunca manejarían las matemáticas ni los problemas de nivel investigador.

Esas predicciones se debilitaron a medida que mejoraron los sistemas. Considera el nuevo énfasis en la construcción de teorías como otro límite móvil, no como una limitación duradera.

Greg Burnham, de Epoch AI, planteó una preocupación similar. Evaluar únicamente las capacidades actuales puede ocultar la dirección y la velocidad del crecimiento de las capacidades.

Aun así, la extrapolación tiene límites. La evidencia actual no establece que el escalado produzca sistemas que formulen de forma consistente teorías valiosas o seleccionen programas de investigación trascendentes.

La capacidad de generar una definición novedosa difiere de reconocer que esa definición reorganiza un campo. La importancia depende en parte de las relaciones con otras ideas y comunidades.

Las matemáticas están llenas de preguntas difíciles pero no especialmente útiles. Elegir un problema que valga la pena requiere criterio técnico, conciencia histórica y sentido de las prioridades compartidas.

Los modelos pueden aprender patrones asociados con esos juicios. Sigue sin resolverse si pueden desarrollar un criterio matemático fiable.

También existe una diferencia entre proponer posibilidades y sostener una agenda de investigación. Un programa exitoso puede requerir años de reformulación, comunicación, mentoría y creación de alianzas.

Por ello, la orientación humana sigue siendo central para el impacto más creíble de la IA en las matemáticas. Los expertos aportan objetivos, interpretan los fallos y deciden si un resultado merece mayor atención.

La presión aumentará si los modelos se vuelven fiables en esas tareas. En ese punto, la ampliación de capacidades podría desplazarse hacia el descubrimiento autónomo.

Esa transición afectaría más que la productividad individual. Podría cambiar la contratación, la formación de posgrado, la asignación de subvenciones, los estándares de publicación y la influencia de las empresas tecnológicas.

Una universidad podría financiar menos proyectos exploratorios si los administradores creen que los sistemas comerciales pueden producir resultados de forma más barata. Los estudiantes podrían perder los problemas manejables que tradicionalmente se utilizan para desarrollar el criterio de investigación.

Los laboratorios privados de IA también podrían ganar influencia sobre qué preguntas matemáticas reciben grandes presupuestos computacionales. Su acceso a modelos e infraestructura ya supera al de muchos grupos académicos.

Estas preocupaciones dieron forma a las tensiones en la investigación sobre IA identificadas por Nature Machine Intelligence. Su editorial destacó la elección humana, la verificación y el riesgo de incentivos sesgados.

Por tanto, el mapa de adversarios es institucional además de técnico. La investigación dirigida por humanos valora la apertura, la comprensión, la educación y el desarrollo de la comunidad.

Los sistemas autónomos suelen evaluarse mediante problemas resueltos, puntuaciones de referencia y resultados medibles. Esas métricas solo capturan una parte de lo que valora la profesión.

La cuestión central es quién establece el objetivo. Si los matemáticos dirigen las herramientas, la IA puede ampliar la investigación humana.

Si el rendimiento en benchmarks y las prioridades corporativas fijan la agenda, el campo podría producir más respuestas mientras debilita su capacidad de comprensión compartida.

Las pruebas más rápidas pueden crear un cuello de botella de conocimiento

Un sistema que genera pruebas correctas más rápido de lo que las personas pueden comprenderlas crea abundancia en una etapa y escasez en otra.

Terence Tao se centró en esta tensión durante su conferencia pública en el ICM. Las matemáticas sirven a varios objetivos, entre ellos resolver problemas, construir explicaciones, educar a las personas y sostener comunidades intelectuales.

Históricamente, esos objetivos solían reforzarse mutuamente. Resolver un problema importante podía crear nuevas técnicas, formar investigadores y profundizar la comprensión colectiva.

La IA puede separarlos. Una prueba generada por una máquina podría resolver una conjetura sin producir una explicación que los humanos puedan asimilar o reutilizar.

Tao advirtió que las matemáticas se acercaban a una situación en la que un resultado importante podría demostrarse y verificarse sin que ninguna persona lo entendiera.

La corrección formal seguiría siendo importante. Sin embargo, una prueba comprobada no es idéntica a una teoría humana útil.

La distinción puede sonar filosófica hasta que afecta a la cadena de investigación. Los matemáticos necesitan conceptos comprensibles para enseñar a los estudiantes y conectar resultados entre campos.

Si la producción de las máquinas se expande más rápido que la comprensión de los expertos, las revistas y universidades afrontan un problema de atención. Deben decidir qué pruebas merecen la escasa revisión humana.

El relato de William Thurston sobre el progreso matemático ofrece una advertencia histórica. Sostenía que el trabajo real de la profesión consiste en ayudar a las personas a comprender y pensar sobre las matemáticas.

Thurston produjo en una ocasión resultados importantes sobre foliaciones más rápido de lo que comunicó sus ideas subyacentes. Otros investigadores abandonaron el área y su comunidad de apoyo se redujo.

La IA podría reproducir esa dinámica a una escala mucho mayor. Una avalancha de resultados podría reducir la motivación para explorar problemas cuyas respuestas ya existen dentro de una producción opaca de las máquinas.

Timothy Gowers ha descrito una posibilidad relacionada. La literatura matemática podría expandirse mientras la comunidad carece de conocimientos compartidos sobre grandes partes de ella.

Sería una forma inusual de éxito técnico. La humanidad poseería más afirmaciones validadas, pero menos dominio práctico de las estructuras que las conectan.

El riesgo comienza antes de unas matemáticas plenamente autónomas y sobrehumanas. La educación de posgrado ya depende de problemas lo bastante difíciles para desarrollar habilidades, pero lo bastante acotados para que los estudiantes puedan resolverlos.

Si la IA resuelve esos problemas de inmediato, los docentes deberán diseñar nuevas formas de enseñar la formulación de conjeturas, la detección de errores y el criterio matemático.

Evitar por completo la IA no resolvería el problema. Los estudiantes que ingresan en la investigación necesitan experiencia con las herramientas que encontrarán a lo largo de sus carreras.

La dependencia acrítica crea el peligro opuesto. Un estudiante que delega demasiado razonamiento podría completar tareas sin desarrollar el criterio necesario para evaluar la producción de los modelos.

La infraestructura de verificación también sigue siendo desigual. Algunas áreas cuentan con bibliotecas formales maduras, mientras que otras carecen de las definiciones y teoremas de apoyo necesarios para una formalización eficiente.

La evaluación informal depende de un pequeño número de especialistas. Su tiempo puede convertirse en el recurso limitante a medida que los sistemas generan afirmaciones más sofisticadas.

El cuello de botella se parece al mantenimiento de software. Generar código es barato, pero comprender las dependencias, validar el comportamiento y asumir la responsabilidad sigue siendo costoso.

Las matemáticas elevan lo que está en juego porque los errores pueden permanecer inadvertidos dentro de largos argumentos técnicos. La confianza y una prosa pulida son pruebas débiles de corrección.

La Declaración de Leiden intenta establecer principios comunitarios para esta transición. Abarca investigación, educación, publicación, financiación, políticas y relaciones con empresas de IA.

La Declaración de Leiden sostiene que los matemáticos conservan la capacidad de decidir si adoptan la IA y cómo hacerlo. Identifica la comprensión, la apertura, la atribución y la agencia humana como valores que vale la pena preservar.

La Unión Matemática Internacional respaldó la iniciativa en junio. Fue presentada y debatida en el ICM el 26 de julio.

La declaración no ofrece un modelo operativo completo para las matemáticas en la era de la IA. Proporciona un punto de partida para las instituciones que deciden qué estándares de evidencia, divulgación y acceso exigir.

Las políticas prácticas podrían incluir documentar la participación de los modelos, separar las conjeturas generadas por máquinas de los resultados verificados y preservar explicaciones legibles por humanos junto a las pruebas formales.

Los investigadores también necesitan acceso reproducible cuando sea posible. Un resultado producido por un modelo no publicado no puede examinarse en las mismas condiciones por equipos independientes.

Esto importa cuando las empresas tecnológicas publicitan hitos de investigación. Las demostraciones empresariales pueden ser evidencia valiosa sin servir como validación definitiva.

La postura cautelosa no es que las matemáticas generadas por máquinas carezcan de valor. Es que la producción de pruebas no debe convertirse en la única medida del progreso matemático.

La comprensión humana determina si un resultado puede respaldar la educación, nuevos descubrimientos y una aplicación responsable. Sin esa capa, una biblioteca de pruebas en expansión corre el riesgo de convertirse en un inventario inaccesible.

Lo que los próximos resultados de IA en matemáticas deben demostrar

La próxima fase se juzgará por la replicación independiente, una comprensión humana duradera y evidencia de que la IA puede dar forma a la investigación, en lugar de limitarse a completar tareas asignadas.

La primera señal a observar es la validación independiente de afirmaciones importantes sobre problemas abiertos. Los expertos necesitan acceso a argumentos completos, supuestos, registros computacionales y una atribución clara.

Cuando un sistema no publicado produce un resultado, los matemáticos externos deben determinar si la prueba es correcta y si el método contiene ideas realmente nuevas.

Una replicación exitosa reforzaría la idea de que la IA ha entrado en las matemáticas de investigación fiables. Correcciones repetidas o afirmaciones retiradas la debilitarían.

La segunda señal es si los sistemas de IA pueden construir teorías útiles. Resolver un problema bien planteado comienza después de que alguien ya haya elegido el destino.

La construcción de teorías requiere definiciones que revelen estructuras ocultas, conjeturas que organicen la evidencia y explicaciones que otros investigadores puedan ampliar.

Una sola propuesta inusual no resolverá esta cuestión. La prueba más sólida es si expertos humanos adoptan conceptos generados por máquinas en múltiples proyectos.

Esa adopción debe ir más allá de la curiosidad. Los investigadores deberían comprobar que el marco propuesto aclara resultados antiguos, sugiere preguntas productivas o conecta campos antes separados.

La tercera señal se refiere a las instituciones. Universidades, revistas, financiadores y sociedades matemáticas deben decidir cómo tratan el trabajo asistido por IA.

Los estándares de divulgación mostrarán si la comunidad puede distinguir la asistencia rutinaria de una contribución sustancial de las máquinas. Las políticas de revisión revelarán quién asume la responsabilidad de la corrección.

Las prácticas de formación merecen la misma atención. Los programas necesitan formas de preservar el razonamiento profundo mientras enseñan a los estudiantes a utilizar la IA como instrumento de investigación.

Las decisiones de financiación expondrán el equilibrio de poder. Si los recursos fluyen principalmente hacia sistemas propietarios, las matemáticas académicas podrían volverse dependientes de herramientas que no pueden inspeccionar.

Un acceso más amplio respaldaría el modelo de ampliación de capacidades. Los investigadores podrían probar sistemas, comparar métodos y adaptar flujos de trabajo sin ceder sus agendas.

El acceso restringido reforzaría las preocupaciones sobre la influencia corporativa. Unos pocos laboratorios podrían determinar qué proyectos reciben apoyo avanzado de las máquinas.

El resultado importa a desarrolladores y otros trabajadores del conocimiento. Las matemáticas ofrecen una vista previa de lo que ocurre cuando la IA se vuelve competente en tareas centrales para la identidad profesional.

Los expertos pueden volverse más productivos mientras pierden el control sobre el trabajo de nivel inicial. La verificación y el criterio pueden adquirir más valor incluso cuando la producción bruta se abarata.

El mismo patrón puede surgir en el software, el derecho, la ciencia y el análisis financiero. Las organizaciones necesitarán sistemas que preserven fuentes, decisiones, revisiones y contexto humano.

Una base de conocimiento personal puede respaldar ese trabajo al mantener el razonamiento humano conectado con el material que una IA recupera o transforma.

La lección de Techmeme 2026 no es que la IA haya terminado las matemáticas. Es que investigadores creíbles han pasado de descartar la posibilidad a negociar sus consecuencias.

Algunos ven una vía más rápida hacia el descubrimiento. Otros ven presión sobre las carreras, la educación, la financiación y la comprensión compartida.

Ambas reacciones pueden justificarse con la misma evidencia. Los sistemas son lo bastante útiles como para alterar el trabajo actual, pero su límite a largo plazo sigue siendo desconocido.

La respuesta práctica es poner a prueba las afirmaciones audaces sin ignorar la trayectoria. Los investigadores deben exigir reproducibilidad, preservar explicaciones comprensibles y hacer explícitos los valores humanos.

Observe la próxima prueba revisada de forma independiente, la primera teoría generada por IA ampliamente adoptada y las políticas que rigen la atribución y el acceso. Esas señales revelarán si la IA amplía la cultura matemática o simplemente su producción.

La pregunta para todos los ámbitos intensivos en conocimiento es ahora similar: ¿qué partes del trabajo experto deberían acelerar las máquinas y cuáles deben seguir siendo comprensibles para las personas?