Los modelos de IA avanzan en matemáticas de frontera y diagnóstico clínico experto

Durante más de 150 años, la hipótesis de Riemann resistió a los mejores matemáticos del mundo. El problema —que describe la distribución de los números primos y tiene implicaciones directas en criptografía y teoría de números— es uno de los siete «Problemas del Milenio» con un millón de dólares de premio para quien lo resuelva. Un modelo no publicado de Anthropic hizo más progreso en esa dirección de lo que se esperaba públicamente. Al mismo tiempo, Google presentó la versión más avanzada de AMIE, su sistema para consultas clínicas, capaz de realizar diagnósticos en audio y video a nivel de médico experto. Esto no es marketing de benchmarks ni otro leaderboard sintético. Es el mismo patrón que lleva semanas acumulándose: los modelos de IA están operando en la frontera de la investigación científica real, no asistiendo en tareas periféricas.

El arco de la semana: dos dominios, el mismo salto

El caso matemático es el más extremo del par. La hipótesis de Riemann no se resuelve acumulando papers ni optimizando búsquedas en literatura existente: demanda intuición matemática profunda y saltos conceptuales que ningún sistema algorítmico había alcanzado antes. Que un modelo de Anthropic todavía no disponible públicamente haya avanzado en esa dirección —la compañía no lo describe como una solución, sino como progreso inesperado— desplaza el debate sobre capacidades hacia terreno genuinamente nuevo. El modelo no consultó la respuesta en ningún corpus: no existe ninguna respuesta para consultar.

El caso médico es diferente en naturaleza pero simétrico en implicación. AMIE de Google ya no procesa texto clínico: es un sistema que ve al paciente, escucha, interpreta señales multimodales, y responde en tiempo real con nivel de consulta experta. La distancia entre «procesar texto médico» y «conducir una consulta clínica de audio y video» no es incremental. Es un salto de modalidad completo, con implicaciones distintas para el sistema de salud, la formación médica, y el acceso a diagnóstico.

El análisis de MIT Technology Review sobre la IA en ciencia aporta el encuadre estructural que conecta ambos casos: la IA útil en investigación no es la que acumula datos, sino la que razona sobre ellos. Los modelos que muestran capacidades en Riemann y en medicina no son bases de datos más grandes —son razonadores más fuertes.

La lente «qué tendría que ser cierto»: ciencia y estructura de poder

Hay una pregunta que la narrativa de capacidades rara vez hace explícita: si los modelos de IA avanzan en matemáticas de frontera y diagnostican con nivel experto, ¿quién controla el acceso a esas capacidades?

La respuesta hoy es clara: los labs. Anthropic tiene un modelo que avanzó en Riemann y todavía no lo liberó. Google tiene AMIE y define cuándo, cómo, y a qué precio llega a los sistemas de salud. No es un argumento en contra de la IA en ciencia —es un argumento sobre estructura de poder en la producción del conocimiento científico.

La analogía histórica es la de las editoriales académicas: durante décadas, controlaron la distribución del conocimiento generado con fondos públicos. El modelo de IA en ciencia se parece más al control de la producción que al de la distribución. Quien tiene el modelo que hace el descubrimiento —y decide cuándo publicarlo, con qué condiciones, y a qué escala de acceso— tiene un poder institucional que las universidades y los organismos de ciencia no tienen precedente para negociar.

Quién gana y quién pierde en la ciencia IA

Los ganadores inmediatos son las instituciones de investigación con acceso privilegiado a estos modelos: universidades con contratos de investigación con Anthropic o Google, gobiernos con acuerdos de colaboración, y empresas farmacéuticas o de materiales avanzados con recursos para pagar el acceso. El resultado práctico es que la brecha entre investigación de frontera en el Norte Global y en LATAM y el Sur Global —ya enorme estructuralmente— va a ensancharse si el acceso a los modelos que producen descubrimientos sigue siendo privado y costoso.

Los perdedores de mediano plazo son los investigadores que compiten exactamente en los dominios que la IA está empezando a dominar. Un modelo que avanza en matemáticas de frontera no reemplaza a todos los matemáticos, pero sí reemplaza la razón de ser de quienes trabajan en esa dirección específica con metodologías convencionales. El incentivo para dedicar una carrera a ciertos problemas cambia cuando un modelo puede recorrer ese mismo camino en semanas.

La predicción falsable

La tesis concreta es esta: antes de que termine 2026, al menos un resultado publicado en una revista científica de primer nivel —Nature, Science, o equivalente revisada por pares— va a acreditar a un modelo de IA como autor o coautor principal, no como herramienta auxiliar. Ese momento va a forzar a las instituciones académicas a redefinir formalmente qué constituye autoría científica.

Si eso no ocurre, la IA en ciencia seguirá siendo una herramienta poderosa pero subordinada al investigador humano, y la estructura de poder en la producción del conocimiento no cambia fundamentalmente en el corto plazo.

Para un decisor en LATAM o España: la pregunta práctica no es si la IA va a transformar la ciencia —ya está sucediendo— sino si su organización va a tener acceso a los modelos que produzcan esos cambios cuando escalen. La ventana para negociar esos accesos antes de que se vuelvan escasos o prohibitivos está abierta hoy. No lo estará indefinidamente.