OpenAI retira 3 de sus 722 artículos de matemáticas con IA por un error de signo

OpenAI publicó 722 manuscritos de matemáticas escritos por un modelo de IA no lanzado el 6 de octubre de 2026 y retiró tres de ellos al día siguiente. Según el historial de revisiones de OpenAI en GitHub, un error de signo rompió un paso clave de una demostración. Otros dos artículos dependían de esa demostración. El caso muestra lo difícil que es comprobar a gran escala una investigación escrita por IA. También explica por qué los matemáticos discuten sobre la publicación.

Qué publicó OpenAI

Los archivos están en un repositorio público de GitHub, openai/math. Implicator.ai cuenta 372 «familias de resultados» y 722 manuscritos. Fortune describe la publicación como soluciones totales o parciales, hechas por IA, a más de 370 problemas abiertos. Eso cuenta algo distinto, así que no conviene mezclar las dos cifras.

Implicator.ai y Yahoo Tech dicen que el trabajo salió de un modelo interno que OpenAI no ha lanzado. Implicator.ai dice que OpenAI planteó unos 4.000 problemas durante la evaluación. Añade que se gastaron unas tres horas de cómputo de ChatGPT Pro por resultado, de media. Un portavoz dijo que casi todos los resultados salieron de una sola instrucción a un solo agente de IA.

Fortune informa de que OpenAI también afirma haber avanzado en otros tres de los siete problemas del Millennium Prize. Son problemas abiertos famosos con premios de 1 millón de dólares. Ninguno tiene una solución completa. OpenAI ya había afirmado semanas antes que resolvía el problema de Navier-Stokes. Esa afirmación los matemáticos la rebatieron.

Las tres retiradas

El historial de revisiones, fechado el 7 de octubre, enumera los artículos retirados:

Artículo	Función
Algebraicity of Weil classes on split abelian eightfolds	Contenía el error
Algebraicity of Kuga-Satake Correspondences for K3 Surfaces	Dependía de él
The rational Hodge conjecture for products of K3 surfaces	Dependía de él

El motivo indicado es que «un error de signo invalida un argumento de cancelación de la traza de estabilización». El historial dice también que OpenAI corrigió otros 14 manuscritos. Actualizó 13 para que citen artículos complementarios revisados. Las versiones retiradas siguen en línea con avisos, informa Implicator.ai.

Ninguna fuente dice quién encontró el error. La propia página de OpenAI tampoco lo dice.

Cuánto está comprobado

Lean es un lenguaje de programación que permite a un ordenador comprobar cada paso lógico de una demostración. Según Implicator.ai y el historial de revisiones, 300 de los 719 resultados principales que quedan tienen formalizaciones en Lean, un 42 % aproximadamente. Fortune dice solo que «algunos» problemas tienen comprobaciones formales. Una comprobación en Lean confirma la lógica. No confirma si un resultado es nuevo o importante, señala Yahoo Tech.

Los ajenos no pueden volver a ejecutar el modelo, porque no está disponible. Implicator.ai dice que OpenAI no publicó las instrucciones, solo cifras medias de cómputo. Un grupo asesor del Institute for Advanced Study había recomendado más transparencia el 29 de septiembre. Fortune dice que OpenAI siguió el consejo del grupo solo en parte.

Qué dicen los matemáticos

Las reacciones están divididas, según Fortune e Implicator.ai.

• Daniel Litt, de la University of Toronto, calificó la publicación de «estupenda para las matemáticas». Dijo que no ve motivo para mantener los artículos en secreto.
• Tristan Buckmaster, de la New York University, cuestionó la diligencia debida, citado a través del New York Times.
• Andrew Sutherland, del MIT, dijo que hay que «tratar como no verificada cualquier afirmación sobre resolver problemas de un solo intento con un único agente».
• El grupo asesor del IAS dijo: «Esta publicación es el comienzo, no la finalización, del proceso de comprensión humana».

Implicator.ai señala además una tensión. La descripción del portavoz, «una instrucción, un agente», choca con los 10.000 agentes que OpenAI dijo haber usado para el resultado de Navier-Stokes.

Qué significa para los desarrolladores

Quien use IA para escribir código, demostraciones o investigación se enfrenta al mismo problema de comprobación.

• Separe generar de verificar. Las comprobaciones en Lean detectaron lo que la lectura no vio. Si su salida de IA tiene una forma comprobable por máquina, como pruebas, tipos o demostraciones, ejecútela antes de que nadie confíe en ella.
• Siga las dependencias entre salidas de IA. Un artículo malo arrastró a otros dos. Anote qué artefactos generados se apoyan en cuáles.
• Exija las entradas. Sin instrucciones ni acceso al modelo, nadie puede distinguir un método fiable de un resultado afortunado, señala Yahoo Tech. Pida las instrucciones, los ajustes y los registros detrás de cualquier afirmación de IA en la que se apoye.
• Trate una retirada como un hecho normal. Tres de 722 en dos días no es alarmante. Publicar un historial de revisiones claro es la parte que conviene copiar.

La cifra que hay que vigilar es la proporción de resultados con demostraciones formales. Con un 42 % ahora, muestra cuánto de la publicación debe leer aún a mano un matemático.