LUIS ROSA FERRARI / Los académicos parecen estar profundamente preocupados por la irrupción de los grandes modelos de lenguaje (LLM) en la producción científica. Recientemente, un grupo de medallistas Fields 1 publicó una declaración 2 advirtiendo sobre los riesgos que supone para la matemática la producción acelerada de resultados mediante inteligencia artificial. Entre sus preocupaciones se encuentra la posibilidad de que la acumulación masiva de nuevos teoremas termine desbordando nuestra capacidad de asimilarlos, comprenderlos e integrarlos en el conocimiento matemático.
ENSAYO
Pero cabe preguntarse: ¿acaso antes podíamos?
La producción científica contemporánea hace imposible que un investigador, por erudito que sea, pueda mantenerse al tanto de todos los resultados publicados, incluso dentro de áreas relativamente especializadas. La fragmentación del conocimiento no es una consecuencia de la inteligencia artificial, sino una característica de la ciencia contemporánea.
Puedo poner un ejemplo personal. Durante mi doctorado trabajé en la extensión de un teorema y, al revisar la bibliografía relacionada, encontré que el resultado original, publicado en 1999, había sido redescubierto por otros investigadores en 2011. ¿Plagio deliberado? En absoluto, al menos en mi opinión. El resultado original estaba enmarcado en el ámbito de los sistemas dinámicos, particularmente en el estudio de los subshifts, mientras que el redescubrimiento provenía de la teoría de autómatas. Aunque ambas áreas están estrechamente relacionadas, es perfectamente comprensible que los segundos investigadores no hubieran encontrado aquella publicación.
Un testimonio particularmente ilustrativo de esta situación proviene de Jacob Tsimerman, medallista Fields de 2026, quien recientemente anunció su incorporación temporal a OpenAI. En una entrevista concedida a Curt Jaimungal3, Tsimerman reconoce que, aunque puede seguir razonablemente los avances de su especialidad, ni siquiera comprende completamente todas las demostraciones de los resultados que utiliza en sus propias investigaciones.
Pone como ejemplo la o-minimalidad, una noción de teoría de modelos que desempeña un papel importante en su trabajo. Explica que conoce aproximadamente las ideas involucradas en la demostración de la o-minimalidad de ciertas estructuras, pero admite que no domina esas demostraciones y que reconstruirlas podría demandarle años de estudio.
¿Significa esto que Tsimerman no comprende su propia investigación? Naturalmente que no. Como cualquier matemático contemporáneo, trabaja sobre un edificio conceptual cuya construcción es necesariamente colectiva. Comprende profundamente aquellas partes en las que ha trabajado, mientras que otras descansan sobre resultados cuya validez acepta sin necesidad de reconstruir personalmente cada uno de sus argumentos.
De hecho, en la misma entrevista recuerda una conversación con Charles Fefferman, quien le explicó que un matemático convive necesariamente con distintos niveles de conocimiento: resultados que domina profundamente, otros cuyo funcionamiento conoce aproximadamente y otros de los que apenas tiene una noción general.
Si incluso un medallista Fields reconoce estos límites, ¿qué sentido tiene presentar la imposibi- lidad de asimilar individualmente la totalidad de los avances matemáticos como una amenaza introducida por la inteligencia artificial?
La IA podrá agravar considerablemente esa situación, pero no la ha creado. La matemática hace mucho tiempo que dejó de ser una actividad cuyo cuerpo de conocimientos pudiera ser dominado íntegramente por un individuo. La comprensión matemática ya es colectiva, distribuida y necesariamente parcial.
¿A qué se debe, entonces, la preocupación que suscita la inteligencia artificial?
La respuesta exige distinguir entre los fines de la ciencia y los mecanismos institucionales que hemos construido alrededor de ella.
La ciencia, como su propia etimología indica —scientia, conocimiento—, tiene por finalidad ampliar nuestro conocimiento. En el caso de la matemática, esto supone descubrir verdades, establecer relaciones y desarrollar estructuras conceptuales que permitan comprenderlas. El artículo científico es, en principio, un instrumento para comunicar esas contribuciones. La reputación que pueda derivarse de su publicación debería ser una consecuencia secundaria del trabajo académico.
Sin embargo, me temo que hemos invertido esta relación.
El prestigio académico, originalmente asociado a la contribución científica, parece haberse convertido en muchos casos en el objetivo de la actividad investigadora, mientras que el conocimiento pasa a funcionar como un medio para obtenerlo. Publicar, acumular citas, ingresar en determinadas revistas y exhibir indicadores de productividad adquiere una importancia que no siempre guarda una relación clara con la contribución efectiva al conocimiento.
Es aquí donde encuentro particularmente pertinente el pensamiento de Jean Baudrillard.4
En su análisis del simulacro, Baudrillard describe un proceso por el cual los signos adquieren una autonomía creciente respecto de aquello que originalmente debían representar. La representación deja de estar subordinada a su referente y pasa a desenvolverse dentro de un sistema en el que los signos adquieren valor por sus relaciones con otros signos.
Algo semejante parece ocurrir en la academia. El artículo científico, que originalmente debía dar testimonio de una contribución al conocimiento, comienza a adquirir valor como signo de prestigio. Una publicación remite a una revista, la revista a un indicador de impacto, el indicador a una evaluación institucional y esta, a su vez, a una determinada posición dentro de la jerarquía académica.
El signo ya no apunta necesariamente hacia el conocimiento que debía representar, sino hacia el prestigio que puede conferir.
Y lo más interesante es que este simulacro no requiere que sus participantes sean impostores conscientes. Un investigador puede estar sinceramente comprometido con la búsqueda de la verdad y, simultáneamente, participar de un sistema que lo obliga a orientar buena parte de su actividad hacia la producción de indicadores de reconocimiento académico.
La crítica a este fenómeno, por supuesto, no es nueva. La Declaración de San Francisco sobre Evaluación de la Investigación (DORA), de 2012 5, y el Manifiesto de Leiden, de 2015 6, ya cuestionaban los problemas derivados de sustituir la evaluación sustantiva del trabajo científico por indicadores bibliométricos.
La confusión entre los medios y los fines de la actividad científica precede ampliamente a la aparición de los LLM.
Y es precisamente aquí donde la preocupación actual adquiere, a mi entender, cierto carácter hipócrita.
La inteligencia artificial amenaza con alterar profundamente las condiciones de producción del prestigio académico. Si una persona puede producir, con ayuda de una máquina, resultados que anteriormente requerían años de formación y trabajo, ¿cómo debe distribuirse ahora el reconocimiento? ¿Qué sucede con una estructura institucional que ha convertido determinadas manifestaciones de productividad intelectual en instrumentos de legitimación y jerarquización?
Naturalmente, los medallistas Fields tienen razón al señalar que resolver un problema matemá- tico no equivale necesariamente a comprenderlo. Una demostración puede abrir un territorio conceptual mucho más rico que el resultado particular que establece. Pero aceptar esta observación no obliga a desvalorizar un resultado por el procedimiento mediante el cual fue obtenido. La comprensión puede ser posterior al descubrimiento, y no necesariamente anterior a él.
Si una inteligencia artificial contribuye a producir un teorema nuevo, cuya demostración puede ser verificada y que amplía efectivamente nuestro conocimiento, ¿por qué habría de importar, a efectos de su validez matemática, cuánto esfuerzo humano demandó su obtención?
Otra cosa es determinar su originalidad, su relevancia, su atribución o la conveniencia de integrarlo en un programa de investigación. Estas son cuestiones legítimas, pero no deben confundirse con la procedencia humana o artificial de una contribución.
La cuestión que me interesa plantear es todavía más incómoda: ¿estamos preocupados porque las máquinas puedan producir conocimiento sin comprensión, o porque puedan producir conocimiento sin reproducir las jerarquías humanas de reconocimiento que hemos construido a su alrededor?
Ambas preocupaciones pueden coexistir, naturalmente. Pero no son equivalentes. La primera es epistemológica; la segunda es institucional y compromete directamente la representación que la academia tiene de sí misma.
Hay, además, algo especialmente interesante en la entrevista de Tsimerman. Cuando Jaimungal le pregunta si está más preocupado por los matemáticos que por la propia matemática, responde afirmativamente, al menos por el momento. Su preocupación se dirige especialmente hacia las personas, sus trayectorias profesionales y las nuevas generaciones que ingresan en la investigación.
Esta respuesta me parece intelectualmente valiosa porque distingue dos problemas que con demasiada frecuencia aparecen confundidos. El futuro de la matemática y el futuro de la profesión académica no son necesariamente el mismo problema.
No pretendo afirmar que los firmantes de la declaración actúen movidos por la defensa consciente de sus privilegios. La contradicción que señalo es más profunda y no depende de las intenciones individuales. Lo que me interesa cuestionar es la facilidad con que un discurso orientado a defender el conocimiento puede confundirse con otro destinado a preservar las condiciones institucionales bajo las cuales su producción ha conferido tradicionalmente prestigio.
El problema se vuelve todavía más llamativo cuando observamos algunas respuestas institucio- nales frente al uso de estas tecnologías.
Se han desarrollado programas destinados a detectar textos generados mediante inteligencia artificial, utilizados también en contextos académicos. Sin embargo, la fiabilidad de estos instrumentos es cuestionable. Un estudio de Liang y colaboradores7, publicado en Patterns en 2023, encontró que siete detectores clasificaban erróneamente como generados por IA textos escritos por estudiantes no nativos de inglés, con una tasa media de falsos positivos del 61,3 % en la muestra estudiada.
Esto introduce una dimensión especialmente problemática para quienes desarrollamos nuestra actividad académica en países no angloparlantes. Nuestra escritura en inglés puede resultar más mecánica, utilizar estructuras sintácticas más previsibles o presentar una menor diversidad léxica. Paradójicamente, esas características pueden convertirnos en sospechosos de utilizar una máquina.
En mi caso, utilizo intensamente la inteligencia artificial. Me permite corregir mi gramática inglesa y, curiosamente, recuperar una de las formas más antiguas y tradicionales de escribir matemática: trabajar a mano y posteriormente trasladar mis argumentos a un documento mediante un LLM. Lejos de alejarme del trabajo matemático, esta herramienta me permite concentrarme en él, liberándome de una parte considerable del trabajo mecánico asociado a la preparación de un manuscrito.
Y, por supuesto, también me permite ser más productivo.
¿No es precisamente eso lo que, hasta ahora, parecía exigir la «Catedral», parafraseando a un filósofo maldito contemporáneo?
Esa misma Catedral que ahora parece tan asustada por la inteligencia artificial. ¿Acaso tiene miedo de que los papers dejen de ser una medida del esfuerzo? Si es así, me temo que nunca lo fueron. Un genio no necesita casi esfuerzo para producir un paper del nivel de los que hacemos la mayoría de los mortales.
¿Acaso el miedo es que dejen de ser una medida del genio? En ese caso, habrá que recordarles que la academia no tiene por objetivo premiar la genialidad, sino la contribución al avance científico.
Imaginemos que un sistema de inteligencia artificial demuestra un importante problema matemático abierto. La hipótesis ya no es puramente imaginaria: el 8 de septiembre de 2026, OpenAI anunció que uno de sus sistemas había obtenido una solución al problema de existencia y regularidad de Navier–Stokes, uno de los problemas del milenio, y publicó una formalización en Lean8. El Instituto Clay señaló que el problema parecía haber sido resuelto, aunque su evaluación y la atribución del resultado seguían pendientes9. Supongamos que la demostración supera finalmente ese examen, resulta conceptualmente interesante y abre nuevas líneas de investigación.
¿Hemos ganado algo? Desde el punto de vista del conocimiento matemático, indudablemente.
Pero ¿qué ocurre con el sistema de reconocimiento? ¿Quién recibe el prestigio? ¿Qué sucede con los investigadores que dedicaron años a ese problema? ¿Cómo se incorpora el resultado a un sistema de evaluación construido alrededor de la autoría y de la productividad individual?
Son preguntas legítimas, pero pertenecen a otro orden. No conciernen directamente a la verdad del teorema.
Tal vez lo que resulte tan perturbador de la inteligencia artificial no sea únicamente la posibilidad de que produzca conocimiento sin comprensión, sino que pueda producir conocimiento sin reproducir las jerarquías de reconocimiento que hemos construido a su alrededor.
Reconocer esta segunda preocupación supone admitir que el prestigio académico ha dejado de ser una consecuencia accesoria de la producción de conocimiento para convertirse, al menos parcialmente, en uno de sus fines. Y es precisamente esa inversión la que permite hablar de un simulacro.
Nada de esto implica negar los problemas que introduce la inteligencia artificial. Una producción indiscriminada de resultados, sin verificación, contexto ni adecuada atribución, puede agravar seriamente las dificultades que ya enfrenta la comunicación científica. La propia IA podría terminar multiplicando el simulacro, produciendo cantidades industriales de publicaciones cuya única finalidad fuera alimentar los indicadores académicos.
Tampoco significa que la formación, la creatividad o la comprensión humana carezcan de valor. Por el contrario, son aspectos fundamentales de la investigación. Lo que cuestiono es la pretensión de presentar estas amenazas como si hubieran surgido con la inteligencia artificial, ignorando las contradicciones que la propia academia ha contribuido a consolidar.
Esta tendencia a atribuir a la inteligencia artificial problemas que la academia ya arrastraba no se limita a la investigación. También aparece en las discusiones sobre la enseñanza, especialmente cuando se advierte sobre sus posibles consecuencias para la formación de los estudiantes. En este punto, sin embargo, mi posición es considerablemente más optimista, al menos en lo que respecta a la enseñanza de la matemática.
No creo que la evaluación constituya un problema especialmente novedoso. Comprobar que un estudiante resuelve una prueba sin recurrir a un teléfono o a cualquier otro dispositivo electrónico no plantea, en principio, una dificultad sustancialmente diferente de la que ya enfrentábamos al controlar las formas tradicionales de copiar. Podemos seguir evaluando si un alumno es capaz de resolver un problema por sus propios medios.
El verdadero problema es otro: la tentación de delegar cognitivamente en la inteligencia artificial el esfuerzo que requiere aprender matemática. Un estudiante que consulta inmediatamente la solución de un ejercicio, antes de dedicarle un tiempo razonable a intentar resolverlo, puede obtener una respuesta correcta sin haber desarrollado las habilidades necesarias para encontrarla.
Pero tampoco en este aspecto soy particularmente pesimista. Tarde o temprano, la distancia entre haber leído una solución y ser capaz de producirla por cuenta propia se vuelve evidente, especialmente cuando llega el momento de enfrentarse a una evaluación. El estudiante deberá comprender que necesita dedicar un tiempo prudencial a trabajar solo sobre un problema, equivocarse, intentar diferentes estrategias y convivir con la frustración de no encontrar inmediatamente una respuesta. La función del profesor debería incluir precisamente la tarea de ayudarlo a reconocer cuándo conviene recurrir a una herramienta y cuándo es necesario prescindir de ella.
Hay, además, una transformación del alumnado que observo desde hace tiempo en mi propia práctica docente y que me preocupa bastante más que la aparición de los LLM. Tengo la impresión de que el estudiante promedio, aquel que posee una formación suficiente para seguir razonablemente un curso, pero necesita de la intervención del profesor para superar determinadas dificultades, se está volviendo cada vez menos frecuente. Encuentro, por un lado, estudiantes que llegan con carencias tan profundas que la ayuda que podemos ofrecerles dentro de un curso ordinario resulta difícilmente aprovechable y, por otro, estudiantes suficientemente preparados como para comprender que el aprendizaje matemático requiere un esfuerzo personal que nadie puede realizar en su lugar.
Se trata, naturalmente, de una observación basada en mi experiencia docente, no de una caracterización estadística del alumnado. Pero me lleva a preguntarme hasta qué punto estamos atribuyendo a la inteligencia artificial problemas formativos que ya estaban presentes en nuestras aulas.
Incluso el estudiante que hoy se siente tentado a preguntarle a un LLM antes de intentar resolver un ejercicio posiblemente fuera, antes de la aparición de estas herramientas, uno de los que abandonaban el problema sin haber comprendido demasiado. Al menos ahora tiene la posibilidad de formular una pregunta y recibir una explicación. Quizá algo le quede de esa interacción. No es una garantía de aprendizaje, por supuesto, pero tampoco veo por qué deberíamos considerar que necesariamente lo perjudica.
Por eso no encuentro motivos para adoptar una posición catastrofista respecto de la inteligencia artificial en la formación matemática. Por el contrario, sospecho que podría obligarnos a revisar algunas prácticas docentes que hace mucho tiempo deberían haber sido cuestionadas.
Siempre me ha resultado difícil comprender por qué buena parte de la enseñanza universitaria, especialmente en los cursos básicos, sigue organizada alrededor de una actividad que consiste esencialmente en repetir frente a los estudiantes lo que ya está escrito en los libros. Naturalmente, una demostración desarrollada en clase puede tener un valor pedagógico propio, especialmente cuando permite explicar las motivaciones, las dificultades y las decisiones involucradas en su construcción. Pero eso es muy diferente de convertir la enseñanza en una reproducción oral de un texto.
Tal vez la inteligencia artificial termine obligándonos a recuperar algo de aquella libertad de cátedra que parece haberse ido perdiendo entre programas rígidos, contenidos estandariza- dos y exigencias administrativas. Imagino una enseñanza menos preocupada por reproducir exhaustivamente un temario y más dispuesta a detenerse en un concepto concreto, examinarlo desde diferentes perspectivas y trabajar sobre las dificultades efectivas de los estudiantes. Una enseñanza en la que el profesor no tenga que justificar su presencia por la cantidad de información que transmite, sino por su capacidad para intervenir allí donde el estudiante se encuentra intelectualmente estancado.
Y aquí reaparece, bajo otra forma, el simulacro académico. Del mismo modo que hemos terminado confundiendo la producción de artículos con la producción de conocimiento, quizá también hemos confundido la exposición de contenidos con la enseñanza. La clase dictada, el programa cumplido y la cantidad de temas cubiertos pueden funcionar como signos de una actividad pedagógica cuyo resultado efectivo permanece en buena medida fuera de consideración.
Si una máquina puede reproducir nuestras explicaciones, proporcionar ejemplos y responder preguntas sobre los contenidos que figuran en cualquier manual, tal vez el problema no sea que esté amenazando la enseñanza, sino que nos obligue a reconocer cuánto de lo que hacemos en nombre de ella consiste simplemente en reproducir información.
En ese caso, la inteligencia artificial podría devolvernos una pregunta que la universidad debería hacerse con independencia de cualquier desarrollo tecnológico: ¿qué es exactamente lo que aporta un profesor a la formación intelectual de sus estudiantes?
En la investigación, la IA amenaza con desacoplar la producción de conocimiento de los mecanismos tradicionales de distinción académica; en la docencia, cuestiona la identificación entre exposición de contenidos y enseñanza. Y quizá la verdadera amenaza que representa para la academia no sea que termine destruyendo el valor de su trabajo, sino que nos obligue a preguntarnos en qué consistía realmente ese valor.
Si podemos producir más artículos que nunca, si la resolución de determinados problemas deja de requerir una capacidad intelectual extraordinaria, si algunas de las habilidades que hasta ahora distinguían a unos investigadores de otros pueden ser reproducidas por una máquina y si explicar un tema deja de exigir su exposición rutinaria ante una clase, tendremos que revisar nuestros criterios de valoración.
Pero esto debería ser una oportunidad para la ciencia, no una tragedia.
Una institución genuinamente comprometida con el conocimiento tendría que poder celebrar incluso aquellos avances que disminuyan el valor de mercado del prestigio de sus propios integrantes. Tendría también que revisar sus mecanismos de evaluación y sus prácticas docentes para evitar que la aceleración tecnológica termine profundizando los mismos problemas que pretende combatir.
Los medallistas Fields han denunciado una desalineación entre los objetivos de las empresas de inteligencia artificial y los fines propios de la investigación matemática. Es una discusión necesaria. Pero quizá deberíamos aprovecharla para examinar otra desalineación, mucho más antigua: la que existe entre los ideales epistemológicos de la ciencia y los incentivos que gobiernan buena parte de la vida académica.
Después de todo, si la inteligencia artificial consigue que producir conocimiento resulte más fácil, lo que está en crisis no es necesariamente la ciencia.
Tal vez sea solamente el prestigio que habíamos construido alrededor de su dificultad.
Notas
1 La Medalla Fields es una de las máximas distinciones de la matemática y suele compararse con el Premio Nobel, que no contempla esta disciplina.
2 A Severe Misalignment of AI in Mathematics (2026); véase la referencia 1.
3 Entrevista de Jacob Tsimerman en Theories of Everything (2026); véase la referencia 2.
4 Simulacres et simulation (1981); véase la referencia 3.
5 San Francisco Declaration on Research Assessment; véase la referencia 4.
6 Hicks y colaboradores, «Bibliometrics: The Leiden Manifesto for research metrics»; véase la referencia 5.
7 «GPT detectors are biased against non-native English writers» (2023); véase la referencia 6.
8 OpenAI, On the Navier–Stokes Millennium Prize Problem (2026); véase la referencia 7.
9 Clay Mathematics Institute, Navier-Stokes Announcement (2026); véase la referencia 8.
Referencias
- A Severe Misalignment of AI in Mathematics. Declaración publicada el 11 de septiembre de 2026. https://www.mathandai.org/
- Tsimerman, J. Entrevista con Curt Jaimungal, Theories of Everything, agosto de 2026. https://www.youtube.com/watch?v=6uIJdXmB4vE
- Baudrillard, J. (1981). Simulacres et simulation. París: Éditions Galilée.
- San Francisco Declaration on Research Assessment (DORA), 2012. https://sfdora.org/
- Hicks, D. et al. (2015). Bibliometrics: The Leiden Manifesto for research metrics. Nature, 520, 429–431. https://doi.org/10.1038/520429a
- Liang, W. et al. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779. https://doi.org/10.1016/j.patter.2023.100779
- OpenAI (2026). On the Navier–Stokes Millennium Prize Problem, 8 de septiembre. https: //openai.com/index/navier-stokes-solution/
- Clay Mathematics Institute (2026). Navier-Stokes Announcement, 11 de septiembre. https: //www.claymath.org/news/navier-stokes-announcement/

