Hay una ironía elegante en el hecho de que OpenAI haya elegido el nombre "Astra" para su próximo gran modelo. En la tradición griega, Astra era la titánide asociada con la luz de las estrellas y, también, con la justicia y la precisión de lo que no se puede evitar. Es precisamente esa noción de precisión la que la empresa intenta vender ahora, al anunciar que Astra habría resuelto —o al menos avanzado de manera decisiva en— diez problemas matemáticos de larga data mediante verificación formal con el asistente Lean.
Las matemáticas, como cualquier estudiante descubre pronto, rara vez se doblegan a los atajos. Exigen prueba, no intuición. Y ahí reside justamente el giro conceptual de Astra. En lugar de limitarse a generar texto plausible, el modelo es capaz de colaborar consigo mismo en distintas partes de un problema mayor, descomponiendo lo que antes parecía un bloque monolítico y ensamblando la solución pieza por pieza. La verificación formal con Lean actúa como una especie de árbitro implacable: cada paso debe ser confirmado por reglas mecánicas, sin espacio para la retórica cómoda que enmascara las respuestas erróneas de los modelos de lenguaje comunes. Es un salto cualitativo frente a las máquinas que solo memorizan patrones y regurgitan respuestas con aire de autoridad, sin poder justificar jamás su propio razonamiento.
El coste de esa ambición es brutal. Según OpenAI, resolver los diez desafíos consumió unos dos mil dólares en tokens de API —una cifra que ilustra, en términos concretos, el precio energético y computacional de intentar convertir la intuición en prueba. Los archivos de prueba son públicos, un gesto de transparencia que invita a la comunidad a auditar el trabajo. Pero el modelo en sí permanece privado, lo que plantea una pregunta inevitable: prueba pública, inteligencia cerrada.
La respuesta de Anthropic llegó en la misma moneda competitiva. La empresa afirma que su modelo público, Claude Fable, resolvió de forma independiente cinco de los mismos desafíos. Nada de esto ocurre en un vacío histórico: OpenAI viene de generaciones sucesivas —Sol, Terra y Luna— que han refinado progresivamente la forma en que estas máquinas razonan. Aún no se ha decidido si Astra se lanzará como GPT-5.7, GPT-6 o bajo un nombre completamente nuevo, y esa indecisión de nomenclatura casi parece una confesión de que la empresa todavía no sabe cómo posicionar lo que ha construido.
¿Qué significa, después de todo, que una IA "demuestre matemáticas" para la credibilidad? Para mí, es la promesa más seria que esta industria haya hecho jamás. Al apostar por la verificación formal, OpenAI deja de pedir que confiemos en sus modelos y pasa a pedir que confiemos en las reglas de la lógica —una transferencia de confianza inteligente, aunque parcial. La carrera entre OpenAI y Anthropic es buena para el campo, porque lo que está en juego no es un benchmark de marketing, sino la capacidad de demostrar el razonamiento de forma auditable. La competencia, en este caso, funciona como un acelerador de calidad, obligando a cada laboratorio a exponer sus métodos con mayor rigor. La pregunta que queda, y que me inquieta, es simple: si diez problemas matemáticos cuestan dos mil dólares en tokens, ¿cuánto costará demostrar algo realmente importante para la vida cotidiana —y quién pagará esa factura? El público debe entender que la verificación formal, por poderosa que sea, todavía opera en un territorio estrecho y bien definido, lejos de la ambigüedad de la vida real.
Fuentes: Moneycontrol, Implicator AI, Technoid
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
