¿Quién posee las matemáticas cuando una IA las demuestra? OpenAI enfrenta una nueva crisis de autoría

La prueba está en el prompt

Dos matemáticos. Diez resultados. Una compañía que se niega a decir de dónde sacó las ideas.

El reciente anuncio de OpenAI sobre diez demostraciones matemáticas buscaba mostrar el creciente poder de la IA en el razonamiento formal. En cambio, se convirtió en el último punto de ignición en una disputa que profundiza más allá de cualquier controversia sobre extracción de datos anterior —porque las matemáticas, a diferencia del texto o el código, cuentan con una infraestructura de autoría, prioridad y atribución que tiene siglos de antigüedad. Cuando un modelo de IA produce una demostración, la pregunta ya no es solo quién lo entrenó. Es quién posee el pensamiento detrás de ella.

La primera grieta apareció cuando Tristan Buckmaster, profesor de matemáticas en la Universidad de Nueva York, cuestionó públicamente si Codex de OpenAI se había beneficiado de sus propias interacciones con el sistema. La preocupación de Buckmaster era directa: había usado Codex como herramienta de investigación, compartiendo ideas incipientes en conversaciones que nunca estuvieron destinadas a formar parte de un corpus de entrenamiento. Si esos intercambios moldearon los resultados del modelo, entonces OpenAI estaba convirtiendo trabajo intelectual privado en capacidad propietaria —una dinámica que refleja los debates sobre código y literatura, pero con una diferencia crucial. Las ideas matemáticas no pertenecen a individuos de la misma manera que lo hace un poema. Pertenecen a una comunidad que rastrea la autoría a través de publicaciones, citas y revisión por pares. Romper ese vínculo no solo plantea preguntas sobre derechos de autor. Plantea preguntas epistémicas.

Luego llegó Andreas Thom.

Thom, un matemático con base en Europa, notó que uno de los diez resultados de OpenAI concernía a grupos no soficos —un dominio en el que él y su colega Gábor Kun han trabajado durante años. Los grupos no sofos son estructuras matemáticas infinitas que resisten la aproximación mediante objetos finitos, una definición engañosamente simple que oculta uno de los problemas más tenaces del álgebra moderna. La conexión no fue casual. Thom observó que el resultado de OpenAI demostraba un nivel de familiaridad con las técnicas suyas y de Kun que resultaba demasiado preciso para ser coincidencia, especialmente porque esas técnicas no eran ni las más evidentes ni las más prometedoras hacia una solución en aquel momento.

Lo que más alarmó a Thom no fue que una IA pudiera producir una demostración correcta. Era que la demostración parecía llevar las huellas dactilares de su investigación inédita —ideas que aún no habían entrado en el registro público, ideas de las cuales OpenAI no tenía acceso legítimo a través de canales convencionales.

La comunidad matemática no se rige por las reglas de la tecnología

Hay una razón por la cual esta disputa importa más que la típica controversia de datos de IA. En informática, un conjunto de datos puede ser extraído, redistribuido y debatido en los tribunales. En humanidades, las doctrinas de uso justo ofrecen algún marco. Las matemáticas operan bajo un régimen completamente diferente. La prioridad importa más que la propiedad. Una demostración se publica, se cita y se atribuye. Si alguien llega al mismo resultado de forma independiente, ambos reciben crédito. Si uno llega primero, los derechos de nominación son innegociables.

Este sistema asume que las ideas se vuelven públicas a través de la publicación. No asume que las ideas puedan extraerse de conversaciones privadas, registros de entrenamiento o pesos del modelo. El comportamiento de OpenAI —anunciar resultados construidos sobre trabajo inédito y luego corregir silenciosamente su escrito tras las críticas— sugiereeither una ignorancia profunda de cómo funciona la matemática o una estrategia deliberada de probar cuánto puede omitirse de atribución antes de que la resistencia fuerce una corrección.

Ninguna interpretación es halagadora.

La propia enmienda es reveladora. OpenAI originalmente no reconoció las contribuciones de Thom y Kun en su anuncio. Solo tras las críticas de la comunidad matemática revisó discretamente el texto. Este no es el patrón de una compañía segura de su transparencia. Es el patrón de una compañía que sabía que había cruzado una línea y prefirió arreglarlo de forma invisible en lugar de abordarlo abiertamente.

La verdadera pregunta: ¿qué significa “entrenado en”?

El núcleo de la disputa no es si OpenAI puede demostrar que no usó el trabajo de Thom y Kun. Es si OpenAI puede demostrar que sí. Los modelos de la compañía se entrenan con billones de tokens. No existe una forma práctica de auditar qué ideas específicas surgieron en cuáles conversaciones específicas. La carga de la prueba, en este caso, no debería recaer enteramente sobre los acusadores. Cuando una compañía lanza un producto que reclama capacidad revolucionaria y se beneficia de un proceso de entrenamiento opaco, tiene la obligación de demostrar que la capacidad no surgió de trabajo no compensado y no atribuido.

En cambio, OpenAI ha ofrecido silencio y correcciones. Esa es una respuesta evasiva. También es, desafortunadamente, un patrón.

La implicación se extiende mucho más allá de las matemáticas. Si las ideas inéditas de una comunidad de investigación pueden absorberse en un modelo de vanguardia sin reconocimiento, entonces la frontera entre herramienta y extractora se desvanece. Los matemáticos usan herramientas de IA. Las herramientas de IA aprenden de los matemáticos. La línea entre ambos es más fina de lo que nadie en OpenAI parece dispuesto a admitir.

Quién gana, quién pierde y qué viene después

Thom y Buckmaster han impuesto una conversación que OpenAI habría preferido evitar. Han expuesto la brecha entre las afirmaciones públicas de apertura de la compañía y sus prácticas reales en torno a la atribución. La comunidad matemática, que históricamente ha sido lenta para involucrarse en cuestiones de autoría de IA, ha respondido con velocidad y unanimidad inusuales. Esa respuesta importa. Señala que el campo está atando y que no se conforma con garantías vagas.

OpenAI, por su parte, no gana nada de esta disputa más que un registro de enmiendas defensivas. La credibilidad de la compañía entre los investigadores —ya frágil— recibe otro golpe. Sus competidores, particularmente aquellos que se posicionan en torno a la transparencia, tienen una abertura clara.

Lo que suceda después dependerá de si OpenAI y otros laboratorios eligen tratar la atribución como un problema de cumplimiento o como un principio de diseño. Si optan por lo primero, veremos más enmiendas silenciosas, más maniobras legales y más investigadores optando por mantener sus ideas fuera de línea. Si optan por lo segundo, podríamos ver un cambio genuino hacia la divulgación transparente de datos de entrenamiento, tarjetas de modelo que citen contribuciones fuente y mecanismos de distribución de ingresos para comunidades cuyo trabajo moldea modelos de vanguardia.

Ningún desenlace está garantizado. Pero los matemáticos han trazado una línea. La pregunta es si las compañías la respetarán.