GPT-5.6 Sol Ultra ha producido una demostración rigurosa de una conjetura matemática que ha permanecido abierta durante cincuenta años. Un matemático ha verificado la prueba y la ha encontrado correcta.

Es el enésimo resultado de este tipo en pocos días. El 12 de julio el modelo había cerrado la Cycle Double Cover Conjecture usando 64 subagentes en paralelo. El 18 de julio había resuelto un problema de optimización convexa, con un benchmark que mostraba cómo la arquitectura de agentes importaba tanto como la potencia bruta del modelo. Ahora otra conjetura, otra verificación humana.

Por qué te importa. La repetición es el punto. Una demostración afortunada se puede llamar coincidencia. Múltiples resultados verificados sobre problemas diferentes dicen que algo ha cambiado en la forma en que los modelos frontier construyen razonamiento nuevo en territorio inexplorado. Si usas IA para análisis o decisiones donde no existe una respuesta ya escrita en algún lugar, esta es la señal de que la capacidad de razonar más allá de lo conocido se ha vuelto reproducible.

No significa que cada output sea correcto. Un paper publicado el mismo día en arXiv muestra que los modelos aún violan propiedades básicas de consistencia estadística cuando los fragmentas en subpoblaciones: saben cosas que no propagan de manera confiable en estimaciones agregadas. La distancia entre “puede demostrar un teorema” y “puede hacer un análisis sin errores” sigue siendo grande. El primero es un dominio donde la corrección se verifica de forma binaria. El segundo, no.

En detalle

La serie de resultados matemáticos de GPT-5.6 Sol Ultra sigue un patrón que vale la pena entender para quien usa IA en su trabajo.

El primer resultado (12 de julio). La Cycle Double Cover Conjecture es un problema de teoría de grafos abierto desde los años setenta: cada grafo sin puentes admite una cobertura cíclica de sus aristas en la que cada arista aparece exactamente dos veces. GPT-5.6 Sol Ultra lo atacó con 64 subagentes en paralelo, cada uno explorando una rama de la demostración. El matemático que verificó el resultado lo describió como elemental y correcto, dos palabras que en matemática valen más que mil adjetivos.

El segundo (18 de julio). Un problema de optimización convexa, con una diferencia importante respecto al primero: un benchmark independiente mostró que la arquitectura agente importaba tanto como el modelo mismo. El ciclo de control, la delegación a subagentes y la verificación cruzada marcaban la diferencia entre una respuesta plausible y una demostración que se sostiene.

Este resultado (16 de julio). Una nueva conjetura abierta hace cincuenta años, también con verificación humana. Aún no conocemos los detalles de la demostración ni el nombre específico de la conjetura, pero el hecho de que un matemático la haya revisado y confirmado es el punto central.

Por qué las matemáticas son un caso especial. Los teoremas tienen una estructura formal que un modelo puede explorar de manera sistemática, con feedback inmediato: un paso es correcto o no lo es, y un experto puede verificarlo. Esto es diferente de decir que la IA razona en general. Es más preciso: en dominios donde la corrección es verificable de forma binaria, los modelos frontier pueden construir caminos demostrativos originales que nadie había escrito antes.

El contrapunto. El paper de Wolf y colegas en arXiv (16 de julio) documenta el revés de la medalla. Los investigadores probaron si los modelos satisfacen la ley de probabilidad total: si le pides a un modelo que estime una probabilidad en una población, y luego le pides que estime lo mismo en subgrupos y agregue, los resultados deberían coincidir. No coinciden. Los modelos poseen el conocimiento de las subpoblaciones pero no lo propagan de manera confiable en estimaciones agregadas. Los investigadores llaman a este fenómeno macro fallacy: las estimaciones reconstruidas desde subgrupos a menudo se alinean mejor con datos humanos que las directas, pero el modelo no sabe que tiene esta información y no la usa cuando le pides una estimación general.

Para quien usa IA en su trabajo, la consecuencia es concreta. La capacidad de construir razonamiento riguroso existe, pero es fragmentaria. El mismo modelo que demuestra un teorema puede fallar en una agregación estadística básica. Si tu tarea tiene una verificación formal posible (matemáticas, código, lógica), la IA puede sorprenderte. Si la verificación es difusa (estimaciones, análisis cualitativos, juicios), se requiere más cautela y más verificaciones cruzadas.

Qué queda por verificar. No tenemos el texto completo de la demostración, ni sabemos cuál conjetura ha sido cerrada. La verificación viene de un matemático profesional, pero desconocemos los detalles del proceso de revisión. Las fuentes recopiladas proporcionan contexto teórico (el vínculo entre compresión e inteligencia discutido por Karpathy, las inconsistencias estadísticas documentadas en el paper de Wolf) pero no confirman directamente el evento. Como siempre con los resultados frontier, conviene esperar la publicación formal antes de extraer conclusiones definitivas sobre las implicaciones generales.