Complicaciones, entrampamientos, soluciones: Autonomía, probidad y poder institucional en la carrera por el Problema del Milenio
Por Juan Pablo Torres Muñiz
El 8 de septiembre de 2026, OpenAI anunció que uno de sus modelos internos, aún sin publicar, había producido una demostración de una de las variantes del problema de existencia y suavidad de Navier-Stokes: uno de los siete Problemas del Milenio definidos por el Clay Mathematics Institute en el año 2000, cada uno de ellos dotado de un premio de un millón de dólares (Axios, 2026; El Debate, 2026). De confirmarse, sería apenas la segunda de esas siete cuestiones en resolverse desde entonces, después de la demostración de la conjetura de Poincaré por Grigori Perelman entre 2002 y 2003 (Sopitas, 2026). La empresa hizo público el logro con una cifra que funciona, ante todo, como espectáculo: diez mil agentes de inteligencia artificial operando en paralelo durante un fin de semana, ochenta y ocho horas de cómputo, trescientos mil millones de tokens de salida (TechCrunch, 2026; Interesting Engineering, 2026).
Conviene no dejarse embriagar por la cifra. Apenas unos meses antes, en mayo de 2026, el propio vicepresidente de ciencia de OpenAI, Kevin Weil, había anunciado en redes sociales que GPT-5 —el modelo entonces vigente— acababa de «resolver» diez problemas de Erdős abiertos desde hacía décadas. Bastaron horas para que Thomas Bloom, administrador del archivo académico que documenta esos problemas, desmintiera la afirmación: el modelo no había demostrado nada, sino localizado artículos ya publicados con soluciones que el propio Bloom desconocía (Sherwood News, 2026; Yahoo Noticias, 2026). Demis Hassabis, cofundador de Google DeepMind, calificó el episodio de «vergonzoso»; Yann LeCun, científico jefe de Meta, fue más lacónico todavía. El patrón es instructivo: no se trata de un exceso retórico aislado, sino de una tendencia estructural de la industria a narrar como hazaña autónoma de la máquina lo que, examinado de cerca, resulta ser una combinación mucho más compleja —y mucho más humana— de trabajo previo, azar terminológico y ambición corporativa.
El episodio de Navier-Stokes reproduce esa estructura, pero la agrava con un ingrediente nuevo: la acusación explícita de apropiación indebida de trabajo ajeno. Tristan Buckmaster, matemático de la Universidad de Nueva York, y Levent Alpöge, investigador de Anthropic —la empresa rival de OpenAI—, llevaban cerca de un año usando modelos de inteligencia artificial (entre ellos Claude, Codex y Astra) para avanzar sobre las ecuaciones de Euler forzadas, un problema afín al de Navier-Stokes. El 7 de septiembre publicaron tres demostraciones preliminares, con formalización en el lenguaje de verificación Lean, que merecieron el elogio público del medallista Fields Terence Tao (AI Weekly, 2026). Horas después, OpenAI presentó su propia solución para el problema completo, por la misma vía metodológica —minoritaria y poco transitada— que Buckmaster y Alpöge habían escogido en privado. Buckmaster sostiene que información sobre su avance llegó a OpenAI antes de hacerse pública, y que un investigador de esa empresa, Sébastien Bubeck, le propuso retirar el crédito de Alpöge por su afiliación a Anthropic; ante su negativa, le habría advertido: «¿Por qué arruinarías tu carrera?» (TechCrunch, 2026). OpenAI, por su parte, niega haber accedido al trabajo de la dupla antes de su publicación, aunque reconoce en su propio comunicado que no puede descartar que datos desidentificados provenientes del uso que Buckmaster hizo de sus productos hayan contribuido a mejorar sus modelos (Ecosistema Startup, 2026a).
Aquí no pretendemos dirimir la disputa entre ambas partes —tarea que corresponde a la comunidad matemática y, eventualmente, a instancias legales—, sino usarla como material de análisis filosófico para una pregunta más amplia: ¿qué verdad puede establecerse, a partir de este episodio, respecto de los avances de la inteligencia artificial en su competencia con la inteligencia humana? Consideramos, desde el aparato conceptual del Homo Institutionalis, que el caso Navier-Stokes no exhibe una máquina que compite y triunfa autónomamente sobre la mente humana, sino una situación comunicativa en la que la obra matemática no adquiere estatuto de verdad ni de logro sino a través del concurso irreductible de un autor, un receptor y un marco institucional en pugna. La aparente autonomía del sistema es, examinada de cerca, la forma contemporánea que asume la vieja necesidad de intervención humana: no ya solo como garante ético de que no se mienta ni se plagie, sino como productora efectiva de aquello que se atribuye a la máquina como si fuera suyo —su ingenio, su imaginación, su capacidad de discernir entre rutas posibles—.
[Genealogía de los términos en disputa]
Antes de argumentar conviene fijar el sentido de los términos que la prensa emplea sin demasiado cuidado y que, sin embargo, cargan una historia conceptual relevante para el análisis.
Autonomía proviene del griego autos (uno mismo) y nomos (ley, norma): la capacidad de darse la propia ley. Llamar «autónomo» al logro de un sistema de IA presupone, entonces, que la norma que rige su proceder —la ruta metodológica escogida para atacar el problema— se la ha dado el propio sistema. Es precisamente ese punto el que la disputa pone en cuestión: si la ruta fue tomada de un trabajo ajeno, la nomos no es autógena sino heterónoma, por más que la ejecución computacional posterior haya sido masiva.
Agente remite al latín agere, actuar. Pero en su uso jurídico originario —y el término conserva ese eco— un agente actúa siempre por cuenta de un mandante: hay agencia allí donde hay representación. Hablar de «diez mil agentes» que resuelven un problema es, en rigor, hablar de diez mil procesos que actúan en nombre de una arquitectura, unos parámetros y una decisión de despliegue que no se dieron a sí mismos; la palabra «agente», bien mirada, desmiente por dentro la pretensión de autonomía que el relato publicitario quiere sostener.
Plagio desciende del latín plagium, que en el derecho romano designaba el secuestro de una persona libre para reducirla a esclavitud (la ley Fabia de plagiariis castigaba precisamente ese delito). Fue el poeta Marcial quien, en el siglo I, trasladó metafóricamente el término al robo de versos ajenos presentados como propios: llamó «plagiario» a quien se apropiaba de sus poemas del mismo modo en que un secuestrador se apropiaba de un hombre libre. El eco no es ocioso para nuestro caso: lo que Buckmaster denuncia no es solo el uso no autorizado de una idea, sino —de manera más precisa— el intento de sustraer a su colaborador, Levent Alpöge, del reconocimiento de autoría por el simple hecho de trabajar para la empresa rival. El plagio, en su raíz, siempre secuestra a alguien; en este caso, secuestra su nombre.
Probidad viene de probus, bueno, recto, de calidad comprobada; comparte raíz con probar y, por tanto, con la propia noción de prueba matemática. La coincidencia etimológica excede por mucho el juego de palabras: nos indica que una demostración que carece de probidad en su génesis es, en sentido estricto, una prueba que no se sostiene a sí misma, porque su validez depende de que el proceso que la produjo pueda ser objeto de escrutinio honesto por parte de sus pares.
Por si hiciera falta: Inteligencia proviene de intelligere, compuesto de inter (entre) y legere (leer, elegir, recoger): leer entre, discernir. Es exactamente esa operación —elegir entre rutas posibles, discernir cuál de las variantes del problema de Fefferman merece ser atacada cuando «casi nadie más» la estaba trabajando, en palabras del propio Buckmaster— la que se disputa en este episodio. La pregunta de fondo no es si una máquina puede calcular más rápido que un ser humano —eso hace tiempo que nadie discute—, sino si puede leer entre las opciones sin que alguien, antes, le haya señalado por dónde mirar.
Singularidad cierra la serie con una ironía involuntaria. En el vocabulario técnico del propio problema de Navier-Stokes, una singularidad es el punto en que una solución «explota» y deja de comportarse con regularidad. En el vocabulario de la cultura popular sobre inteligencia artificial, la Singularidad —con mayúscula— designa el momento hipotético en que la inteligencia de las máquinas rebasaría irreversiblemente a la humana. El episodio que aquí se analiza comparte el nombre con ese mito, pero —como se argumentará— revela justamente lo contrario de lo que el mito promete: no una ruptura autónoma, sino un enredo cada vez más denso entre el cómputo corporativo y el trabajo intelectual de personas concretas.
[Sobre materia]
La tesis del Homo Institutionalis sostiene que ninguna obra existe como hecho puro y autosuficiente: toda obra es el resultado de una situación comunicativa —una symploké— que entreteje necesariamente cuatro materiales: un autor, una obra, un receptor y un marco institucional. Ninguno de los cuatro basta por sí solo para constituir el hecho artístico o, por extensión, el hecho cognoscitivo; es su entramado el que produce aquello que, retrospectivamente, llamamos «logro», «obra» o «verdad». A ese entramado se suma la distinción entre tres géneros de materialidad: M1, lo físico (el texto, los tokens, el archivo Lean); M2, lo psicológico-operativo (el juicio, la intención, el temor, la ambición, el discernimiento); y M3, lo abstracto-institucional (las normas de autoría académica, el prestigio corporativo, el protocolo del Clay Institute, el propio lenguaje Lean como convención comunitaria de verificación).
Aplicado al caso: la obra es la demostración matemática del comportamiento de las ecuaciones de Navier-Stokes. El autor es precisamente lo que está en disputa —¿el modelo de OpenAI? ¿Buckmaster y Alpöge, cuya ruta metodológica fue adoptada? ¿El equipo humano de OpenAI que decidió, el 1 de septiembre, concentrar recursos en esa dirección tras escuchar rumores del avance rival?—. El receptor tampoco es unívoco: puede ser la comunidad matemática que verificará la prueba en Lean, puede ser el Clay Institute que eventualmente reconocerá o no el premio, puede ser la opinión pública que consume el anuncio en un titular. Y el marco institucional es, de hecho, doble y contradictorio: por un lado, la academia con sus normas de coautoría y revisión por pares; por otro, el laboratorio corporativo con su lógica de anuncio, rueda de prensa y ventaja competitiva frente a un rival directo. Que estos dos marcos institucionales convivan tensamente en un mismo episodio es, como se verá, la clave para entender por qué la «verdad» del logro no puede leerse en la cifra de agentes desplegados (M1), sino que debe reconstruirse en el nivel M2–M3: en las decisiones humanas de dirección, en las normas violadas o respetadas, en el reconocimiento o desconocimiento del receptor calificado.
[Reconstrucción factual]
Buckmaster y Alpöge trabajaban desde hacía meses en variantes del problema de singularidades para las ecuaciones de Euler forzadas, apoyándose extensamente en Codex —el producto de asistencia de código de OpenAI— además de en Claude y Astra. El 7 de septiembre publicaron tres demostraciones preliminares, formalizadas en Lean, sobre la ecuación del medio poroso incompresible, el sistema de Boussinesq bidimensional y las ecuaciones de Euler incompresibles en tres dimensiones (AI Weekly, 2026). En su propio comunicado, Buckmaster afirmó que la ruta escogida —a través de las opciones c y d del planteamiento del problema propuesto por Charles Fefferman— era una vía poco transitada, que «casi nadie más» estaba explorando, y que no es el tipo de camino al que se llega en pocos días simplemente entregándole a un modelo el enunciado del problema (TechCrunch, 2026).
Según la reconstrucción de OpenAI, la compañía comenzó a entrenar un nuevo modelo interno —descrito como «significativamente más capaz» que su versión públicamente disponible, Astra— el 28 de agosto, y decidió concentrar sus recursos en el problema de Navier-Stokes el 1 de septiembre, después de que circularan rumores de que dos matemáticos externos habían avanzado sobre problemas del milenio afines (Axios, 2026; Ecosistema Startup, 2026b). Un primer intento, con mil agentes simultáneos, resolvió en cincuenta horas una versión simplificada del problema; para la versión completa, el despliegue escaló a diez mil agentes operando en paralelo durante un fin de semana, consumiendo alrededor de trescientos mil millones de tokens de salida —unos veintidós millones y medio de dólares en cómputo, según estimaciones propias de la empresa citadas por TechCrunch—, hasta alcanzar el resultado el 5 de septiembre; diecisiete horas adicionales de un segundo modelo formalizaron y verificaron la prueba en Lean (Interesting Engineering, 2026).
Buckmaster sostiene que, mientras finalizaban su propio trabajo, tomó conocimiento de que información sobre su avance había llegado a OpenAI, y que al contactar a la empresa para aclarar la situación se le informó que ya contaban con una prueba completa del problema central. Denuncia además que un matemático de OpenAI, Sébastien Bubeck, le propuso publicar un artículo conjunto que excluyera el crédito de Alpöge en razón de su vínculo laboral con Anthropic, y que, al negarse Buckmaster y anunciar su intención de hacer pública la controversia, Bubeck habría respondido con la pregunta retórica sobre arruinar su carrera, seguida de una advertencia sobre no tener por qué ser amable si no se le trataba con amabilidad (TechCrunch, 2026). Bubeck ha calificado esa versión de «falsa e incendiaria» y sostiene que ni él ni los agentes de OpenAI conocieron el trabajo de la dupla antes de su publicación (Ecosistema Startup, 2026c). El propio Sam Altman salió públicamente en defensa de su equipo. En su comunicado oficial, sin embargo, OpenAI admitió que, aunque lo considera improbable, no puede descartar que datos desidentificados derivados del uso que Buckmaster hizo de sus productos hayan contribuido a mejorar sus modelos (Ecosistema Startup, 2026a); y ante la pregunta directa de si se habían consultado los registros de uso de Codex de Buckmaster, la empresa no respondió (Ecosistema Startup, 2026d).
[La retórica de la autonomía computacional]
El relato de la «resolución autónoma» —condensado en las cifras de diez mil agentes y ochenta y ocho horas— constituye una reducción propagandística del hecho a su materialidad física (M1), que oculta su génesis psicológico-operativa e institucional (M2–M3). Las empresas de inteligencia artificial tienen un incentivo estructural para narrar sus resultados como proezas puramente computacionales. Esa narrativa legitima ante inversionistas y opinión pública la inversión masiva de capital en cómputo, alimenta las expectativas sobre una inteligencia artificial general inminente y resulta, sencillamente, más vendible en un titular que reconocer una deuda intelectual con colegas humanos —y menos aún con colegas afiliados a la empresa rival. El propio testimonio de Buckmaster sitúa la elección de la ruta metodológica —no la ejecución masiva que vino después— como el paso decisivo e irrepetible: una vía que, insiste, no es la que un modelo alcanza en pocos días a partir del mero enunciado del problema. Que OpenAI decidiera concentrar sus recursos precisamente el 1 de septiembre, justo después de escuchar rumores sobre el avance ajeno, y que terminara adoptando exactamente esa misma vía minoritaria, es un dato que el relato de «autonomía computacional» no logra explicar por sí solo (TechCrunch, 2026).
[Probidad académica amenazada]
Lo que compromete la probidad en este episodio no es una propiedad intrínseca de los sistemas de inteligencia artificial, sino la estructura de incentivos competitivos de los laboratorios que los producen. Cuando el capital simbólico en juego —ser la primera organización en resolver un Problema del Milenio— se vuelve un activo de relaciones públicas y de valuación bursátil, la presión para subordinar las normas de autoría académica a la conveniencia competitiva se incrementa. La probidad, que etimológicamente comparte raíz con la prueba misma, deja de ser una condición del método para convertirse en un obstáculo a gestionar. La propuesta atribuida a Bubeck de excluir a Alpöge del crédito por su afiliación a Anthropic, y la advertencia sobre «arruinar la carrera» que Buckmaster relata haber recibido al resistirse, son indicios —no confirmados por OpenAI, pero tampoco desmentidos con documentación— de que la variable decisiva no era la exactitud matemática del resultado, sino la afiliación institucional de uno de sus autores. A ello se suma que la propia OpenAI, en su comunicado oficial, no pudo garantizar la ausencia de contaminación de datos: reconoció no poder descartar que información desidentificada del uso que Buckmaster hizo de sus productos haya influido en sus modelos (Ecosistema Startup, 2026a).
[Competencia y autoría legítima]
La rivalidad implacable entre OpenAI y Anthropic transforma la situación comunicativa propia de la ciencia —colaboración entre pares, validada por revisión abierta— en una carrera propietaria, lo que desplaza el marco institucional legítimo de la academia hacia el comunicado corporativo. Cuando dos laboratorios compiten por el mismo capital simbólico, el ritmo de publicación deja de estar gobernado por la maduración del resultado y pasa a estarlo por el temor a ser superado. En ese contexto, el receptor que dictamina la verdad del hallazgo ya no es, en primera instancia, la comunidad de pares, sino la audiencia mediática capaz de fijar la narrativa de «quién llegó primero». El propio cronograma reconocido por OpenAI —entrenamiento iniciado el 28 de agosto, concentración de recursos el 1 de septiembre «tras escuchar rumores» de avances rivales— confiesa que el motor de la operación no fue una agenda de investigación autónoma, sino una reacción competitiva puntual. Y el precedente de mayo de 2026, cuando el propio vicepresidente de ciencia de OpenAI hubo de retractarse públicamente de una afirmación similar sobre los problemas de Erdős tras ser desmentido por la comunidad matemática y criticado por ejecutivos de empresas rivales, muestra que no se trata de un incidente aislado sino de un patrón estructural de esa carrera: la prisa por anunciar antecede, sistemáticamente, a la verificación serena (Sherwood News, 2026).
[En juego, más que la ética: una atribución de inteligencia real]
Más allá del reproche ético —¿mintieron?, ¿plagiaron?—, el episodio pone en cuestión la propia atribución de «mente», «ingenio» e «imaginación» al sistema de inteligencia artificial, porque el elemento decisivo del logro resulta trazable a un acto de discernimiento humano no trivial. Escalar el número de agentes computacionales multiplica los recursos físicos disponibles (M1), pero no genera, por sí mismo, la selección heurística (M2) de qué ruta atacar entre las múltiples variantes lógicamente posibles de un problema. Esa selección —qué mirar, por dónde empezar, qué descartar— es precisamente lo que la tradición filosófica, desde su raíz etimológica, llama inteligencia: leer entre las opciones. La coincidencia temporal y metodológica entre el trabajo privado de la dupla —por esa misma vía atípica, a través de las opciones c y d del planteamiento de Fefferman, que «casi nadie más» estaba trabajando— y la apuesta de OpenAI por exactamente esa ruta, justo después de conocerse rumores del avance rival, sugiere que el elemento de «ingenio» atribuido públicamente al sistema de OpenAI tiene, como mínimo, un origen compartido con el discernimiento humano previo (TechCrunch, 2026).
[Nada, por sí solo]
El hecho de que tanto la prueba de OpenAI como la de Buckmaster y Alpöge hayan requerido formalización en el lenguaje Lean, y el hecho de que el elogio público de un matemático de la estatura de Terence Tao haya funcionado como acto de legitimación, confirman que ninguna demostración adquiere estatuto de verdad por su sola existencia física (M1): requiere ratificación institucional (M3). Lean no es solo una herramienta técnica; es una convención comunitaria —un marco institucional en sentido estricto— que permite a una comunidad de verificadores humanos y automáticos reconocer, paso a paso, la validez lógica de un argumento. Sin ese protocolo compartido, ni la prueba de OpenAI ni la de sus contendores tendrían manera de ser reconocidas como conocimiento matemático y no como mera afirmación. Las tres demostraciones preliminares de Buckmaster y Alpöge fueron formalizadas en Lean antes de su publicación y merecieron el reconocimiento explícito de Tao (AI Weekly, 2026); la propia OpenAI presentó su demostración también formalizada en ese lenguaje, según reportó Nature (Ecosistema Startup, 2026e). Que ambas partes, rivales entre sí, hayan tenido que someterse al mismo protocolo institucional para que su trabajo contara como prueba, ilustra con precisión el punto central del Homo Institutionalis: la obra no es verdadera por ser un hecho físico, sino por haber sido admitida como tal dentro de un marco que la comunidad reconoce como autorizado.
[Escala abrupta]
Podría objetarse que la magnitud misma del despliegue —diez mil agentes concurrentes, cientos de miles de millones de tokens— evidencia una forma de inteligencia genuinamente nueva, irreductible al ingenio humano previo: una inteligencia de fuerza bruta que vuelve obsoleto el énfasis del Homo Institutionalis en la autoría humana como condición de la obra. Pero esto confunde la ampliación de M1 —los recursos físicos y computacionales disponibles— con la generación de M2 —la selección heurística de la ruta a seguir—, que es justamente lo que permanece inexplicado por la sola cifra. Además, el propio historial reciente de la industria desmiente la inferencia de que mayor escala equivalga a mayor autonomía epistémica: el episodio de mayo de 2026, en que un despliegue de cómputo igualmente celebrado terminó por revelarse como una simple búsqueda de referencias ya publicadas, y no como un descubrimiento genuino, muestra que la escala puede convivir con —e incluso camuflar— la ausencia de auténtico discernimiento (Sherwood News, 2026; Yahoo Noticias, 2026). La cantidad de cómputo invertido no es, por tanto, evidencia de calidad epistémica ni de autonomía real; y la reincidencia del patrón de sobreanuncio sugiere que se trata de una estrategia retórica institucional —parte del marco M3—, no de una propiedad emergente de la máquina.
[¿Disputa gremial?]
Podría objetarse, en sentido contrario, que el episodio es apenas una disputa laboral sobre coautoría —quién firma qué artículo—, un asunto doméstico de la profesión matemática sin mayor calado filosófico sobre la verdad de la inteligencia artificial. Esta objeción, lejos de debilitar la tesis, la confirma por la vía contraria. Que la disputa gire precisamente en torno al crédito y al posible uso de datos ajenos revela que la obra matemática no puede extraerse de su génesis: no existe un «hecho puro» de resolución matemática separable de quién lo enuncia, quién lo autoriza y bajo qué marco institucional se legitima. Si la cuestión del crédito fuera irrelevante para la verdad del logro, no habría sido necesario que la propia OpenAI dedicara un apartado de su comunicado oficial a negar el acceso a los registros de Buckmaster, ni que Sam Altman interviniera públicamente para defender a su equipo. El affaire no es ruido incidental alrededor de un logro separable: es constitutivo de si ese logro cuenta —y de a quién se le cuenta— como conocimiento.
[Negación]
Podría añadirse que, dado que Bubeck ha calificado la acusación de «falsa e incendiaria» y que la empresa niega haber accedido al trabajo de la dupla antes de su publicación, no habría fundamento suficiente para sostener la tesis de una génesis heterónoma del logro. La reconstrucción aquí propuesta no depende de una confesión de culpa para sostenerse: el propio comunicado de OpenAI, más allá de cualquier negación puntual, ya admite —como se ha señalado— no poder descartar esa contaminación de datos. En términos del Homo Institutionalis, esa sola admisión basta para reconocer la porosidad estructural entre el trabajo intelectual privado de un investigador (M2) y la maquinaria institucional de una empresa que administra los registros de uso de sus propios productos como activo corporativo (M3). La verdad institucional del caso no depende de un veredicto penal ni de una confesión, sino del reconocimiento de esas fronteras porosas, que la propia empresa —sin proponérselo— termina por confirmar.
[De modo que…]
La verdad sobre los avances de la inteligencia artificial frente a la inteligencia humana no reside en las cifras de cómputo desplegado ni en el lenguaje de los comunicados corporativos, sino en la reconstrucción del caso: autor, obra, receptor y marco institucional coproducen aquello que, a posteriori, se llama «resolución». La aparente autonomía de la máquina —vestida con la retórica de los diez mil agentes— es, mirada de cerca, la forma contemporánea que asume la vieja necesidad de intervención humana. Y esa intervención no opera solo como garante ético-moral —no mentir, no plagiar, no expropiar el crédito ajeno—, aunque también opera ahí: opera, sobre todo, como productora efectiva de aquello mismo que se le atribuye a la máquina como si fuera enteramente suyo. Su «ingenio» reside en una elección heurística que alguien tuvo que hacer primero; su «imaginación», en una ruta no obvia que alguien tuvo que discernir entre las opciones disponibles; y su «autoría», en último término, no es un hecho físico verificable en el código, sino un reconocimiento que la comunidad —o la empresa que habla en su nombre— decide o rehúsa otorgar.
El episodio deja al menos cuatro consecuencias que rebasan la anécdota. En primer lugar, plantea una exigencia de gobernanza para los laboratorios de inteligencia artificial: si los registros de uso de herramientas compartidas por investigadores rivales pueden filtrarse —aun de manera no identificada— hacia el entrenamiento de modelos propios, la garantía contractual de opt-out resulta insuficiente mientras no exista transparencia verificable sobre su cumplimiento efectivo. En segundo lugar, exige repensar los protocolos de coautoría académica en una era en que investigadores de instituciones rivales comparten, sin saberlo, las mismas herramientas de asistencia computacional: la probidad ya no puede presumirse a partir de la sola separación institucional de los laboratorios.
Referencias bibliográficas:
AI Weekly. (2026, 8 de septiembre). OpenAI’s Navier-Stokes claim rocked by NYU misconduct charge. https://aiweekly.co/alerts/openais-navier-stokes-claim-rocked-by-nyu-misconduct-charge
Ara. (2026, 9 de septiembre). OpenAI asegura que ha resuelto uno de los grandes problemas matemáticos del milenio pero la acusan de plagio. https://es.ara.cat/media/openai-asegura-resuelto-grandes-problemas-matematicos-milenio-acusan-plagio_1_5844535.html
Axios. (2026, 8 de septiembre). OpenAI’s historic math solution overshadowed by credit controversy. https://axios.com/2026/09/08/openai-math-solution-navier-stokes-credit
Ecosistema Startup. (2026a, 8 de septiembre). OpenAI dice haber resuelto Navier-Stokes y genera polémica. https://ecosistemastartup.com/?p=105810
Ecosistema Startup. (2026b, 8 de septiembre). OpenAI asegura resolver Navier-Stokes con 10.000 agentes de IA. https://ecosistemastartup.com/openai-asegura-resolver-navier-stokes-con-10-000-agentes-de-ia/
Ecosistema Startup. (2026c, 8 de septiembre). OpenAI, acusada de «jugar sucio» en un problema matemático de US$1M. https://ecosistemastartup.com/openai-acusada-de-jugar-sucio-en-un-problema-matematico-de-us1m/
Ecosistema Startup. (2026d, 8 de septiembre). OpenAI dice que resolvió Navier-Stokes con 10.000 agentes IA. https://ecosistemastartup.com/openai-dice-que-resolvio-navier-stokes-con-10-000-agentes-ia/
Ecosistema Startup. (2026e, 8 de septiembre). OpenAI dice resolver un problema del milenio y acusan plagio. https://ecosistemastartup.com/openai-dice-resolver-un-problema-del-milenio-y-acusan-plagio/
El Debate. (2026, 9 de septiembre). OpenAI afirma haber resuelto uno de los «Problemas del Milenio» mientras crecen las acusaciones de plagio. https://www.eldebate.com/ciencia/20260909/openai-afirma-haber-resuelto-problemas-milenio-mientras-crecen-acusaciones-plagio_456827.html
El Sol de México. (2026, 9 de septiembre). OpenAI resuelve uno de los “problemas del milenio” en medio de acusaciones de plagio matemático. https://oem.com.mx/elsoldemexico/ciencia-y-salud/openai-resuelve-uno-de-los-problemas-del-milenio-en-medio-de-acusaciones-de-plagio-matematico-31980544
Entrepreneur en Español. (2026, 9 de septiembre). OpenAI resuelve un problema matemático de 90 años; un matemático acusa de plagio. https://spanish.entrepreneur.com/noticias/openai-dice-que-su-ia-acaba-de-resolver-un-problema-matematico-de-90-anos-un-matematico-lo-llama-plagio
Interesting Engineering. (2026, 8 de septiembre). OpenAI Navier-Stokes mystery, solved. https://interestingengineering.com/ai-robotics/openai-navier-stokes-mystery-solved
Sherwood News. (2026, mayo). OpenAI claimed a math breakthrough this weekend, only to be smacked down. https://www.sherwood.news/tech/openai-claimed-a-math-breakthrough-this-weekend-only-to-be-smacked-down
Sopitas. (2026, 9 de septiembre). ¿OpenAI resolvió uno de los Problemas del Milenio? https://www.sopitas.com/geek/openai-problemas-del-milenio-plagio-anthropic/
TechCrunch. (2026, 8 de septiembre). OpenAI fought dirty on career-making math problem, says NYU mathematician. https://techcrunch.com/2026/09/08/openai-fought-dirty-on-career-making-math-problem-says-nyu-mathematician/
Yahoo Noticias. (2026, mayo). OpenAI Researcher Forced to Delete “Embarrassing” Tweet Claiming Huge Breakthrough. https://www.yahoo.com/news/articles/openai-researcher-forced-delete-embarrassing-110500126.html
Homo Institutionalis. (2022). Grupo Editorial Caja Negra.
(ENGLISH VERSION)
Complications, Entanglements, Solutions: Autonomy, Probity and Institutional Power in the Race for the Millennium Problem
Translated by Tiffany Amber Elías Trimble
On September 8, 2026, OpenAI announced that one of its internal models, not yet released, had produced a proof of one of the variants of the Navier-Stokes existence and smoothness problem: one of the seven Millennium Problems defined by the Clay Mathematics Institute in the year 2000, each of them carrying a prize of one million dollars (Axios, 2026; El Debate, 2026). If confirmed, it would be only the second of those seven questions to be resolved since then, after the proof of the Poincaré conjecture by Grigori Perelman between 2002 and 2003 (Sopitas, 2026). The company publicized the achievement with a figure that functions, above all, as spectacle: ten thousand artificial intelligence agents operating in parallel over a weekend, eighty-eight hours of computation, three hundred billion output tokens (TechCrunch, 2026; Interesting Engineering, 2026).
It is worth not letting oneself be intoxicated by the figure. Just a few months earlier, in May 2026, OpenAI’s own vice president of science, Kevin Weil, had announced on social media that GPT-5 —the model then in force— had just «solved» ten Erdős problems open for decades. It took only hours for Thomas Bloom, administrator of the academic archive that documents those problems, to refute the claim: the model had not proved anything, but had located already published articles with solutions that Bloom himself was unaware of (Sherwood News, 2026; Yahoo Noticias, 2026). Demis Hassabis, co-founder of Google DeepMind, called the episode «embarrassing»; Yann LeCun, chief scientist at Meta, was even more laconic. The pattern is instructive: this is not an isolated rhetorical excess, but a structural tendency of the industry to narrate as an autonomous feat of the machine what, examined closely, turns out to be a much more complex —and much more human— combination of prior work, terminological chance and corporate ambition.
The Navier-Stokes episode reproduces that structure, but aggravates it with a new ingredient: the explicit accusation of misappropriation of someone else’s work. Tristan Buckmaster, a mathematician at New York University, and Levent Alpöge, a researcher at Anthropic —OpenAI’s rival company—, had spent nearly a year using artificial intelligence models (among them Claude, Codex and Astra) to make progress on the forced Euler equations, a problem akin to Navier-Stokes. On September 7 they published three preliminary proofs, with formalization in the Lean verification language, which earned public praise from Fields medalist Terence Tao (AI Weekly, 2026). Hours later, OpenAI presented its own solution for the complete problem, by the same methodological route —minority and little traveled— that Buckmaster and Alpöge had chosen in private. Buckmaster maintains that information about their progress reached OpenAI before it was made public, and that a researcher at that company, Sébastien Bubeck, proposed to him that he withdraw Alpöge’s credit because of his affiliation with Anthropic; upon his refusal, he allegedly warned him: «Why would you ruin your career?» (TechCrunch, 2026). OpenAI, for its part, denies having accessed the duo’s work before its publication, although it acknowledges in its own statement that it cannot rule out that de-identified data from Buckmaster’s use of its products may have contributed to improving its models (Ecosistema Startup, 2026a).
Here we do not intend to settle the dispute between the two parties —a task that belongs to the mathematical community and, eventually, to legal instances—, but rather to use it as material for philosophical analysis for a broader question: what truth can be established, from this episode, regarding the advances of artificial intelligence in its competition with human intelligence? We consider, from the conceptual apparatus of Homo Institutionalis, that the Navier-Stokes case does not exhibit a machine that competes and triumphs autonomously over the human mind, but rather a communicative situation in which the mathematical work does not acquire the status of truth or of achievement except through the irreducible concurrence of an author, a receiver and an institutional framework in conflict. The apparent autonomy of the system is, examined closely, the contemporary form assumed by the old need for human intervention: no longer only as an ethical guarantor that no lies are told and no plagiarism is committed, but as the effective producer of what is attributed to the machine as if it were its own —its ingenuity, its imagination, its capacity to discern between possible routes—.
[Genealogy of the terms in dispute]
Before arguing, it is worth fixing the meaning of the terms that the press uses without much care and that, nevertheless, carry a conceptual history relevant to the analysis.
Autonomy comes from the Greek autos (oneself) and nomos (law, norm): the capacity to give oneself one’s own law. Calling the achievement of an AI system «autonomous» presupposes, then, that the norm governing its procedure —the methodological route chosen to attack the problem— has been given to it by the system itself. It is precisely that point that the dispute calls into question: if the route was taken from someone else’s work, the nomos is not autogenous but heteronomous, however massive the subsequent computational execution may have been.
Agent refers back to the Latin agere, to act. But in its original juridical use —and the term retains that echo— an agent always acts on behalf of a principal: there is agency where there is representation. To speak of «ten thousand agents» solving a problem is, strictly speaking, to speak of ten thousand processes that act in the name of an architecture, some parameters and a deployment decision that they did not give themselves; the word «agent,» looked at closely, internally contradicts the pretension to autonomy that the advertising narrative wants to sustain.
Plagiarism descends from the Latin plagium, which in Roman law designated the kidnapping of a free person to reduce them to slavery (the Fabian law de plagiariis punished precisely that crime). It was the poet Martial who, in the first century, metaphorically transferred the term to the theft of others’ verses presented as one’s own: he called «plagiarist» one who appropriated his poems in the same way a kidnapper appropriated a free man. The echo is not idle for our case: what Buckmaster denounces is not only the unauthorized use of an idea, but —more precisely— the attempt to subtract his collaborator, Levent Alpöge, from recognition of authorship for the simple fact of working for the rival company. Plagiarism, at its root, always kidnaps someone; in this case, it kidnaps his name.
Probity comes from probus, good, upright, of proven quality; it shares a root with to prove and, therefore, with the very notion of mathematical proof. The etymological coincidence far exceeds the wordplay: it indicates to us that a proof lacking probity in its genesis is, in the strict sense, a proof that does not sustain itself, because its validity depends on the process that produced it being able to be the object of honest scrutiny by its peers.
In case it were needed: Intelligence comes from intelligere, composed of inter (between) and legere (to read, to choose, to gather): to read between, to discern. It is exactly that operation —choosing between possible routes, discerning which of the variants of the Fefferman problem deserves to be attacked when «almost no one else» was working on it, in Buckmaster’s own words— that is disputed in this episode. The underlying question is not whether a machine can calculate faster than a human being —no one has disputed that for a long time—, but whether it can read between the options without someone, beforehand, having pointed out where to look.
Singularity closes the series with an involuntary irony. In the technical vocabulary of the Navier-Stokes problem itself, a singularity is the point at which a solution «blows up» and ceases to behave with regularity. In the vocabulary of popular culture about artificial intelligence, the Singularity —with a capital letter— designates the hypothetical moment when machine intelligence would irreversibly surpass human intelligence. The episode analyzed here shares its name with that myth, but —as will be argued— reveals just the opposite of what the myth promises: not an autonomous rupture, but an increasingly dense entanglement between corporate computation and the intellectual work of concrete persons.
[On matter]
The thesis of Homo Institutionalis holds that no work exists as a pure and self-sufficient fact: every work is the result of a communicative situation —a symploké— that necessarily interweaves four materials: an author, a work, a receiver and an institutional framework. None of the four is enough by itself to constitute the artistic fact or, by extension, the cognitive fact; it is their interweaving that produces what, retrospectively, we call «achievement,» «work» or «truth.» To that interweaving is added the distinction between three genres of materiality: M1, the physical (the text, the tokens, the Lean file); M2, the psychological-operative (judgment, intention, fear, ambition, discernment); and M3, the abstract-institutional (the norms of academic authorship, corporate prestige, the Clay Institute protocol, the Lean language itself as a community convention of verification).
Applied to the case: the work is the mathematical proof of the behavior of the Navier-Stokes equations. The author is precisely what is in dispute —the OpenAI model? Buckmaster and Alpöge, whose methodological route was adopted? The human team at OpenAI that decided, on September 1, to concentrate resources in that direction after hearing rumors of the rival’s progress?—. The receiver is not univocal either: it may be the mathematical community that will verify the proof in Lean, it may be the Clay Institute that will eventually recognize or not recognize the prize, it may be the public opinion that consumes the announcement in a headline. And the institutional framework is, in fact, double and contradictory: on the one hand, the academy with its norms of coauthorship and peer review; on the other, the corporate laboratory with its logic of announcement, press conference and competitive advantage over a direct rival. That these two institutional frameworks coexist tensely in the same episode is, as will be seen, the key to understanding why the «truth» of the achievement cannot be read in the figure of agents deployed (M1), but must be reconstructed at the M2–M3 level: in human decisions of direction, in norms violated or respected, in the recognition or non-recognition of the qualified receiver.
[Factual reconstruction]
Buckmaster and Alpöge had been working for months on variants of the singularity problem for the forced Euler equations, relying extensively on Codex —OpenAI’s code assistance product— in addition to Claude and Astra. On September 7 they published three preliminary proofs, formalized in Lean, on the incompressible porous medium equation, the two-dimensional Boussinesq system and the incompressible Euler equations in three dimensions (AI Weekly, 2026).
In his own statement, Buckmaster affirmed that the route chosen —through options c and d of the formulation of the problem proposed by Charles Fefferman— was a little-traveled path, which «almost no one else» was exploring, and that it is not the kind of path one reaches in a few days simply by handing a model the statement of the problem (TechCrunch, 2026).
According to OpenAI’s reconstruction, the company began training a new internal model —described as «significantly more capable» than its publicly available version, Astra— on August 28, and decided to concentrate its resources on the Navier-Stokes problem on September 1, after rumors circulated that two external mathematicians had made progress on related millennium problems (Axios, 2026; Ecosistema Startup, 2026b). A first attempt, with a thousand simultaneous agents, solved a simplified version of the problem in fifty hours; for the complete version, the deployment escalated to ten thousand agents operating in parallel over a weekend, consuming around three hundred billion output tokens —some twenty-two and a half million dollars in computation, according to the company’s own estimates cited by TechCrunch—, until reaching the result on September 5; seventeen additional hours of a second model formalized and verified the proof in Lean (Interesting Engineering, 2026).
Buckmaster maintains that, while they were finalizing their own work, he learned that information about their progress had reached OpenAI, and that upon contacting the company to clarify the situation he was informed that they already had a complete proof of the central problem. He further denounces that a mathematician at OpenAI, Sébastien Bubeck, proposed to him that he publish a joint article that excluded Alpöge’s credit by reason of his employment link with Anthropic, and that, upon Buckmaster’s refusal and his announcement of his intention to make the controversy public, Bubeck allegedly responded with the rhetorical question about ruining his career, followed by a warning about not having to be kind if he was not treated with kindness (TechCrunch, 2026). Bubeck has called that version «false and incendiary» and maintains that neither he nor OpenAI’s agents knew the duo’s work before its publication (Ecosistema Startup, 2026c). Sam Altman himself publicly came out in defense of his team. In its official statement, however, OpenAI admitted that, although it considers it improbable, it cannot rule out that de-identified data derived from Buckmaster’s use of its products may have contributed to improving its models (Ecosistema Startup, 2026a); and to the direct question of whether Buckmaster’s Codex usage logs had been consulted, the company did not respond (Ecosistema Startup, 2026d).
[The rhetoric of computational autonomy]
The narrative of «autonomous resolution» —condensed in the figures of ten thousand agents and eighty-eight hours— constitutes a propagandistic reduction of the fact to its physical materiality (M1), which hides its psychological-operative and institutional genesis (M2–M3). Artificial intelligence companies have a structural incentive to narrate their results as purely computational feats. That narrative legitimizes before investors and public opinion the massive investment of capital in computation, feeds expectations about an imminent artificial general intelligence and is, quite simply, more sellable in a headline than acknowledging an intellectual debt to human colleagues —and even less to colleagues affiliated with the rival company. Buckmaster’s own testimony situates the choice of the methodological route —not the massive execution that came later— as the decisive and unrepeatable step: a path that, he insists, is not the one a model reaches in a few days from the mere statement of the problem. That OpenAI decided to concentrate its resources precisely on September 1, just after hearing rumors about the rival’s progress, and that it ended up adopting exactly that same minority route, is a datum that the narrative of «computational autonomy» cannot explain by itself (TechCrunch, 2026).
[Academic probity threatened]
What compromises probity in this episode is not an intrinsic property of artificial intelligence systems, but the structure of competitive incentives of the laboratories that produce them. When the symbolic capital at stake —being the first organization to solve a Millennium Problem— becomes an asset of public relations and stock valuation, the pressure to subordinate the norms of academic authorship to competitive convenience increases. Probity, which etymologically shares a root with the proof itself, ceases to be a condition of method and becomes an obstacle to be managed. The proposal attributed to Bubeck to exclude Alpöge from credit because of his affiliation with Anthropic, and the warning about «ruining his career» that Buckmaster reports having received upon resisting, are indications —not confirmed by OpenAI, but not refuted with documentation either— that the decisive variable was not the mathematical accuracy of the result, but the institutional affiliation of one of its authors. To this is added that OpenAI itself, in its official statement, could not guarantee the absence of data contamination: it acknowledged that it cannot rule out that de-identified information from Buckmaster’s use of its products may have influenced its models (Ecosistema Startup, 2026a).
[Competition and legitimate authorship]
The implacable rivalry between OpenAI and Anthropic transforms the communicative situation proper to science —collaboration among peers, validated by open review— into a proprietary race, which displaces the legitimate institutional framework of the academy toward the corporate statement. When two laboratories compete for the same symbolic capital, the pace of publication ceases to be governed by the maturation of the result and comes to be governed by the fear of being surpassed. In that context, the receiver that dictates the truth of the finding is no longer, in the first instance, the community of peers, but the media audience capable of fixing the narrative of «who arrived first.» OpenAI’s own acknowledged timeline —training begun on August 28, concentration of resources on September 1 «after hearing rumors» of rival advances— confesses that the engine of the operation was not an autonomous research agenda, but a timely competitive reaction. And the precedent of May 2026, when OpenAI’s own vice president of science had to publicly retract a similar claim about the Erdős problems after being refuted by the mathematical community and criticized by executives of rival companies, shows that this is not an isolated incident but a structural pattern of that race: the haste to announce systematically precedes serene verification (Sherwood News, 2026).
[At stake, more than ethics: an attribution of real intelligence]
Beyond the ethical reproach —did they lie? did they plagiarize?—, the episode calls into question the very attribution of «mind,» «ingenuity» and «imagination» to the artificial intelligence system, because the decisive element of the achievement proves traceable to a non-trivial act of human discernment. Scaling the number of computational agents multiplies the physical resources available (M1), but does not generate, by itself, the heuristic selection (M2) of which route to attack among the multiple logically possible variants of a problem. That selection —what to look at, where to start, what to discard— is precisely what the philosophical tradition, from its etymological root, calls intelligence: reading between the options. The temporal and methodological coincidence between the duo’s private work —by that same atypical route, through options c and d of Fefferman’s formulation, which «almost no one else» was working on— and OpenAI’s bet on exactly that route, just after rumors of the rival’s progress became known, suggests that the element of «ingenuity» publicly attributed to OpenAI’s system has, at a minimum, a shared origin with prior human discernment (TechCrunch, 2026).
[Nothing, by itself]
The fact that both OpenAI’s proof and that of Buckmaster and Alpöge required formalization in the Lean language, and the fact that the public praise of a mathematician of Terence Tao’s stature functioned as an act of legitimization, confirm that no proof acquires the status of truth by its mere physical existence (M1): it requires institutional ratification (M3). Lean is not only a technical tool; it is a community convention —an institutional framework in the strict sense— that allows a community of human and automatic verifiers to recognize, step by step, the logical validity of an argument. Without that shared protocol, neither OpenAI’s proof nor that of its contenders would have any way of being recognized as mathematical knowledge and not as a mere assertion. Buckmaster and Alpöge’s three preliminary proofs were formalized in Lean before their publication and earned Tao’s explicit recognition (AI Weekly, 2026); OpenAI itself presented its proof also formalized in that language, as reported by Nature (Ecosistema Startup, 2026e). That both parties, rivals to each other, had to submit to the same institutional protocol for their work to count as proof, illustrates with precision the central point of Homo Institutionalis: the work is not true for being a physical fact, but for having been admitted as such within a framework that the community recognizes as authorized.
[Abrupt scale]
It could be objected that the very magnitude of the deployment —ten thousand concurrent agents, hundreds of billions of tokens— evidences a form of genuinely new intelligence, irreducible to prior human ingenuity: a brute-force intelligence that renders obsolete the emphasis of Homo Institutionalis on human authorship as a condition of the work. But this confuses the amplification of M1 —the physical and computational resources available— with the generation of M2 —the heuristic selection of the route to follow—, which is precisely what remains unexplained by the figure alone. Moreover, the industry’s own recent history refutes the inference that greater scale equals greater epistemic autonomy: the episode of May 2026, in which an equally celebrated deployment of computation turned out to be a simple search for already published references, and not a genuine discovery, shows that scale can coexist with —and even camouflage— the absence of authentic discernment (Sherwood News, 2026; Yahoo Noticias, 2026). The amount of computation invested is not, therefore, evidence of epistemic quality or of real autonomy; and the recurrence of the overannouncement pattern suggests that it is an institutional rhetorical strategy —part of the M3 framework—, not an emergent property of the machine.
[A guild dispute?]
It could be objected, in the opposite sense, that the episode is merely a labor dispute over coauthorship —who signs which article—, a domestic affair of the mathematical profession with no greater philosophical import for the truth of artificial intelligence. This objection, far from weakening the thesis, confirms it by the opposite route. That the dispute turns precisely on credit and the possible use of others’ data reveals that the mathematical work cannot be extracted from its genesis: there is no «pure fact» of mathematical resolution separable from who enunciates it, who authorizes it and under what institutional framework it is legitimized. If the question of credit were irrelevant to the truth of the achievement, it would not have been necessary for OpenAI itself to devote a section of its official statement to denying access to Buckmaster’s logs, nor for Sam Altman to intervene publicly to defend his team. The affair is not incidental noise around a separable achievement: it is constitutive of whether that achievement counts —and to whom it counts— as knowledge.
[Denial]
It could be added that, since Bubeck has called the accusation «false and incendiary» and the company denies having accessed the duo’s work before its publication, there would be insufficient grounds to sustain the thesis of a heteronomous genesis of the achievement. The reconstruction proposed here does not depend on a confession of guilt to sustain itself: OpenAI’s own statement, beyond any punctual denial, already admits —as has been noted— that it cannot rule out that data contamination. In terms of Homo Institutionalis, that sole admission suffices to recognize the structural porosity between the private intellectual work of a researcher (M2) and the institutional machinery of a company that administers the usage logs of its own products as a corporate asset (M3). The institutional truth of the case does not depend on a criminal verdict or on a confession, but on the recognition of those porous frontiers, which the company itself —without intending to— ends up confirming.
[So…]
The truth about the advances of artificial intelligence against human intelligence does not reside in the figures of deployed computation nor in the language of corporate statements, but in the reconstruction of the case: author, work, receiver and institutional framework coproduce what, a posteriori, is called «resolution.» The apparent autonomy of the machine —dressed in the rhetoric of the ten thousand agents— is, looked at closely, the contemporary form assumed by the old need for human intervention. And that intervention does not operate only as an ethical-moral guarantor —not lying, not plagiarizing, not expropriating others’ credit—, although it also operates there: it operates, above all, as the effective producer of that very thing that is attributed to the machine as if it were entirely its own. Its «ingenuity» resides in a heuristic choice that someone had to make first; its «imagination,» in a non-obvious route that someone had to discern among the available options; and its «authorship,» in the last instance, is not a physical fact verifiable in the code, but a recognition that the community —or the company that speaks in its name— decides or refuses to grant.
The episode leaves at least four consequences that go beyond the anecdote. In the first place, it poses a governance requirement for artificial intelligence laboratories: if the usage logs of tools shared by rival researchers can leak —even in a non-identified way— into the training of proprietary models, the contractual guarantee of opt-out is insufficient as long as there is no verifiable transparency about its effective fulfillment. In the second place, it demands rethinking academic coauthorship protocols in an era in which researchers from rival institutions share, without knowing it, the same computational assistance tools: probity can no longer be presumed from the mere institutional separation of the laboratories.