La ciencia que no se puede ver
La comunidad científica atraviesa una crisis de transparencia sin precedentes. El lunes pasado (26 de octubre), OpenAI anunció tres descubrimientos de peso — uno en matemáticas, otro en física cuántica y un tercero en informática teórica — pero, en lugar de liberar los resultados para escrutinio público, la empresa introdujo un sistema de expertos elegidos a dedo para decidir cómo y cuándo se compartiría cada resultado. Los investigadores llamaron a este esquema de "porteira" (gatekeeping) y dijeron que mina principios fundamentales de la ciencia abierta.
Los tres descubrimientos son sustanciales. El primero afirma resolver la conjetura de Kakeya en todas las dimensiones, un problema de análisis armónico abierto desde 1917. El segundo propone refutar la Hipótesis del Tiempo Exponencial (ETH), una suposición de casi tres décadas que afirma que los problemas NP-completos como el 3-SAT requieren tiempo exponencial para resolverse — si es cierto, la refutación tendría implicaciones para toda la teoría de la complejidad computacional. La tercera, una prueba rigurosa de existencia para teorías de campo cuántico con campos de gauge y fermiones en cuatro dimensiones, incluyendo la Cromodinámica Cuántica (QCD) y una conclusión unificada del Modelo Estándar de la física de partículas.
Pero lo que más molesta a la academia no son los resultados en sí mismos, sino los mecanismos utilizados para divulgarlos. OpenAI llamó a estos expertos de "pastores" (shepherds). Cada descubrimiento recibió una estrategia de lanzamiento diferente, determinada por los pastores: el resultado de matemáticas fue liberado como salida bruta de IA en GitHub, dejando que los investigadores organicen sus propios esfuerzos para explicarlo; el resultado de informática tendrá un grupo externo de colaboradores para interpretarlo, mientras que la salida de la IA está disponible para cualquiera examinar; el resultado de física, sin embargo, permanece restringido, con OpenAI deferindo a decisión a un grupo externo de expertos sobre cómo liberar los materiales.
La carta del AGMAI
El Advisory Group on Mathematics and Artificial Intelligence (AGMAI), con sede en el Institute for Advanced Study, emitió una advertencia directa contra el modelo de pastores. En declaración al The Verge, el grupo argumentó que seleccionar ciertas personas para recibir los resultados antes es "innecesario" y arriesga "acceso desigual, selección sesgada y retrasos". La recomendación del AGMAI es clara: libere la salida en repositorios académicos con pruebas formalizadas en Lean, no selecciones privilegiadas de investigadores.
Constantin Kogler, investigador del propio Institute for Advanced Study, concordó que consultar investigadores externos es positivo, pero cuestionó la decisión de restringir el acceso a expertos elegidos por OpenAI. "Creo que es innecesario", dijo al The Verge. Andreas Karch, profesor de física de la Universidad de Texas en Austin, sugirió que los investigadores deberían ser seleccionados por proceso competitivo para garantizar representatividad.
Jared Duker Lichtman, matemático de Stanford, reconoció que "puede ser imposible encontrar un enfoque que satisfaca a todos", pero argumentó que liberar descubrimientos abiertamente "podría llevar a una ciencia mejor y promover una adopción más amplia de nuevas herramientas como la IA".
El legado de los dumps de preprints
La frustración con el modelo de pastores no nació en el vacío. Es la continuación de una serie de incidentes que han erosionado la confianza entre OpenAI y la comunidad matemática. En octubre, OpenAI liberó cientos de preprints generados por IA en repositorios académicos sin previo aviso — un evento que el profesor Ryan Williams, del MIT, describió como un "DDoS contra matemáticos". La avalancha de artículos sin revisión obligó a departamentos enteros a lidiar con decenas de resultados sin verificar que exigirían años para análisis riguroso.
Antes de eso, el 6 de octubre, OpenAI había liberado una colección masiva de resultados matemáticos generados por IA, ofreciendo US$ 1 millón para investigadores que pudieran verificar los modelos. La AGMAI elogió la liberación, pero advirtió que "el futuro de la investigación matemática no puede consistir solo en entender resultados producidos por laboratorios de IA".
OpenAI reconoció los trade-offs en su anuncio oficial. "Por un lado, las colaboraciones capacitan a expertos para desempaquetar los resultados y contextualizarlos en la comunidad académica. Por otro lado, elegir pastores iniciales necesariamente moldea quién se involucra primero y crea asimetría de información", escribió la empresa, añadiendo: "Agradecemos comentarios sobre cómo ampliar la participación y hacer este proceso más útil".
Qué significa para la industria
Para empresas que dependen de IA de frontera, la crisis de transparencia de OpenAI plantea preguntas prácticas serias. Los equipos de compliance y procurement que confían en benchmarks divulgados por el vendor para tomar decisiones de riesgo ahora tienen menos base para confiar en esas divulgaciones. Cuando el mismo laboratorio que anuncia una capacidad también controla quién puede verificarla, la validación externa está estructuralmente comprometida.
La EU AI Office y otros órganos reguladores están evaluando si prácticas de divulgación autogobernadas por laboratorios de frontera son compatibles con los requisitos de auditoría independiente previstos en el EU AI Act y en marcos como el H.R. 8094 — el AI Foundation Model Transparency Act de 2026. La pregunta no es solo académica: empresas que licencian estos modelos para tareas de alto riesgo necesitan saber si las capacidades declaradas fueron realmente verificadas por pares independientes.
Mientras tanto, la comunidad científica continúa navegando terreno incierto. La propia OpenAI admite que sus resultados son "mejor comprendidos como una forma de datos de investigación brutos" — es decir, descubrimientos que aún no han sido validados, contextualizados o incorporados al conocimiento establecido. Mientras tanto, la tensión permanece: por un lado, laboratorios privados produciendo resultados que transforman campos enteros; por otro, una comunidad académica insistiendo en que la ciencia real exige escrutinio abierto, no puertos cerrados.
Fuentes: The Verge, OpenAI, TechCrunch
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
