Durante siglos, los descubrimientos científicos han tenido un protagonista claramente definido: las personas que formulan una hipótesis, desarrollan una metodología y construyen una demostración que puede ser revisada por otros investigadores.
La llegada de la inteligencia artificial está introduciendo un nuevo elemento en ese proceso. Los modelos actuales pueden ayudar a explorar hipótesis, encontrar patrones, proponer alternativas o acelerar tareas que antes requerían mucho más tiempo. Pero también plantean una cuestión que todavía estamos empezando a resolver: ¿cómo se reconoce la aportación humana cuando parte del camino hacia un descubrimiento se construye junto a una inteligencia artificial?
Esta pregunta dejó de ser una reflexión teórica en 2026, cuando una investigación relacionada con uno de los problemas matemáticos más complejos del mundo volvió a situar la IA en el centro del debate científico.
El caso alrededor de las ecuaciones de Navier–Stokes reúne varias de las cuestiones que marcarán la próxima etapa de la investigación asistida por inteligencia artificial: la colaboración entre investigadores y modelos, la gestión del conocimiento compartido y la necesidad de definir cómo se atribuyen las ideas cuando intervienen herramientas capaces de generar nuevas propuestas.
El interés de esta historia no está únicamente en el resultado matemático. También está en lo que representa para universidades, centros de investigación y empresas tecnológicas que empiezan a integrar inteligencia artificial dentro de sus procesos de innovación.
Para entender el debate, primero hay que comprender el problema que estaba en juego.
Navier–Stokes: una de las grandes preguntas de las matemáticas
Las ecuaciones de Navier–Stokes describen cómo se comportan los fluidos. Estas expresiones matemáticas permiten modelar fenómenos tan diferentes como el movimiento del agua, la circulación atmosférica o determinados procesos utilizados en ingeniería. Sin embargo, contienen una de las grandes preguntas abiertas de las matemáticas modernas.
Los investigadores llevan décadas intentando determinar si las soluciones tridimensionales de estas ecuaciones permanecen siempre regulares o si, bajo determinadas condiciones, pueden desarrollar una singularidad: un punto en el que alguna magnitud matemática crece sin límite en un tiempo determinado.
Por la dificultad del problema, el Instituto Clay lo incluyó dentro de los siete Problemas del Milenio, una selección de grandes desafíos matemáticos cuyo estudio representa algunos de los mayores retos de la disciplina. La propia organización describe el problema de Navier–Stokes como una cuestión fundamental para comprender la existencia y suavidad de las soluciones de estas ecuaciones.
La investigación alrededor de este problema llevaba años avanzando desde diferentes enfoques matemáticos. En este contexto trabajaban Tristan Buckmaster y Levent Alpöge, dos investigadores que exploraban nuevas vías utilizando también herramientas basadas en inteligencia artificial como Claude y Codex.
El objetivo no era sustituir el razonamiento matemático humano, sino utilizar estos sistemas como apoyo para explorar ideas, comprobar pasos intermedios y acelerar determinadas tareas dentro del proceso de investigación.
Según explicó Buckmaster en su relato sobre el trabajo realizado, el equipo había avanzado inicialmente en problemas relacionados con las ecuaciones de Boussinesq y Euler con fuerza externa. Posteriormente utilizaron Lean, un sistema de comprobación formal que permite expresar demostraciones matemáticas mediante un lenguaje lógico y verificar que cada paso cumple las reglas establecidas.
La utilización de herramientas como Lean, una plataforma de verificación formal ampliamente utilizada en investigación matemática, resulta especialmente relevante porque introduce una diferencia importante frente a otros usos de la IA: el objetivo no es únicamente obtener una respuesta, sino comprobar formalmente que un razonamiento es válido. Aun así, encontrar un resultado no significa haber completado un descubrimiento científico.
Una demostración matemática necesita ser comprendida, explicada y revisada por otros especialistas antes de incorporarse al conocimiento aceptado por la comunidad científica. En ese proceso aparece una de las preguntas más interesantes que introduce la inteligencia artificial: si una herramienta ayuda a encontrar un camino hacia una solución, ¿cómo se diferencia la contribución del sistema de la aportación intelectual de las personas que dirigieron la investigación?
Cuando la herramienta utilizada también investiga el mismo problema
Mientras este trabajo avanzaba, OpenAI inició su propia investigación relacionada con Navier–Stokes. Según la cronología publicada por la compañía, el proceso comenzó después de conocer posibles avances relacionados con el problema y tras evaluar diferentes grandes retos matemáticos antes de centrar sus esfuerzos en esta cuestión.
La situación introdujo una circunstancia especialmente relevante: la misma empresa que desarrolla una herramienta utilizada por investigadores también estaba trabajando sobre el mismo desafío científico.
Buckmaster conoció estos avances durante conversaciones con la compañía y planteó dudas sobre el posible acceso a borradores introducidos en Codex y sobre cómo se reconocería la participación de las personas que habían desarrollado las ideas iniciales.
En su relato sobre la investigación, Buckmaster explica su perspectiva sobre el proceso y las cuestiones que surgieron alrededor de los borradores compartidos durante el trabajo.
Es importante separar las preguntas abiertas de las conclusiones demostradas. Que una compañía desarrolle una herramienta utilizada por investigadores y, al mismo tiempo, investigue un problema relacionado no demuestra por sí mismo que haya existido una transferencia indebida de información.
El debate es más amplio: qué garantías necesitan investigadores y empresas cuando comparten conocimiento todavía no publicado con sistemas de inteligencia artificial.
La propuesta presentada posteriormente por OpenAI incluía una formalización en Lean y planteaba un caso relacionado con las ecuaciones de Navier–Stokes en el que una solución puede desarrollar un crecimiento ilimitado de la velocidad en tiempo finito bajo determinadas condiciones matemáticas, manteniendo la energía acotada.
El resultado debe interpretarse dentro del ámbito matemático. Describe un comportamiento posible de las ecuaciones, pero no implica que un fluido real pueda alcanzar una velocidad infinita.
Tras las dudas planteadas sobre los borradores, OpenAI publicó una actualización explicando que una investigación interna había descartado la influencia de conversaciones privadas de Buckmaster en Codex durante los meses anteriores. La compañía presentó esa conclusión como resultado de sus propios análisis, aunque no corresponde a una auditoría externa independiente.
La explicación completa del proceso se recoge en la cronología publicada por OpenAI sobre la investigación de Navier–Stokes.
Posteriormente, el Instituto Clay recogió el anuncio y señaló la importancia de que el trabajo fuera evaluado mediante los procesos habituales de revisión científica.
Más allá del resultado concreto, el episodio dejó una pregunta que irá ganando importancia a medida que la inteligencia artificial forme parte de más procesos de investigación:
¿Qué ocurre realmente cuando compartimos una idea todavía no publicada con una inteligencia artificial?
La inteligencia artificial como nuevo colaborador científico
El caso de Navier–Stokes refleja un cambio más amplio en la forma de investigar.
Durante mucho tiempo, las herramientas tecnológicas utilizadas por científicos tenían una función principalmente instrumental: permitían realizar cálculos más rápidos, analizar mayores cantidades de datos o representar fenómenos complejos.
Los sistemas actuales de inteligencia artificial introducen una diferencia importante. No solo ejecutan instrucciones, sino que pueden participar en determinadas fases del proceso creativo: sugerir aproximaciones, detectar relaciones difíciles de identificar o plantear alternativas que después deben ser analizadas por personas. Eso no significa que la inteligencia artificial sustituya la contribución humana.
La elección del problema, la interpretación de resultados, la capacidad para evaluar si una solución tiene sentido y la responsabilidad final sobre una investigación continúan dependiendo de los investigadores. Sin embargo, sí cambia la forma en la que se construye conocimiento.
La colaboración entre humanos y sistemas inteligentes obliga a pensar en nuevos modelos de documentación y trazabilidad: saber qué ideas surgieron de una persona, cuáles fueron propuestas por una herramienta y qué decisiones se tomaron durante el proceso.
Un debate que llegará a empresas y equipos de innovación
Aunque este caso pertenece al ámbito matemático, las preguntas que plantea afectan también al mundo empresarial.
Las compañías utilizan inteligencia artificial para desarrollar software, diseñar productos, analizar datos o investigar nuevas soluciones técnicas. En todos esos escenarios aparece una cuestión similar: cómo gestionar el conocimiento que se genera cuando una persona trabaja junto a un sistema capaz de producir nuevas propuestas.
La próxima etapa de la inteligencia artificial no estará marcada únicamente por la capacidad de generar respuestas, sino por la forma en la que las organizaciones aprenden a integrar esas herramientas dentro de sus procesos. Será necesario establecer criterios sobre documentación, revisión, protección de información y responsabilidad.
El caso Navier–Stokes muestra que la IA puede convertirse en un acelerador de la investigación, pero también que cada avance tecnológico abre nuevas preguntas sobre cómo compartimos y gestionamos el conocimiento.
Y precisamente ahí aparece el siguiente gran debate.
Cuando una persona comparte una idea, una investigación o un conocimiento propio con una inteligencia artificial, ¿a quién pertenece realmente esa información?
En el próximo artículo analizaremos una de las cuestiones más relevantes de esta nueva etapa: la relación entre inteligencia artificial, propiedad del conocimiento y los datos que las organizaciones comparten con estos sistemas.
Redacción ITO · International Technological Observatory