Interpretación editorial: el límite de la IA científica ya no es producir resultados, sino verificarlos, entenderlos y atribuirlos. Mientras los laboratorios decidan el ritmo y el nivel de detalle de lo que publican, ese coste recaerá sobre terceros, ya sean matemáticos, voluntarios de Wikimedia o evaluadores independientes. La verificación formal reduce una parte del riesgo, pero no sustituye la comprensión humana ni los estándares de divulgación.

Hasta ahora el cuello de botella de las matemáticas era encontrar pruebas. Si una empresa puede generar cientos de resultados al mes, el límite pasa a ser comprobar que enuncian lo que dicen, entender qué aportan, atribuir el trabajo previo y decidir qué merece entrar en la literatura. Esa carga recae sobre una comunidad que no controla ni el modelo ni el calendario. El caso sirve de ensayo general para otros campos científicos, porque los laboratorios usan problemas abiertos como evaluación de sus modelos y como escaparate. Interpretación: lo que se discute no es solo si las pruebas son correctas, sino quién fija el ritmo y las reglas de divulgación.

Qué vigilar: Comprobable antes del 2026-11-06: (1) si OpenAI publica prompts o, al menos, modelo y cómputo por resultado, o abre el modelo a verificadores externos, como pide el grupo asesor del IAS; (2) si el repositorio openai/math registra correcciones o retiradas de manuscritos sin formalizar, y si algún matemático independiente documenta un enunciado Lean que no capture la conjetura original; (3) si se publican los pesos de Mistral Large 4 en la fecha prometida, a final de octubre, y si Artificial Analysis o el tablero de DeepSWE los evalúan.

Descodificado: hay noticias, y luego está lo que significan.