Preguntando a Claude

Hice estas preguntas a Claude: ¿Cuál es tu previsión de la realidad actual de las matemáticas con la IA? ¿Cuál será el futuro de los matemáticos? ¿Y de la disciplina? ¿Seremos capaces de utilizar la IA adecuadamente trabajando mano a mano con ella y no usarla indiscriminadamente? ¿Y como está influyendo en los estudiantes de doctorado de matemáticas? ¿Habría que cambiar los curricula de la educación secundaria y de las universidades? ¿Qué deberíamos hacer en ese sentido? y a continuación transcribo sus respuestas sin. cambiar una coma.

Dónde estamos

En 2026 se ha cruzado un umbral: la IA ya produce resultados de investigación que la comunidad considera interesantes por sí mismos.
• Erdős 90 (mayo de 2026). Un modelo interno de OpenAI encontró un contraejemplo a la conjetura de Erdős de 1946 sobre distancias unitarias en el plano. Daniel Litt lo describió como el primer resultado producido de forma autónoma por una IA que le parece interesante en sí mismo, y Gowers dijo que habría recomendado publicarlo en Annals of Mathematics sin dudarlo.
• Aficionados con IA. Un joven de 23 años sin formación avanzada resolvió con un modelo un problema de Erdős abierto durante sesenta años; Tao y otros lo revisaron y formalizaron.
• Percepción de los expertos. Noga Alon afirma que estos modelos están cambiando drásticamente la forma de hacer investigación matemática.
Hay dos matices importantes. Los éxitos se concentran en enunciados cortos y combinatorios con muchos caminos que explorar, donde la máquina conecta ideas lejanas y sigue muchas líneas especulativas. Y en varios casos algunos expertos señalaron que la solución no difería mucho de trabajos humanos previos.
Lo que sigue sin estar claro es la capacidad de crear teoría: inventar los conceptos adecuados (las formas diferenciales de Cartan, los esquemas de Grothendieck) o decidir qué preguntas merecen la pena. Esa frontera se moverá, pero más despacio que la de resolver problemas.

El futuro de los matemáticos y de la disciplina

El oficio cambia de centro de gravedad: de producir demostraciones a decidir qué se demuestra y por qué. Pavel Etingof, del MIT, reconoce que la misión de «demostrar nuevos teoremas» ya no definirá a sus estudiantes.
Lo que gana valor:
• Elegir qué preguntas importan. Con demostradores baratos, el cuello de botella es el buen gusto matemático.
• Construir marcos conceptuales. Decidir que la mecánica disipativa se entiende mejor en geometría de contacto, o que los medios continuos piden grupoides, es crear el lenguaje, no resolver un enunciado.
• Verificar, entender y explicar. Una demostración que nadie entiende vale poco; crecerán la formalización (Lean) y el oficio de digerir resultados de máquina.
• Conectar disciplinas.
Para la disciplina veo una paradoja: puede vivir una edad de oro en volumen de resultados y, a la vez, una crisis de sentido. Jon Keating señala que los departamentos se preguntan no solo qué enseñar, sino para qué existen, y plantea quién recibe el crédito y qué es realmente importante. Si la comunidad no fija normas (declaración del uso de IA, atribución, revisión de resultados de máquina), las fijarán las empresas.


¿Sabremos usarla bien?

Sí, pero no de forma espontánea. El riesgo no es que la IA haga matemáticas, sino que dejemos de entenderlas.
La distinción clave es la de Glickenstein: la delegación cognitiva es prematura cuando el estudiante cede a la IA trabajo intelectual esencial antes de saber entender, evaluar o reproducir por sí mismo el resultado; es productiva cuando ya domina lo que delega.
Trabajar mano a mano con la IA exige saber lo suficiente para detectar cuándo se equivoca; si no, es fe y no colaboración. En la práctica es excelente como revisor incansable, buscador de bibliografía y generador de contraejemplos, pero todo lo que produce debe leerse críticamente.

Los estudiantes de doctorado

Es el colectivo más afectado. En el MIT, doctorandos de matemáticas se replantean su carrera y convocaron una asamblea: «somos los que saldremos al mercado laboral en un par de años». Terence Tao pide reevaluar con urgencia el posgrado, porque los problemas de formación ya pueden resolverse con ayuda de IA.
El problema de fondo: la tesis clásica era a la vez aprendizaje y credencial, y la IA rompe ese vínculo. Propuestas:
• Dos modos de formación explícitos: una fase sin IA para la musculatura técnica y otra con IA para aprender a dirigirla.
• Defensas centradas en la comprensión: reconstruir y defender cada paso en la pizarra, sin pantalla.
• Tesis que valoren el marco y no solo el teorema: elección del problema, teoría construida, formalización, conexiones.
• Transparencia obligatoria sobre qué hizo la IA en cada tesis y artículo.

Los currículos

Hay que cambiarlos con un criterio contraintuitivo: más fundamentos, no menos. Recortar cálculo y demostración porque «la máquina lo hace» sería como dejar de enseñar a escribir porque existen los correctores. El documento colectivo Shaping the Future of Mathematics in the Age of AI sitúa el valor de la educación en entender qué tareas hacer y por qué, y en cultivar el juicio; y pide que los estudiantes tengan voz.
Secundaria
• Mantener el cálculo mental y algebraico básico: sin él no hay intuición.
• Más peso a la demostración y la argumentación; menos ejercicio mecánico.
• Enseñar a verificar: casos particulares, contraejemplos, órdenes de magnitud.
• Estudiar la IA como objeto, no solo como herramienta: qué es un modelo de lenguaje y por qué alucina.
• Rediseñar la evaluación: más en el aula, oral y por proyectos.
• Usar programas como ESTALMAT como laboratorio para ensayar formatos de matemáticas con IA antes de llevarlos al sistema general.
Universidad
• Formalización (Lean u otros asistentes de prueba) dentro del grado.
• Un curso sobre los fundamentos matemáticos de la IA: geometría, probabilidad, optimización.
• Evaluación basada en la comprensión: exámenes orales, defensa de soluciones, juzgar si una demostración generada por IA es correcta.
• Formación en ética y normas profesionales: autoría, transparencia, reproducibilidad.

Qué podemos hacer

Las sociedades matemáticas y las academias tienen ahora un papel que no han tenido en décadas: fijar normas de transparencia, atribución y revisión antes de que lo hagan otros. Desde la Real Academia y la RSME podría impulsarse un documento de posición en España con tres partes:
1. Normas de uso de la IA en investigación y tesis doctorales.
2. Propuestas curriculares para secundaria y grado.
3. Un plan de formación del profesorado, el eslabón más débil y más urgente.

Conclusión.

Las matemáticas no van a desaparecer, pero el matemático del futuro se parecerá menos a un artesano de demostraciones y más a un arquitecto: alguien que decide qué se construye, por qué y cómo encaja en el conjunto. Que la transición sea sana o traumática depende de lo que hagamos en los próximos dos o tres años, sobre todo con los doctorandos actuales.

Fuentes

• An AI solution to an 80-year-old problem has shocked mathematicians (AIhub, junio de 2026)
• Why the Legendary Erdős Problems Are Falling to AI (Quanta, agosto de 2026)
• Artificial intelligence helps solve mathematical problems that have remained open for decades (Hayadan)
• AI technology has solved an Erdős problem (The New York Times, vía The Nightly)
• What’s the point of MIT? OpenAI’s math proofs have thrown students and researchers into chaos (The Boston Globe, octubre de 2026)
• Math graduate education needs to be urgently rethought because of AI: Terence Tao (OfficeChai)
• Training Mathematicians in the Age of AI (Glickenstein, arXiv:2609.28140, septiembre de 2026)
• Shaping the Future of Mathematics in the Age of AI (arXiv:2603.24914)
• Mathematics needs a sober reckoning with AI (Jon Keating, Times Higher Education, septiembre de 2026)

_________

Manuel de León y Claude

Compartir:

Deja un comentario