Respuesta directa. La hipótesis de Riemann vuelve al debate científico después de que Levent Alpöge, matemático de Anthropic, afirmara haber encontrado una demostración junto al modelo Claude. Difundió una nota y código para el asistente de pruebas Lean. Aunque se informaron comprobaciones informáticas independientes, la comunidad matemática todavía debe examinar el resultado y el Clay Mathematics Institute mantiene el problema como no resuelto.
Un anuncio extraordinario, con una distinción esencial
El 20 de noviembre de 2026, Alpöge publicó una nota de cuatro páginas en la que afirma creer que, trabajando con Claude, descubrió una prueba de la hipótesis de Riemann. También sostiene que el método alcanza una versión generalizada. Esa formulación importa: es una afirmación del investigador, no un veredicto definitivo de la comunidad científica.
La revista Nature informó el anuncio y recogió opiniones de especialistas que consideran necesario un examen riguroso. Si la demostración supera las revisiones, podría constituir un avance histórico tanto para la teoría de números como para la investigación asistida por inteligencia artificial. Si no las supera, el episodio seguirá mostrando la importancia de verificar argumentos generados con herramientas automatizadas.
La diferencia entre esas posibilidades no se decide por la reputación de una empresa, la extensión del código ni el entusiasmo en redes sociales. Depende de que especialistas puedan reproducir las comprobaciones, entender qué se ha demostrado y determinar si las definiciones y supuestos corresponden al problema original.
Qué plantea la hipótesis de Riemann
Formulada en 1859 por Bernhard Riemann, la hipótesis se relaciona con la distribución de los números primos, aquellos enteros mayores que uno divisibles solo por uno y por sí mismos. Los primos aparecen de manera irregular, pero su comportamiento colectivo obedece a patrones que los matemáticos estudian desde hace siglos.
En términos técnicos, la hipótesis afirma que todos los ceros no triviales de la función zeta de Riemann tienen parte real igual a un medio. No es necesario dominar el análisis complejo para captar el punto central: la proposición permite describir con mayor precisión cuánto se aparta la distribución de los primos de su comportamiento promedio.
Comprobar muchísimos casos no equivale a demostrar una afirmación sobre infinitos casos. Una prueba debe establecer que no existe ninguna excepción dentro del ámbito definido, no solo que una búsqueda computacional aún no la ha encontrado.
Nota de entidad: qué dice el Instituto Clay
El Clay Mathematics Institute incluye la hipótesis entre los Problemas del Milenio y, al consultar su ficha para este artículo, todavía la clasifica como no resuelta. La entidad explica que los ceros no triviales relevantes deben situarse en la línea cuya parte real es un medio. Su clasificación es una referencia institucional, distinta de una comprobación aislada o de una declaración de prensa.
La fecha y el estado de esa ficha pueden cambiar. Por eso, cualquier actualización del anuncio debe contrastarse con la fuente primaria, las revisiones técnicas y las comunicaciones de la institución, en lugar de suponer que el reconocimiento ocurre automáticamente cuando se publica código.
Qué papel tuvieron Claude y Lean
Claude es el sistema de inteligencia artificial de Anthropic con el que Alpöge dice haber trabajado. Lean, en cambio, es un asistente de demostración: permite expresar definiciones, teoremas y razonamientos en un lenguaje formal que un verificador informático puede procesar. Son herramientas diferentes. Una puede participar en la elaboración de un argumento; la otra ayuda a comprobar su estructura lógica formal.
Según la nota del propio investigador, el argumento es extraordinariamente extenso y eligió compartir su formalización. The Next Web informó que el material se difundió como código Lean y que el autor atribuyó a Claude pasos finales del trabajo. El tamaño del material dificulta que otras personas comprendan el razonamiento completo, aunque los sistemas automáticos ayuden a revisar sus inferencias.
Un chequeo formal ofrece una señal fuerte, pero no responde por sí solo todas las preguntas científicas. Hay que revisar que la formulación codificada sea efectivamente la hipótesis conocida, que las definiciones sean las esperadas y que los supuestos usados se identifiquen. También queda la tarea de explicar las ideas de manera que otros matemáticos puedan estudiarlas y reutilizarlas.
Qué se ha comprobado y qué queda pendiente
The Next Web informó que Andrew Sutherland, matemático del MIT, compiló el código de manera independiente. El mismo medio señaló que aún estaba pendiente una comprobación destinada a contrastar que el código representara la afirmación matemática correcta. Son hitos importantes, pero conviene describirlos con su alcance y en el momento en que fueron reportados.
Una actualización de MoreRead Journal del 21 de noviembre reportó verificaciones independientes adicionales y una comparación de enunciados, mientras otro proceso integral seguía en curso. La información ilustra que las comprobaciones pueden avanzar por etapas y que no basta con repetir una versión temprana sin indicar cuándo se conoció.
Classica no ha ejecutado ni auditado el código matemático. La información sobre esos controles procede de los medios citados, no de una validación propia. Además, la aceptación amplia y la comprensión del argumento son procesos distintos de la ejecución exitosa de un programa: pueden requerir más revisión, debate y documentación.
Por qué importa para empresas y equipos de tecnología
Para las organizaciones chilenas, el caso no implica que una aplicación comercial resolverá automáticamente problemas científicos o estratégicos. Sí muestra una diferencia práctica entre pedirle a un modelo una respuesta convincente y diseñar un proceso que pueda someter esa respuesta a controles externos.
En ingeniería de software, por ejemplo, un sistema puede proponer código y otro conjunto de herramientas ejecutar pruebas, revisar dependencias o buscar vulnerabilidades. En análisis de datos, un modelo puede sugerir una interpretación, pero el equipo debe conservar fuentes, métodos y una forma de reproducir los cálculos. La automatización fortalece el trabajo cuando permite inspeccionar resultados, no cuando vuelve innecesaria la responsabilidad humana.
También existe una advertencia para equipos de marketing: una frase espectacular sobre una IA puede borrar matices esenciales. Decir que un investigador presentó una prueba y que hay controles en marcha es distinto de anunciar que el problema fue resuelto definitivamente. En contextos científicos, financieros o de salud, ese matiz puede cambiar por completo la decisión del lector.
Cuatro preguntas para evaluar afirmaciones de IA
Primero, cuál es la afirmación exacta. Hay que separar una demostración general de una prueba en un conjunto limitado de ejemplos. En productos empresariales, el equivalente es distinguir entre una prueba de concepto y una capacidad disponible para todos los clientes.
Segundo, quién verificó y cómo. Una revisión hecha por el mismo proveedor no tiene el mismo alcance que una reproducción independiente. Es útil identificar los datos, los métodos y los eventuales conflictos de interés, sin descartar automáticamente una investigación por su origen.
Tercero, qué permanece abierto. Un chequeo puede confirmar la consistencia formal de un paso y dejar pendiente la adecuación del enunciado. Los responsables de tecnología deberían documentar tanto los resultados favorables como las limitaciones conocidas.
Cuarto, qué decisión justifica la evidencia. Un avance en matemáticas puras no demuestra, por sí solo, que estén comprometidos los sistemas criptográficos de una empresa. Para evaluar seguridad se requiere un análisis específico de protocolos, implementaciones y amenazas, no extrapolaciones apresuradas desde un titular.
Una oportunidad para mejorar el debate público
La propuesta de Alpöge llega en un momento en que las capacidades de los modelos reciben intensa atención. El caso muestra una pregunta más amplia: cómo comunicar avances cuando un sistema puede producir resultados complejos más rápido de lo que las personas pueden explicarlos. La respuesta no es rechazar la herramienta ni aceptar cualquier salida, sino fortalecer los mecanismos de revisión.
Para universidades, empresas y medios chilenos, la lección práctica es conservar la trazabilidad. Quién hizo la afirmación, qué material publicó, qué se ha verificado y qué falta son preguntas que permiten informar sin inflar expectativas. Si la hipótesis termina considerándose demostrada, esas mismas preguntas ayudarán a explicar por qué se llegó a ese consenso.
Por ahora, el hecho verificable es más acotado y aun así relevante: un matemático presentó una propuesta asistida por Claude, disponible en formato formal, y comenzaron comprobaciones que deberán ser interpretadas por la comunidad. El resultado final sigue abierto a revisión.
Preguntas frecuentes
¿Claude resolvió la hipótesis de Riemann?
Levent Alpöge afirma haber encontrado una demostración trabajando con Claude, pero el resultado todavía requiere examen de la comunidad matemática. El Clay Mathematics Institute mantenía el problema como no resuelto al consultar su ficha.
¿Qué estudia la hipótesis de Riemann?
La hipótesis de Riemann establece una propiedad de los ceros no triviales de la función zeta. Está relacionada con la precisión con que se describe la distribución de los números primos.
¿Qué es Lean en esta investigación?
Lean es un asistente para expresar y comprobar argumentos matemáticos formales. No es lo mismo que Claude, el modelo de inteligencia artificial que Alpöge dice haber usado para desarrollar el trabajo.
¿Una compilación independiente demuestra que el caso está cerrado?
Una compilación independiente es una evidencia técnica importante, pero también se debe contrastar el enunciado, revisar los supuestos y someter el resultado al examen de especialistas.
¿La noticia significa que la criptografía ya no es segura?
No se puede concluir que los sistemas criptográficos estén comprometidos solo por esta noticia. Cada riesgo de seguridad requiere evaluar algoritmos, implementaciones y amenazas, no extrapolaciones apresuradas.