La IA ya sabe matemáticas: qué significa eso para tu empresa y para la ciencia
Durante años, la crítica más fácil contra los modelos de lenguaje fue esta: "ni siquiera saben sumar bien." Era una crítica válida. En 2023, pedirle a ChatGPT que dividiera una cuenta de camping entre tres personas con 17 ítems era una lotería. Hoy, ese mismo modelo puede ayudar a resolver problemas matemáticos que llevan décadas abiertos. El salto no fue gradual. Fue casi vertical.
En el episodio 17 del OpenAI Podcast, los investigadores Sebastian Bubeck y Ernest Ryu —ambos matemáticos con carreras en Princeton y UCLA antes de unirse a OpenAI— cuentan desde adentro cómo ocurrió este cambio, por qué las matemáticas fueron el benchmark perfecto para medir el progreso de la IA, y qué implica esto para la ciencia, la tecnología y los negocios. Lo que describen tiene consecuencias concretas para cualquier empresa que trabaje con datos, análisis o automatización.
Este artículo extrae los tres insights más relevantes de esa conversación y los traduce a términos prácticos para empresas en Perú y América Latina.
De no poder calcular zonas horarias a resolver un problema de 42 años
Ernest Ryu describe con precisión el antes y el después. En 2023 y buena parte de 2024, los modelos fallaban en tareas matemáticas cotidianas: coordinar una reunión entre personas en distintos husos horarios, o dividir gastos compartidos de forma equitativa. No eran problemas abstractos. Eran cálculos del día a día.
El punto de inflexión llegó en el verano de 2025, cuando ChatGPT alcanzó nivel de medalla de oro en la Olimpiada Internacional de Matemáticas, compitiendo contra los mejores estudiantes de secundaria del mundo. Impresionante, pero aún limitado: los problemas olímpicos tienen solución conocida y se resuelven en horas.
Lo verdaderamente significativo vino después. Sebastian Bubeck tomó un problema abierto en teoría de optimización —específicamente, si el algoritmo de gradiente acelerado de Nesterov podía divergir en casos extremos— y trabajó con ChatGPT durante 12 horas distribuidas en tres noches. El resultado: un problema que llevaba 42 años sin respuesta fue resuelto. Bubeck no solo lanzó el prompt y esperó. Actuó como verificador, corrigió errores del modelo y guió la exploración hacia enfoques que él consideraba prometedores. La IA hizo el trabajo pesado; el experto puso el criterio.
Ese modelo de colaboración —humano como director, IA como ejecutor de alta capacidad— es exactamente lo que está empezando a cambiar cómo se hace investigación, ingeniería y análisis en todo el mundo.
Por qué las matemáticas fueron el benchmark ideal (y qué viene después)
Sebastian Bubeck explica algo que vale la pena entender bien: las matemáticas no se convirtieron en el foco de OpenAI por capricho académico. Se convirtieron en el benchmark perfecto por dos razones muy concretas.
Primero, los problemas matemáticos son no ambiguos. Todo el mundo entiende exactamente qué se está preguntando. No hay interpretación subjetiva. Segundo, las respuestas son verificables. Una demostración es correcta o no lo es. No hay zona gris. Eso permite medir el progreso del modelo con una precisión que ningún otro dominio ofrece.
Ahora bien, Ryu señala algo que cambia el alcance de esta conversación: "A menos que seas un matemático profesional intentando inventar nueva matemática, los modelos ya pueden hacer todo el trabajo matemático que necesitas." Eso incluye a físicos, químicos, ingenieros, economistas y analistas que usan matemáticas complejas —ecuaciones diferenciales, geometría diferencial, optimización— pero no están creando nuevas teorías.
En otras palabras, la barrera matemática que frenaba la adopción de IA en ciencias aplicadas prácticamente desapareció. Lo que queda es aprender a usar bien esa capacidad.
Qué significa esto para empresas en Perú y América Latina
El impacto no es solo para laboratorios de investigación. Para una empresa mediana en la región, este cambio tiene implicancias muy concretas en al menos tres áreas:
- Análisis de datos y forecasting: Modelos que antes requerían un científico de datos especializado para construir y validar ahora pueden ser asistidos, revisados o incluso generados en primera instancia por IA. El analista de negocio gana capacidad sin necesidad de contratar un perfil técnico adicional.
- Automatización de procesos con lógica compleja: Muchos flujos de trabajo en ERP, logística o finanzas involucran cálculos no triviales. La capacidad matemática mejorada de los modelos hace que las automatizaciones con IA sean más confiables en escenarios donde antes fallaban.
- Reducción del tiempo en tareas de ingeniería: Equipos de desarrollo que trabajan con algoritmos de optimización, cálculo de rutas, o modelos de predicción pueden usar la IA como un colaborador técnico real, no solo como buscador de documentación.
El punto crítico que destacan Bubeck y Ryu es que la velocidad del cambio superó las predicciones de los propios expertos. En un debate académico realizado 18 meses antes de estos avances, el 80% de los matemáticos presentes consideraba imposible que la IA resolviera problemas de investigación abiertos. Ocho meses después, ya estaba ocurriendo. Eso debería invitar a cualquier líder de empresa a revisar sus supuestos sobre lo que la IA puede o no puede hacer hoy.
¿Cómo aplica esto en tu empresa?
El primer paso no es comprar una herramienta nueva. Es identificar dónde en tus procesos actuales hay cuellos de botella que dependen de cálculo, análisis o lógica matemática. Esos son los puntos donde la nueva capacidad matemática de los modelos puede generar valor inmediato.
El segundo paso es entender el modelo de colaboración correcto. Como demostró Bubeck, la IA no reemplaza al experto: lo amplifica. El profesional sigue siendo necesario para verificar, corregir y dirigir. Pero el tiempo que ese profesional necesita para llegar a un resultado se reduce dramáticamente.
El tercer paso es no esperar a que el mercado te obligue. Las empresas que están integrando estas capacidades hoy están construyendo ventaja competitiva. Las que esperan están dejando que esa ventaja la construya alguien más.
En Consultoría-Ti trabajamos con empresas en Perú y América Latina para identificar exactamente esos puntos de palanca: dónde la IA genera el mayor retorno con el menor riesgo operativo. No vendemos hype. Evaluamos casos reales y construimos soluciones que funcionan en el contexto local.
Conclusión
El salto matemático de la IA no es un logro académico aislado. Es la señal más clara hasta ahora de que los modelos están adquiriendo capacidad de razonamiento estructurado a un nivel que tiene consecuencias reales para la ciencia, la ingeniería y los negocios. Lo que hace dos años era imposible, hoy es rutina. Lo que hoy parece avanzado, en 18 meses probablemente sea estándar.
La pregunta no es si tu empresa debería prestar atención a esto. La pregunta es cuánto tiempo más puede permitirse no hacerlo.
Si quieres explorar cómo estas capacidades aplican a tu operación, conversemos. En Consultoría-Ti podemos ayudarte a trazar un camino concreto.
👉 Contáctanos y agenda una conversación sin compromiso
Fuentes y Referencias
The OpenAI Podcast, Ep. 17 — "What happens now that AI is good at math?" (YouTube)
✨ Contenido generado con ContentFlow — Consultoría-Ti