IA vs Solución Humana
La dicotomía entre la aproximación asistida por IA y la puramente humana es el corazón de esta fascinante historia. Por un lado, tenemos la propuesta de Levent Alpöge, quien utilizó el poder computacional y analítico de Claude, el modelo de IA de Anthropic, para navegar a través de la complejidad de la Hipótesis de Riemann. Su prueba no es un ensayo tradicional en prosa, sino una vastísima estructura lógica codificada en Lean, un asistente de prueba interactivo. Se compone de nada menos que 17 millones de líneas de código Lean. Para ponerlo en perspectiva, si se imprimiera en texto legible para humanos, ocuparía más de 250.000 páginas, un volumen de información que desborda la capacidad de revisión humana convencional en un tiempo razonable.
Alpöge ha descrito esta experiencia con una mezcla de "asombro y pérdida", sugiriendo que la IA "voló, bailó y brilló" cerca de la meta, actuando como un copiloto de una capacidad sin precedentes. La comunidad de Lean, incluyendo expertos como Andrew Sutherland del MIT, ha confirmado que el código de Alpöge compila con éxito, lo que indica su consistencia lógica interna. Scott Aaronson, un reconocido científico de la computación, ha argumentado que la verificación por Lean ofrece un grado de certeza incluso mayor que el de las publicaciones humanas tradicionales, apostando a que la prueba de Alpöge, por su naturaleza formal y verificable, se mantendrá.
En el otro cuadrante, se encuentra la monumental obra de Alessandro Masullo. Durante doce años, Masullo se dedicó a la Hipótesis Generalizada de Riemann, una versión más amplia que abarca las funciones L de Dirichlet, con métodos matemáticos tradicionales y sin ninguna asistencia de inteligencia artificial. Su mentor, Ravi Vakil, enfatizó que fue un esfuerzo "completamente humano, sin IA". Masullo, por su parte, expresó su deseo de que su trabajo sirviera para "alentar a otros matemáticos" a perseguir problemas complejos con la tenacidad y la intuición que solo la mente humana puede ofrecer. La comunidad, aunque asombrada por la velocidad del avance de la IA, ha recibido con calidez y respeto la solución de Masullo, viendo en ella una reafirmación del intelecto humano.
Esta doble revelación ha revivido un debate crucial sobre la creatividad y la intuición matemática. ¿Puede una IA ser realmente creativa? ¿Es la verificación por máquina superior o complementaria a la revisión por pares humana? Terence Tao, un Medallista Fields y uno de los matemáticos vivos más influyentes, había predicho la colaboración IA-humano para 2026, pero admitió no esperar que la Hipótesis de Riemann cayera tan pronto. Veinticinco Medallistas Fields, en una carta abierta reciente, han advertido contra la publicación precipitada de resultados asistidos por IA sin la debida contextualización y verificación, subrayando la necesidad de un equilibrio y una comprensión profunda de ambos enfoques.
Los datos hablan
Los números asociados a este hito son tan impactantes como el propio problema. La Hipótesis de Riemann, nacida en 1859, simboliza un enigma de 167 años de edad, cuya solución se recompensa con un millón de dólares. La magnitud del trabajo asistido por IA es patente en sus 17 millones de líneas de código Lean, que se traducirían en un cuarto de millón de páginas impresas. Por contraste, la solución humana de Masullo es el fruto de doce años de dedicación ininterrumpida.
Más allá de la teoría, el impacto de la IA se siente en la economía real. La adopción generalizada de la IA podría aumentar la productividad de la región de América Latina entre un 1.9% y un 2.3% anualmente, generando entre 1.1 y 1.7 billones de dólares en valor económico adicional cada año. La automatización, un subproducto de la IA, podría desbloquear aproximadamente 450 mil millones de dólares en valor económico anual para 2030 en la región. Actualmente, el mercado de IA en América Latina está valorado en 12.7 mil millones de dólares y proyecta un impresionante crecimiento anual del 28.1%. Sin embargo, a pesar de que la región representa el 14% del tráfico global de IA, superando su 11% de usuarios de internet, solo el 23% de las organizaciones latinoamericanas están generando valor económico real de la IA, y solo el 6% reporta un impacto significativo, dejando a las PYMES particularmente rezagadas, con un 59% reportando valor nulo.
Que significa para Latam
Para América Latina, la noticia de la doble solución a la Hipótesis de Riemann, especialmente la parte asistida por IA, subraya la urgencia y la relevancia de su propia incursión en la inteligencia artificial. Si bien la resolución de un problema matemático tan abstracto parece distante de la vida cotidiana, el método empleado por Alpöge con Claude es un testamento del potencial de la IA para desvelar complejidades que superan la capacidad humana individual. Esto resalta la necesidad de que la región no solo adopte la IA como una herramienta de eficiencia, sino que invierta en investigación y desarrollo de capacidades locales que permitan a sus profesionales y empresas participar en la frontera del conocimiento.
La región muestra un gran interés en la IA, con un tráfico global significativo, pero aún lucha por traducir ese interés en valor económico tangible. Esto se debe, en parte, a la brecha en la adopción estratégica y la madurez de la infraestructura. La capacidad de la IA para abordar problemas de 167 años de antigüedad debería ser un catalizador para que los países latinoamericanos refuercen sus ecosistemas de innovación, fomenten la colaboración entre la academia y la industria, y capaciten a su fuerza laboral en habilidades de IA. La discusión sobre la verificación de pruebas por IA y la ética de su uso también resonará en los crecientes esfuerzos regulatorios de la región. Varios países, como Argentina, Brasil, México, Colombia, Chile y Perú, ya están desarrollando marcos legislativos y estrategias de gobernanza de la IA. Por ejemplo, Perú ya tiene marcos estatutarios vinculantes sobre IA desde enero de 2026 y ha modificado su código penal en relación con la IA desde abril de 2025. Este avance pone de manifiesto una tendencia regional hacia la creación de taxonomías de riesgo, aunque la coordinación regional y la adaptación de las directrices internacionales al contexto local siguen siendo desafíos significativos. El desarrollo de la IA en la región no solo debe buscar la eficiencia económica, sino también la construcción de una infraestructura ética y reguladora que permita cosechar los beneficios de estos avances globales de manera responsable.