Mayo de 1997. Gari Kaspárov, el mejor ajedrecista de la historia hasta ese momento, pierde frente a Deep Blue. Dijo que la competencia apenas empezaba. No fue así: fue la primera de muchas derrotas definitivas del humano frente a la máquina en un dominio que creíamos exclusivamente nuestro. Casi treinta años después, Astra OpenAI protagoniza un episodio equivalente, pero en matemáticas.
OpenAI acaba de presentar algo que varios medios ya están comparando con ese momento. Se llama Astra, y según la propia compañía, una versión interna de este modelo resolvió o avanzó de forma significativa en diez problemas matemáticos que llevaban sin solución entre una y varias décadas [1].
Si trabajas en marketing, ventas o dirección comercial, lo primero que piensas es "esto no me toca, yo no investigo matemática pura". Pero sí te toca, y en este artículo te explico por qué.
¿Qué es Astra OpenAI y qué logró exactamente?
Astra es la próxima familia de modelos de OpenAI, pensada para coordinar múltiples agentes que trabajan juntos durante horas o incluso días sobre un mismo problema complejo, en lugar de responder en un solo intercambio como un chatbot tradicional. Según el reporte de OpenAI, una versión interna del modelo resolvió diez problemas abiertos en geometría de alta dimensión, teoría de códigos, teoría de grupos, complejidad cuántica, criptografía basada en retículos y combinatoria extremal, todos sin avances centrales durante al menos diez años [2].
Entre los resultados destaca una prueba que establece la existencia de grupos no sóficos, resolviendo una pregunta abierta importante en teoría de grupos, y una refutación relacionada con el problema 183 del catálogo de Paul Erdős, que el matemático Thomas Bloom (responsable de erdosproblems.com) calificó como el resultado que más le sorprendió de toda la lista [1][2].
Lo más llamativo para cualquiera que gestione presupuesto de tecnología: el costo total en tokens para generar las diez soluciones fue de aproximadamente 2.000 dólares a precio de API del modelo Sol de GPT-5.6 [1][3]. Si quieres entender mejor cómo se estructuran esos precios por proveedor, publiqué un artículo sobre esto → gpt-5-6-precio-y-velocidad-de-la-ia.
¿Por qué lo llaman "el momento Deep Blue" de las matemáticas?
La comparación no es solo dramatismo editorial. Deep Blue no "entendía" ajedrez como Kaspárov, pero superó su capacidad de cálculo en un dominio muy específico y verificable. Astra tampoco "entiende" matemáticas como un investigador humano, pero produjo argumentos que, una vez formalizados, superaron una verificación automática exigente en un conjunto de problemas donde la comunidad matemática llevaba años estancada.
La diferencia clave con el ajedrez es que aquí no hay un tablero cerrado con reglas fijas: hay un proceso de generación de argumentos que después necesita revisión humana antes de considerarse válido. Por eso varios matemáticos, incluida la investigadora Jenny Lorraine Nielsen, ya señalaron que al menos una de las diez demostraciones contiene un error [1]. El paralelo con Kaspárov es sugerente, pero todavía prematuro cerrarlo del todo.
¿Cómo construyó OpenAI estas demostraciones?
El proceso combinó generación por IA con supervisión humana en cada etapa, no fue un modelo trabajando en solitario sin control. Astra generó los argumentos matemáticos, expertos humanos los convirtieron en manuscritos legibles, y luego cada argumento se formalizó en un certificado del sistema Lean, que verifica automáticamente que una demostración es correcta paso a paso [1][2].
| Etapa | Quién la ejecuta | Qué garantiza |
|---|---|---|
| Generación del argumento matemático | Astra (modelo IA) | Explora hipótesis y caminos de prueba a gran escala |
| Redacción del manuscrito | Matemáticos humanos | Traduce el razonamiento a un formato revisable |
| Formalización en Lean | Astra + verificación automática | Certifica que cada paso lógico es correcto |
| Reconstrucción del razonamiento | Documento generado por IA | Permite auditar cómo se llegó a la solución |
OpenAI también publicó un documento adicional que reconstruye el proceso de razonamiento completo detrás de cada prueba, algo pensado explícitamente para que la comunidad científica pueda auditar el trabajo, no solo confiar en el resultado final [1].
¿Los matemáticos le creen a OpenAI?
No de forma unánime, y esa cautela es sana. El investigador Bharath Ramsundar advirtió que la comunidad está "construyendo rápidamente una torre de resultados de IA 'quizás verdaderos'" y pidió no dar estos hallazgos por buenos hasta que matemáticos humanos los revisen y lleguen a consenso sobre su validez [1]. Otro investigador, Noam Brown de OpenAI, fue transparente sobre los límites: la compañía también intentó y falló en resolver Problemas del Milenio, y aclaró que "no gastamos mucho en cada problema", sugiriendo que hay margen para empujar el cómputo mucho más lejos [3].
Bloom, el matemático que más celebró el resultado del problema 183 de Erdős, también fue claro en rechazar la idea de que la IA esté reemplazando matemáticos, porque el modelo se apoya en más de un siglo de teoría matemática construida por humanos y entrenada sobre todo lo que los matemáticos han escrito [3]. Es un matiz importante: Astra no "piensa" desde cero, amplifica y recombina conocimiento humano acumulado a una velocidad y escala que ningún equipo de investigación podría igualar solo.
¿Qué significa Astra OpenAI para empresas que no investigan matemática pura?
Significa que el tipo de razonamiento que antes requería semanas de trabajo de un especialista, ahora puede ejecutarse en horas por un sistema de agentes coordinados, con verificación automática del resultado. Ese salto de capacidad no se queda en la academia: es la misma arquitectura que empieza a habilitar pricing dinámico complejo, optimización de inventario con miles de variables cruzadas, o forecasting de demanda con escenarios que antes eran computacionalmente inviables de explorar a fondo.
Astra no es un chatbot que responde rápido. Es, según la propia OpenAI, un sistema pensado para que múltiples agentes colaboren en partes distintas de un problema mayor durante horas o días, algo mucho más cercano a un equipo de análisis que a un asistente conversacional [4]. Esa arquitectura de "tareas largas" es la misma tendencia de fondo que ya veíamos en los sistemas multi-agente aplicados a marketing: varios agentes especializados, coordinados, resolviendo piezas de un problema complejo sin intervención humana constante.
Para el gerente comercial que lee esto entre reuniones, la traducción práctica es esta:
- Razonamiento complejo se está volviendo commodity. Lo que hace un mes costaba miles de dólares en cómputo especializado, hoy cuesta cientos. Eso baja la barrera para usar IA en análisis que antes solo justificaban un equipo de data science dedicado.
- Los agentes de larga duración ya no son teoría. Un sistema que planifica, ejecuta, revisa y corrige durante días abre la puerta a automatizar análisis de mercado, auditorías de pricing o modelado de escenarios de forma continua, no puntual.
- La verificación formal importa más que la elocuencia. Astra gana credibilidad porque cada resultado se verifica automáticamente con Lean, no porque "suene convincente". Es el mismo principio que deberías exigirle a cualquier proveedor que te venda IA para decisiones de negocio: pide trazabilidad, no solo un output bonito.
- La cautela de los matemáticos es una lección de gobernanza. Si expertos en la materia piden revisión humana antes de dar por válido un resultado de IA en su propio campo, con más razón deberías mantener supervisión humana antes de ejecutar decisiones comerciales basadas en outputs de un modelo, por sofisticado que sea.
Astra frente a otros modelos de razonamiento en 2026
La carrera por demostrar capacidad de razonamiento avanzado entre OpenAI y Anthropic se ha intensificado durante todo el año. En abril, GPT-5.4 ya había resuelto uno de los problemas de Erdős en apenas 80 minutos, y hace pocas semanas Fable 5 de Anthropic ayudó a refutar una conjetura de casi un siglo de antigüedad [1]. Si quieres profundizar en ese otro hito, publiqué un artículo sobre esto → fable-5-anthropic-ia-b2b.
| Modelo | Compañía | Hito destacado 2026 |
|---|---|---|
| GPT-5.4 | OpenAI | Resolvió un problema de Erdős en 80 minutos |
| Fable 5 | Anthropic | Ayudó a refutar una conjetura de casi un siglo |
| Astra (interno) | OpenAI | 10 problemas abiertos de décadas, verificados en Lean |
Este vaivén competitivo no es anecdótico: cada anuncio empuja a la otra compañía a mostrar músculo similar, y ese ciclo acelera la disponibilidad de modelos con razonamiento cada vez más profundo para casos de uso comerciales, no solo científicos.
¿Qué debería hacer hoy un equipo comercial o de marketing con esta noticia?
No necesitas acceso a Astra para empezar a actuar. Lo que sí necesitas es entender que la capacidad de razonamiento de los agentes de IA disponibles hoy ya permite delegar análisis que antes exigían un especialista dedicado varios días. Empieza por identificar qué decisiones repetitivas de tu negocio (pricing, forecasting, segmentación) podrían beneficiarse de un sistema que razone sobre múltiples variables de forma continua, y evalúa proveedores que ofrezcan trazabilidad del razonamiento, no solo una respuesta final.
Si tu organización ya está evaluando cómo integrar estos sistemas de forma segura y con supervisión adecuada, en Franco trabajamos justamente esa capa de automatización con agentes de IA y MCP para empresas que quieren avanzar sin perder control del proceso.
Conclusiones clave
- Astra es la próxima familia de modelos de OpenAI, diseñada para coordinar múltiples agentes en tareas largas de horas o días, no para respuestas conversacionales rápidas.
- Una versión interna resolvió diez problemas matemáticos abiertos durante al menos una década, con un costo total de cómputo de apenas 2.000 dólares.
- El proceso combinó IA generativa con supervisión humana y verificación formal en Lean, un estándar de rigor que las empresas deberían exigir también en sus propios proyectos de IA.
- Matemáticos expertos piden cautela: al menos un resultado contiene errores según una investigadora, y la comunidad todavía no ha llegado a consenso sobre la validez total del conjunto.
- La competencia OpenAI-Anthropic en razonamiento avanzado (Astra vs. Fable 5) está acelerando la disponibilidad de modelos capaces de análisis complejo a menor costo.
- La lección de negocio no es "usa Astra", sino entender que el razonamiento de larga duración y verificable ya es una capacidad real que puede aplicarse a pricing, forecasting y automatización analítica.
Sobre el Autor
Juan P Franco es consultor en expansión digital, comercio electrónico y automatización con agentes de IA. Ayuda a empresas de todo tamaño y modelo de negocio (B2B, B2C, retail, D2C) a crecer en canales digitales con estrategias basadas en datos y tecnología.
Referencias
[1] Xataka, "OpenAI ya tiene listo Astra, un prometedor modelo de IA que apunta a algo inquietante: el momento Deep Blue de las matemáticas", 2026. https://www.xataka.com/robotica-e-ia/openai-tiene-listo-astra-prometedor-modelo-ia-que-apunta-a-algo-inquietante-momento-deep-blue-matematicas
[2] The Decoder, "OpenAI announces its 'next major model' Astra by dropping ten previously unsolved math solutions", 2026. https://the-decoder.com/openai-announces-its-next-major-model-astra-by-dropping-ten-previously-unsolved-math-solutions/
[3] TheNextWeb, "OpenAI says its next model, Astra, has solved ten open problems in mathematics", 2026. https://thenextweb.com/news/openai-astra-model-ten-math-proofs-non-sofic-groups
[4] OpenAI, "Ten advances in mathematics", 2026. https://openai.com/index/ten-advances-in-mathematics/