Veinticinco ganadores de la medalla Fields —el máximo reconocimiento de las matemáticas— publicaron el 11 de septiembre una declaración conjunta en la que acusan a la industria de IA de un desalineamiento "severo" con los objetivos de su disciplina. El texto lo difundió Terence Tao en su blog y ya circula en una página abierta a más firmas.
El reclamo no es que los modelos se equivoquen. Es lo contrario: que ya son buenos.
Qué pasó
La declaración parte de un hecho que los firmantes dan por sentado: en los últimos meses la capacidad matemática de los LLM mejoró tanto que hoy pueden resolver "problemas abiertos importantes en muchos campos de las matemáticas". El problema es para qué se usa eso.
Los laboratorios de IA tratan los problemas famosos como benchmarks que hay que conquistar, y anuncian las soluciones a la velocidad del ciclo de prensa. Los firmantes sostienen que esa carrera daña la ciencia y a la comunidad que la sostiene, porque el valor histórico de resolver un problema abierto nunca estuvo en el enunciado "verdadero/falso", sino en las ideas nuevas que hicieron falta para llegar ahí.
"Resolver problemas es solo una herramienta y un proxy para alcanzar el objetivo primario: la comprensión conceptual y la intuición." — Declaración de los 25 medallistas Fields, 11 de septiembre de 2026
Ese proceso —charlas, discusiones, simplificaciones, años de digerir un método hasta que cabe en un libro de texto— es el que, según ellos, la producción masiva de respuestas cortocircuita. La frase más dura del documento: inundar el campo de resultados a velocidad de máquina puede "destruir tierra fértil en lugar de dar vida a ideas nuevas".
Hay un segundo frente, más incómodo y más legal: las soluciones generadas por IA se publican con prisa, sin un writeup decente, sin aislar los métodos nuevos y sin citar el trabajo previo de otros. Eso, dicen, abre "problemas severos de atribución y plagio".
Por qué importa
Esto no es un pleito de matemáticos. Es el primer caso en que un gremio entero, con las máximas credenciales técnicas posibles, describe con precisión la ley de Goodhart aplicada a la IA: cuando una métrica se convierte en objetivo, deja de medir lo que medía.
Los firmantes lo dicen explícitamente: ven su situación como un síntoma de una amenaza general al trabajo intelectual, donde años de entrenamiento servían no solo para producir un resultado, sino para desarrollar la capacidad de formular preguntas nuevas. Si el resultado se automatiza y la formación no, el gremio se queda sin relevo.
En seguridad la analogía es directa y ya la vivimos. Un modelo que "resuelve" un CTF, cierra un ticket de SOC o autogenera una regla de detección optimiza una métrica —tiempo de cierre, cobertura, pass rate en un benchmark— que es un proxy de algo que sí importa: entender la cadena de ataque. El analista que solo aprueba lo que el agente propuso no está desarrollando el criterio con el que dentro de tres años tendrá que juzgar un incidente que ningún modelo vio antes. El riesgo no es el falso positivo; es la atrofia del juicio.
La palabra que eligieron los matemáticos es la misma que usa la industria de IA para hablar de sus modelos: misalignment. Y el señalamiento es que el desalineado aquí no es el modelo, es el incentivo del que lo entrena.
El detalle
La declaración se armó en cuestión de una semana, sin el proceso consultivo amplio que tuvo la declaración de Leiden; Tao lo admite y lo justifica por urgencia. Está abierta a más firmas y The Economist ya la cubrió. Hasta ahora los 25 signatarios iniciales son todos medallistas Fields —un detalle deliberado: nadie puede despachar el texto como tecnofobia de quien no entiende la herramienta.
Vale marcar lo que el documento no pide: no exige moratorias, no pide prohibir modelos, no reclama regulación. Pide algo más difícil de legislar: que resolver deje de confundirse con entender, y que quien publique una solución asistida por IA respete el aparato de atribución y escritura que hace que un resultado se integre al canon.
Mi lectura
La parte que me interesa no es la queja, es el diagnóstico. Llevamos dos años midiendo modelos con exámenes y celebrando cada récord como si el número fuera el conocimiento. Los que hicieron la mayor parte de esos exámenes acaban de decir que el número nunca fue el punto.
Y el corolario para cualquiera que meta agentes en su operación —de un SOC a un equipo de plataforma— es incómodo: si tu único indicador de que la IA funciona es que los tickets bajan, estás midiendo el proxy. La pregunta buena es si tu equipo sabe más este trimestre que el anterior. Esa no la contesta un dashboard.