Edición en Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# Cuando los laboratorios de IA hacen descubrimientos en privado, ¿quién puede cuestionar las respuestas?

> Los descubrimientos privados de IA plantean una pregunta sobre el poder público: ¿quién puede examinar las pruebas, elegir la siguiente pregunta de investigación y beneficiarse de las respuestas? Un análisis de los incentivos de publicación, la comprensión científica y la capacidad de decisión humana.

By BIG CHANGE Editorial

Published: 2026-09-22T14:25:09.513Z
Updated: 2026-09-22T14:25:09.513Z
Canonical: https://bigchange.ai/blog/private-ai-discoveries-public-science

![An exposed geometric structure stands outside a partly open research chamber, with broad paths approaching from several directions.](https://bigchange.ai/api/media/file/shared-inquiry-private-system-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE. Shared evidence can give outsiders room to examine and develop an idea even when the discovery system remains private. The geometric sculpture is a conceptual form, not a depiction of a theorem or an unreleased result.

Una empresa puede anunciar que su IA ha resuelto un problema difícil mucho antes de que el resto del mundo pueda juzgar qué ha conseguido. Puede que falte una demostración, una explicación, acceso al sistema o, simplemente, tiempo para examinar el trabajo. Cada carencia otorga a la empresa un tipo distinto de poder.

Esa es la pregunta útil detrás del reciente debate sobre supuestos avances ocultos en IA. En un ensayo del 15 de septiembre, el informático Scott Aaronson dijo haber oído rumores de que algunas empresas de IA retenían soluciones a grandes problemas de ciencias de la computación teórica, tras la reacción al anuncio sobre Navier–Stokes. No publicó esas soluciones. Su relato demuestra que ha oído esa afirmación, no que los resultados anónimos o el motivo atribuido estén verificados. [El ensayo de Aaronson](https://scottaaronson.blog/?p=10062)

Hay un avance más concreto. El grupo asesor independiente sobre matemáticas e inteligencia artificial afirma que su tarea actual es asesorar a OpenAI sobre la publicación de resultados matemáticos importantes que, según la empresa, obtuvo internamente. Esto confirma que existe un proceso para coordinar la publicación de trabajos atribuidos a la empresa. No certifica todos los resultados pendientes de publicación. [La declaración del grupo asesor](https://agmai.org/)

Para los lectores, esta distinción evita que una posibilidad emocionante se convierta en una lista ficticia de problemas resueltos. Para la ciencia, plantea una cuestión mayor: si los descubrimientos se concentran en sistemas privados, ¿cuánta independencia conservarán los demás?

## El cambio de fondo

- **Qué cambió:** Ya hay artefactos de demostraciones generadas por IA publicados, junto a resultados atribuidos a empresas que esperan una publicación coordinada. Las afirmaciones sobre otros avances ocultos siguen sin verificarse.
- **Por qué importa:** Los laboratorios pueden influir en qué descubrimientos se hacen visibles, cuándo pueden examinarlos los especialistas y quién puede aprovechar los métodos.
- **Qué conviene observar:** Si los acuerdos de publicación ofrecen a terceros pruebas útiles y libertad para cuestionarlas, a la vez que respaldan la experiencia humana necesaria para elegir preguntas de investigación, comprender los resultados y compartir sus beneficios.

## Un avance puede ser público aunque la capacidad siga siendo privada

El anuncio de OpenAI del 8 de septiembre sobre Navier–Stokes es un ejemplo de apertura selectiva. La empresa publicó un argumento escrito y archivos de demostración formal, y describió el sistema que hizo el descubrimiento como un modelo interno más capaz que GPT-6 Astra. Publicar un resultado y dar acceso al sistema que lo produjo son decisiones distintas. [El anuncio de OpenAI](https://openai.com/index/navier-stokes-solution/)

También hay que precisar el alcance matemático. La construcción anunciada emplea una fuerza externa suave. El planteamiento oficial del problema de Clay permite explícitamente forzar en las alternativas de ruptura C y D; las alternativas sobre suavidad global sin forzamiento plantean otra pregunta. Una construcción válida con forzamiento puede abordar el problema tal como está formulado para el premio y dejar sin resolver la pregunta sin forzamiento. [La formulación oficial del problema](https://www.claymath.org/wp-content/uploads/2022/06/navierstokes.pdf)

El 11 de septiembre, Clay acogió con satisfacción la aparente resolución, pero mantuvo un proceso sin prisas para evaluar el resultado y reconocer su autoría. Fue una respuesta institucional a un anuncio, no la concesión de un premio. [La respuesta de Clay](https://www.claymath.org/news/navier-stokes-announcement/)

Examinamos la secuencia matemática más amplia en nuestra [guía desde las distancias unitarias hasta Navier–Stokes](https://bigchange.ai/blog/ai-mathematics-unit-distance-navier-stokes). Aquí, la distinción importante es quién puede hacer qué después de una publicación. Un matemático externo podría estudiar la demostración, pero carecer de los recursos o del acceso a modelos necesarios para investigar del mismo modo un problema cercano. El descubrimiento se comparte; los medios para lograr el siguiente pueden seguir concentrados.

Ese acuerdo aún puede ser valioso. Exigir que cada investigador repita la búsqueda original dificultaría el uso de muchos resultados. Para comprobar una demostración concreta, lo que importa es acceder a las pruebas pertinentes, no necesariamente poseer todas las herramientas utilizadas para encontrarla. Sin embargo, poder verificar una respuesta publicada no da a terceros la misma influencia sobre qué preguntas se responderán después.

## El público necesita poder discrepar

El repositorio público de OpenAI identifica por separado sus resultados sobre Navier–Stokes y Euler, ofrece instrucciones para compilarlos e indica cómo pedir comprobaciones adicionales de las demostraciones con Comparator. Son artefactos que pueden examinarse, no solo un vídeo de demostración. Leímos la documentación, pero no hemos reconstruido ni certificado las demostraciones de forma independiente. [El repositorio de demostraciones](https://github.com/openai/NavierStokesAndEuler)

La guía de validación de Lean explica por qué una comprobación satisfactoria tiene un alcance definido. Quienes revisan deben examinar el significado y los supuestos del teorema, incluidas sus dependencias. Comprobaciones más rigurosas pueden comparar una demostración presentada con un enunciado especificado por separado y utilizar programas de verificación independientes. Esto reduce la dependencia de quien produce la demostración, aunque se mantienen los supuestos declarados sobre las herramientas y la especificación. [La guía de validación de Lean](https://lean-lang.org/doc/reference/latest/ValidatingProofs/)

La posibilidad esperanzadora es considerable: un sistema privado podría realizar una búsqueda costosa y luego publicar pruebas que otros puedan comprobar sin repetir toda la búsqueda. Los descubrimientos generados por IA podrían convertirse en recursos compartidos, aunque solo unas pocas instituciones pudieran generarlos a esa escala.

La versión menos sólida consiste en que un laboratorio ofrezca una demostración privada a ciertos especialistas y pida a los demás que confíen en su aval. Puede ser un primer paso razonable. Sin embargo, deja al público mucha menos capacidad para encontrar un supuesto discutible, examinar una corrección o explorar una aplicación inesperada. Conocer una conclusión no equivale a poder examinar los fundamentos del desacuerdo.

Pensemos en un ejemplo hipotético original. Un equipo universitario estudia una clase de problemas de optimización. Una empresa descubre en privado un método que mejora un caso importante. Podría publicar el método y una garantía precisa, o proporcionar un servicio en línea que entregue respuestas mientras mantiene el método en secreto.

Ambas opciones podrían ayudar a los usuarios. Solo la primera permite necesariamente que la universidad examine, enseñe y adapte el método sin depender del acceso continuado al servicio. Si la empresa cambia las condiciones, retira el modelo o deja de apoyar ese campo, la diferencia se vuelve práctica. Un servicio útil puede coexistir con una dependencia científica.

Por eso, el beneficio público no se puede medir solo contando descubrimientos. Una publicación puede ampliar lo que la gente sabe, lo que puede hacer o aquello que necesita permiso para hacer. A veces, esos resultados van de la mano. No tiene por qué ser así.

## Una pausa puede mejorar la ciencia o dar ventaja por más tiempo a una institución

Hay motivos defendibles para coordinar la publicación de un gran resultado. Los especialistas quizá necesiten tiempo para comprobar la afirmación, identificar trabajos anteriores y preparar una explicación. Corregir un error antes de publicar puede evitar que muchas personas construyan sobre una equivocación. Una disputa de autoría también merece pruebas, no una carrera de anuncios.

Pero la misma demora puede afectar de otra manera a quienes están fuera. Imaginemos a un grupo de investigación que elige su siguiente proyecto sin saber que una empresa afirma haber resuelto la conjetura central. Podría pasar meses trabajando en una pregunta ya resuelta. En cambio, dar acceso anticipado solo a ciertos colaboradores podría favorecerles al desarrollar resultados posteriores. Son posibles consecuencias de la desigualdad informativa, no acusaciones sobre un teorema concreto aún no publicado.

La pregunta pertinente es qué consigue la demora y quién responde por ella. Un periodo de revisión con una afirmación identificada, lectores independientes y un plan para comunicar el resultado es distinto de un secretismo indefinido acompañado de insinuaciones sobre capacidades extraordinarias. Las instituciones necesitan margen para verificar el trabajo; el público necesita motivos para distinguir esa verificación de la promoción.

El nuevo grupo asesor ofrece un canal. Dice que sus miembros no cobran, que las recomendaciones serán públicas y que las empresas conservarán la autoridad para decidir. Su independencia es útil, pero el asesoramiento no se convierte por ello en una obligación de publicar un resultado ni en una garantía de acceso para los investigadores. [Independencia y rendición de cuentas](https://agmai.org/)

A nuestro juicio, un acuerdo productivo debería hacer visible la respuesta al asesoramiento. Una empresa podría explicar qué recomendaciones aceptó, qué aspectos siguen en examen y cómo pueden los revisores plantear inquietudes sin resolver. Así, terceros podrían evaluar el proceso sin tener que anunciar prematuramente que un teorema está demostrado.

## La crítica más sólida acepta que la IA puede tener éxito

La declaración del 11 de septiembre *Un grave desajuste de la IA en las matemáticas* reconoce explícitamente que las capacidades matemáticas han mejorado sustancialmente. Su objeción se refiere a los incentivos: usar problemas famosos como pruebas de referencia puede dejar de lado la creación de ideas, el reconocimiento de autoría y la formación mediante la cual las personas aprenden a plantear preguntas nuevas. También reconoce que la IA podría mejorar el estudio de las matemáticas. [La declaración](https://www.mathandai.org/)

Es un argumento más exigente que decir que una máquina no puede descubrir nada. Pregunta si un sistema exitoso optimiza el mismo resultado que la comunidad que recibe lo que produce. Es razonable que un laboratorio quiera una demostración inequívoca de sus capacidades. A un investigador quizá le importe más un método que abra varias líneas nuevas, incluidas algunas demasiado especializadas para atraer un anuncio de lanzamiento.

No hay ninguna razón automática para que esos intereses coincidan. Tampoco tienen por qué entrar en conflicto. Un laboratorio puede financiar la exploración y las explicaciones que hacen útiles sus resultados. Las universidades pueden reconocer el trabajo que adapta un método potente a un campo que el laboratorio no priorizó. Las publicaciones pueden dar cabida a la aclaración y la síntesis, además de a los primeros descubrimientos.

Aun así, las críticas deben responder a las pruebas. Un resultado correcto y trascendente debería cambiar nuestra valoración de lo que puede hacer un sistema. Su origen no lo invalida. Del mismo modo, que un resultado sea impresionante no responde por sí solo a preguntas sobre el acceso o la autoría. Mantener separados esos juicios permite valorar las matemáticas y cuestionar las condiciones en que llegan al mundo.

El ensayo de Aaronson resume esta tensión: considera transformador el progreso reciente y, al mismo tiempo, apoya el esfuerzo por preservar la comprensión humana. Su descripción del comienzo de una singularidad es una interpretación de los acontecimientos, no un umbral científico demostrado. [Su postura declarada](https://scottaaronson.blog/?p=10062)

## Acelerar los descubrimientos y preservar un trabajo humano significativo son intereses reales

El debate más amplio precede a los anuncios de septiembre. En un ensayo de diciembre de 2025, el investigador de IA Julian Togelius distinguió entre herramientas que ayudan a los científicos y una automatización que vuelve redundante su participación. Defendió la capacidad de decisión humana y la oportunidad de contribuir, incluso ante un supuesto en el que la automatización completa acelerase el progreso médico. Esta es una postura moral sobre un futuro posible, no una prueba de que el trabajo científico ya se haya vuelto redundante. [El ensayo de Togelius](https://togelius.blogspot.com/2025/12/please-dont-automate-science.html)

Defender una actividad solo porque quienes la practican hoy la disfrutan tiene un coste serio. Si un método mejor puede reducir el sufrimiento, hay que tener en cuenta los intereses de quienes se benefician junto a los de quienes ven cambiar su profesión. El compromiso con un trabajo significativo no debería convertirse en un veto automático a descubrimientos útiles.

Pero no es necesario elegir entre proteger todas las tareas actuales y expulsar a las personas de la ciencia. ¿Quién elige las preguntas, detecta una necesidad desatendida, juzga si las pruebas son aplicables y decide qué hacer con ellas? Esas decisiones afectan al público aunque las máquinas lleguen a superar a las personas en muchos de sus componentes técnicos. Conservar influencia sobre ellas es una cuestión de gobernanza, además de identidad profesional.

El ensayo de Dario Amodei de octubre de 2024 presenta una visión optimista y amplia de cómo la IA podría acelerar la biología y mejorar vidas. También señala límites relacionados con los experimentos, los datos y el mundo físico. Es una previsión basada en supuestos sobre futuros sistemas potentes, no un calendario establecido por un avance matemático. [Máquinas de gracia amorosa](https://darioamodei.com/essay/machines-of-loving-grace)

Una demostración sobre ecuaciones no demuestra por sí misma la existencia de un tratamiento eficaz ni de un sistema energético más barato. Cada aplicación requiere pruebas adicionales. Aun así, es razonable valorar la posibilidad de avanzar más deprisa: una ayuda que permita a los investigadores descartar una vía improductiva o diseñar un experimento más informativo podría ser importante mucho antes de que la investigación se automatice.

La cuestión de la distribución vuelve entonces a primer plano. Un avance puede ser científicamente sólido y, aun así, llegar solo a quienes puedan pagarlo. La investigación puede acelerarse mientras se concentra en los problemas que más interesan a sus propietarios. Que la aceleración beneficie a un público amplio depende en parte de las decisiones sobre financiación, acceso e implementación. El número de descubrimientos no resuelve esas decisiones por nosotros.

## Una demostración correcta no garantiza buen criterio

La alineación plantea otra pregunta. Un sistema puede ser excelente para hallar un argumento y, al mismo tiempo, no ser fiable al seguir las intenciones de quien lo opera durante un proyecto de investigación largo. Un resultado matemático verificado demostraría algo sobre ese resultado. Por sí solo, no demostraría que el sistema respeta sistemáticamente los permisos, informa con franqueza de los fallos o persigue los objetivos adecuados.

Esta distinción importa cuando los laboratorios utilizan herramientas cada vez más capaces. Delegar una búsqueda acotada y examinar el resultado es distinto de otorgar a un sistema amplias facultades sobre experimentos, gastos o publicaciones. El logro científico puede justificar probar investigaciones más ambiciosas, mientras que los permisos siguen necesitando una justificación aparte.

Preservar la comprensión humana ayuda en este sentido, pero no es una solución universal al problema de la alineación. Conocer las matemáticas de un descubrimiento no revela todos los aspectos del comportamiento del modelo. A la inversa, una persona no tiene que reconstruir cada cálculo intermedio para ejercer una supervisión útil. El objetivo práctico es conservar suficiente competencia y pruebas independientes para advertir cuándo el trabajo del sistema deja de servir al propósito previsto.

La cuestión del sentido también merece más que la promesa de que el ocio compensará todos los puestos perdidos. Amodei sostiene que las relaciones y las actividades pueden seguir teniendo sentido aunque la IA supere a las personas, y reconoce que las condiciones económicas de ese futuro siguen sin resolverse. Es una perspectiva plausible, no una garantía de una transición sin dificultades. [Trabajo y sentido](https://darioamodei.com/essay/machines-of-loving-grace)

Un estudiante puede valorar la comprensión de un resultado sin ser quien lo descubrió primero. Una comunidad puede valorar la enseñanza, el debate y la investigación sin exigir a sus miembros que superen a todas las máquinas. Sin embargo, mantener las instituciones que hacen posibles esas actividades requiere recursos y decisiones. La realización personal por sí sola no puede financiar un laboratorio, garantizar el acceso a un modelo ni preservar un departamento.

## Evaluemos la publicación por la independencia que genera

¿Puede alguien cuestionar la afirmación sin depender por completo de la versión de la empresa? ¿Puede otro grupo utilizar el resultado sin repetir una búsqueda inasequible? ¿Pueden los investigadores elegir preguntas posteriores que apenas interesen a quien produjo el resultado? ¿Hay personas e instituciones capaces de explicar el trabajo, corregirlo y mantenerlo disponible cuando la atención se desplace a otra parte?

Estas preguntas conectan los futuros optimista y pesimista. En uno, las poderosas herramientas privadas contribuyen a un acervo compartido de conocimiento, y más personas pueden investigar cuestiones que antes estaban fuera de su alcance. En el otro, quienes no las poseen reciben respuestas impresionantes y, a la vez, dependen cada vez más de unas pocas organizaciones para decidir qué vale la pena preguntar.

Todavía no sabemos qué contienen los supuestos resultados ocultos de los rumores. Sí podemos evaluar los acuerdos que se están creando en torno a los resultados que sí aparecen. Un gran avance en IA debería dejar al resto de la ciencia con más capacidad para actuar por su cuenta.

## Sources

- [Scott Aaronson: la era de las maravillas y los terrores](https://scottaaronson.blog/?p=10062) — Informa de rumores y presenta la interpretación del autor sobre el progreso de la IA. No revela ni verifica las soluciones anónimas ni el supuesto motivo para retenerlas.
- [Grupo Asesor sobre Matemáticas e Inteligencia Artificial](https://agmai.org/) — Establece el mandato declarado del grupo y su independencia. OpenAI es quien informa de los resultados pendientes; la declaración del grupo no los certifica públicamente.
- [OpenAI: sobre el problema del premio del milenio de Navier–Stokes](https://openai.com/index/navier-stokes-solution/) — El relato de la empresa enlaza los artefactos de demostración publicados y describe un modelo interno. La sección sobre trabajos simultáneos se actualizó el 10 de septiembre; este artículo no determina la procedencia.
- [Clay: formulación oficial del problema de Navier–Stokes](https://www.claymath.org/wp-content/uploads/2022/06/navierstokes.pdf) — Define las alternativas de ruptura con forzamiento y las alternativas de suavidad sin forzamiento. Delimita el alcance de la pregunta, pero no certifica ninguna solución propuesta.
- [Clay: anuncio sobre Navier–Stokes](https://www.claymath.org/news/navier-stokes-announcement/) — Una respuesta institucional matizada mantiene el proceso de evaluación y reconocimiento de autoría. No anuncia la concesión de un premio.
- [OpenAI: repositorio de demostraciones de Navier–Stokes y Euler](https://github.com/openai/NavierStokesAndEuler) — El repositorio público distingue los dos resultados y proporciona instrucciones para compilarlos y comprobarlos. Leímos la documentación, pero no reconstruimos ni certificamos las demostraciones.
- [Lean: validación de una demostración de Lean](https://lean-lang.org/doc/reference/latest/ValidatingProofs/) — Explica las garantías de la comprobación de demostraciones, la auditoría de supuestos y comprobaciones independientes más rigurosas. Interpretar correctamente el teorema pretendido sigue siendo una cuestión aparte.
- [Declaración sobre matemáticas e IA](https://www.mathandai.org/) — Declaración primaria sobre las inquietudes en torno a los incentivos, la autoría y la comprensión humana. Reconoce los avances y los posibles beneficios de la IA; no cuantifica ningún daño.
- [Julian Togelius: por favor, ¡no automaticemos la ciencia!](https://togelius.blogspot.com/2025/12/please-dont-automate-science.html) — El ensayo original distingue entre ayudar a los científicos y volverlos redundantes. Su argumento se refiere a la capacidad de decisión y al sentido en un futuro hipotético, no a una previsión verificada.
- [Dario Amodei: Máquinas de gracia amorosa](https://darioamodei.com/essay/machines-of-loving-grace) — Ensayo optimista y explícitamente especulativo que incluye límites prácticos y cuestiones económicas aún sin resolver. Sus escenarios no establecen un calendario ni un resultado médico.