OpenAI jugó sucio en un problema matemático que define carreras, dice matemático de NYU

El profesor de matemáticas de la Universidad de Nueva York Tristan Buckmaster anunció el martes tres pruebas, entre ellas un resultado preliminar sobre uno de los grandes problemas abiertos de la matemática teórica. Los hallazgos, hechos en colaboración con Levent Alpöge, matemático de Anthropic, y usando tanto Codex como modelos Claude, son relevantes por sí mismos. Pero llegaron acompañados de una controversia poco habitual sobre los intentos de OpenAI de resolver el mismo problema.

«Hay otra parte de esta historia», escribió Buckmaster en la declaración con la que anunció las pruebas, «y una que, honestamente, desearía mucho no tener que atender».

¿Qué acusa exactamente el matemático de NYU?

Mientras Buckmaster y Alpöge finalizaban sus resultados, supieron que «información sobre nuestro progreso había sido transmitida a OpenAI». Al contactar a la empresa, les respondieron que OpenAI ya había alcanzado una prueba completa del problema central. Pero cuando preguntaron cuándo había comenzado esa investigación y cuánto aporte humano había involucrado, las respuestas se volvieron evasivas.

«Surgió que un equipo entero había estado trabajando en el problema», dice Buckmaster, «y que se había usado una cantidad demencial de cómputo. Finalmente, se acordó que el primer prompt se había enviado en los últimos días, después de que la información sobre nuestro trabajo llegara a OpenAI».

Si es correcto, eso sugiere que el equipo de OpenAI se convenció de que el enfoque de Buckmaster y Alpöge era el correcto, y decidió usar su ventaja material en recursos de cómputo para llegar primero a una prueba formal.

Sebastian Bubeck, que lidera la investigación matemática de OpenAI, afirma que esas acusaciones son «falsas e inflamatorias». «Para aclarar, entré en la discusión siguiendo las normas académicas, y estoy decepcionado de que se haya llegado a esto», escribió tras la declaración de Buckmaster, anticipando una respuesta más completa.

¿Por qué importa el problema de Navier-Stokes?

La disputa gira en torno al problema de «existencia y suavidad de Navier-Stokes», uno de los siete Problemas del Milenio, cada uno con una recompensa de US$1 millón del Clay Mathematics Institute para quien entregue primero una solución. Las ecuaciones de Navier-Stokes se usan ampliamente en mecánica de fluidos, pero se comprenden mal en términos teóricos.

Aunque el problema es perseguido por muchos matemáticos, la táctica específica que tomaron Buckmaster y su colaborador es mucho menos común. Por eso a Buckmaster le resultó sospechoso que OpenAI terminara adoptando el mismo enfoque al mismo tiempo. «Casi nadie más que yo conozca estaba trabajando en eso», escribió. «No es la dirección a la que uno llega en pocos días dándole a un modelo el enunciado del problema».

Alpöge trabaja en Anthropic, pero no realizaba esta investigación en nombre de la empresa. Aun así, su afiliación a un laboratorio rival parece haber sido un punto sensible para OpenAI: Buckmaster alega que Bubeck le pidió quitar el crédito de Alpöge como parte de un compromiso propuesto. Cuando Buckmaster presionó para hacer pública la disputa, dice que Bubeck respondió: «¿Por qué arruinarías tu carrera?». Y luego: «Si no quieres que sea amable, entonces no tengo por qué serlo».

¿Puede tu proveedor de IA usar tu trabajo privado?

Esta es la parte que trasciende la matemática. Buckmaster también planteó que, como usó Codex extensamente para armar el proyecto, información de su trabajo podría haber alimentado los esfuerzos de OpenAI. OpenAI se reserva el derecho de entrenar modelos con las interacciones de Codex, aunque los usuarios pueden optar por salir de ese uso. Si el equipo de OpenAI usó un modelo entrenado con las interacciones de Buckmaster, es plausible que pudiera haber reproducido su trabajo frente a un problema similar. OpenAI no respondió a la consulta sobre esa posibilidad.

El propio Buckmaster es cuidadoso con el alcance de lo que afirma: «No he visto la prueba de OpenAI. No sé qué hizo su modelo, ni cómo. No sé si nuestros datos fueron usados. No estoy acusando a nadie de nada. Estoy declarando qué me dijeron, cuándo, y qué se me propuso».

Análisis de Revenue Hub

Para un líder comercial en Chile y Latinoamérica, el drama matemático es lo menos interesante de esta historia. Lo relevante es la pregunta que queda instalada: cuando tu equipo carga a una herramienta de IA cerrada un pricing en construcción, una lista de cuentas objetivo, el guion de una negociación o la arquitectura de tu propuesta de valor, ¿qué gobierna ese dato? La respuesta honesta hoy es que lo gobierna la configuración que nadie revisó al momento de activar la licencia.

La distinción práctica es entre planes de consumo y planes empresariales. Los contratos enterprise de los proveedores serios excluyen el entrenamiento con datos del cliente por defecto; las cuentas individuales y de equipo, en varios casos, no lo hacen salvo que alguien active el opt-out. En la mayoría de las empresas medianas de la región conviven ambas cosas: un contrato corporativo firmado por TI y una decena de suscripciones personales pagadas con tarjeta del gerente. El riesgo no está en la tecnología, está en esa brecha administrativa.

La decisión concreta que este caso obliga a tomar no es dejar de usar IA, sería absurdo. Es hacer un inventario de qué herramientas de IA están efectivamente en uso en tu operación comercial, bajo qué plan, y con qué configuración de datos. Es un ejercicio de dos semanas que evita una conversación mucho peor con tu área legal o con un cliente. Si quieres profundizar en cómo se ordena el dato comercial antes de automatizarlo, revisa nuestras noticias de CRM y datos y el blog de Revenue Hub.