La Hipótesis del Tiempo Exponencial (ETH, por sus siglas en inglés) es una premisa de la informática teórica según la cual el esfuerzo para resolver ciertos problemas crece exponencialmente con su tamaño. Esta semana, OpenAI y Anthropic aseguraron haberla refutado con pruebas generadas por IA, después de 27 años de vigencia. Los investigadores todavía no han verificado esas pruebas de forma independiente, así que por ahora es una afirmación y no un hecho confirmado. Este artículo resume qué es la ETH, qué dicen los investigadores y qué lecciones deja a una empresa que usa IA.
Los datos provienen del reportaje de Isabella Ward para WIRED en Español, publicado el 29 de octubre de 2026. Las cifras y declaraciones son las que reporta ese medio; no hemos revisado las pruebas publicadas.
Hipótesis del Tiempo Exponencial: qué es y por qué importa
Gran parte de la investigación teórica en informática sobre complejidad y diseño de algoritmos se ha basado en la premisa de que el esfuerzo necesario para resolver ciertos problemas aumenta exponencialmente con el tamaño del problema. Esa premisa es la ETH. Por eso, si resultara falsa, no se trataría de un detalle: afectaría a trabajos que la usaban como punto de partida. El profesor Peter Jonsson, de la Universidad de Linköping, tiene previsto presentar su trabajo dentro de dos semanas en el Simposio IEEE sobre Fundamentos de la Informática, y según él gran parte de ese trabajo quedó obsoleto el lunes, cuando la IA demostró, según las empresas, que la hipótesis era errónea. Jonsson prevé que su situación será muy común en el congreso: muchas charlas empezarán diciendo que la ETH es falsa y que la mitad del artículo ya no funciona.
Las pruebas: abiertas, pero sin verificación independiente
Los investigadores aún no han verificado de forma independiente las pruebas generadas por IA, ni han tenido tiempo de comprenderlas completamente. Ambas empresas las publicaron en GitHub, tanto en lenguaje natural como en formato Lean, que las máquinas pueden verificar. OpenAI pidió a los informáticos de la Universidad de California en Santa Bárbara que propusieron originalmente la hipótesis, y a un académico del MIT que había refutado una versión de la ETH, que convoquen a investigadores para analizar las pruebas. Hasta ahora, ese esfuerzo incluye un formulario de Google para pedir voluntarios y comentarios, y el compromiso de OpenAI de financiar una conferencia. Daniel Lokshtanov, profesor de la UC Santa Barbara, planea sumarse porque estima que el resultado, de confirmarse, lo dejaría completamente equivocado y haría que alrededor de 50 de sus artículos publicados fueran inútiles o necesitaran revisión.
Reacciones: entre el entusiasmo y el agotamiento
Las reacciones son mixtas. Thore Husfeldt, jefe del grupo de algoritmos de la Universidad de Tecnologías de la Información de Copenhague, había dedicado la mayor parte del año a un único problema de su subcampo y reconoce que ahora todo es irrelevante. Aun así, a diferencia del hastío que ha invadido a otros matemáticos frente a demostraciones igualmente revolucionarias generadas por IA, se muestra entusiasmado: compara el hallazgo con encender la luz en una habitación oscura y considera que es un resultado único en una generación. Victor Lagerkvist, de Linköping, también lo ve como emocionante y planea retomar problemas que había abandonado bajo la suposición de que la ETH era correcta.
El costo humano
La nota no oculta el lado difícil. Husfeldt cuenta que los últimos meses han sido muy duros: cada semana o cada dos, resultados anunciados por IA aniquilan proyectos de investigación en curso, lo que describe como psicológicamente agotador. Su departamento incluso ha considerado contratar a un psicólogo laboral, porque algunas personas están muy deprimidas y tristes. La ciencia siempre ha avanzado formulando hipótesis y demostrándolas erróneas, pero la IA acelera ese proceso y genera inquietud en los investigadores sobre su lugar ahora que las máquinas pueden superarlos.
Resumen visual
Esta infografía resume los datos clave y lo que aún falta verificar.
El exceso de contenido generado por IA
Los investigadores también se han visto desbordados por la cantidad de contenido que se genera hoy con IA, incluidos resultados de muy baja calidad. En plena entrevista, Husfeldt recibió, desde una cuenta de Gmail aleatoria, lo que sospecha que es un documento de 17 páginas generado por IA sobre las consecuencias del resultado; no lo leerá, porque leer matemáticas exige una gran inversión de tiempo cognitivo. OpenAI contribuyó a esa saturación: a principios de este mes publicó 722 manuscritos sobre 400 problemas en GitHub, lo que los académicos critican porque dificulta entender los resultados. Se sumaron varios documentos con errores, lo que algunos matemáticos interpretaron como un lanzamiento apresurado pensado para impulsar la salida a bolsa de la compañía. En esta ocasión, el artículo de OpenAI de unas 60 páginas sobre la ETH parece estar mejor escrito, según los académicos consultados por WIRED, y ahora trabajan a contrarreloj para descifrarlo.
Criptografía e infraestructura digital
El hallazgo también podría tener repercusiones en la criptografía que sustenta la seguridad web, que se basa en suponer que ciertos problemas matemáticos requieren un tiempo excesivamente largo para resolverse. Según la nota, este resultado en particular no afecta directamente a la criptografía, pero Lokshtanov advierte que sin duda debería preocupar a algunos diseñadores de estos sistemas. Husfeldt añade que por eso importa seguir trabajando en informática teórica, con ayuda humana y de IA, en un proceso científico abierto que permita identificar los malentendidos sobre la computación, porque gran parte de la infraestructura digital moderna se basa en suposiciones sobre ella.
Qué significa para tu empresa
Tu empresa probablemente no demuestra teoremas, pero este episodio deja cuatro lecciones para cualquier equipo que use IA. Son recomendaciones de Infinitix y no conclusiones de la nota.
- La verificación independiente es el cuello de botella. Si la IA produce resultados más rápido de lo que alguien los puede revisar, el valor se pierde. Define quién revisa, con qué criterio y cuánto tarda, antes de dejar que algo generado por IA llegue a producción.
- Prefiere resultados verificables por máquinas. Las pruebas se publicaron en un formato que una máquina puede comprobar. En tus procesos, eso equivale a pruebas automáticas, validaciones y reglas que revisen lo que la IA entrega.
- Filtra el volumen para proteger la atención. El exceso de documentos generados por IA satura a quien debe revisarlos. Limita cuántos entregables genera un agente, pide resúmenes con evidencia y prioriza lo que de verdad decide algo.
- Gestiona el cambio con las personas. Cuando la IA automatiza tareas, hay quien siente que su trabajo pierde sentido. Comunica qué cambia, qué no y dónde sigue siendo valioso el criterio de tu equipo, antes de que el desgaste aparezca.
Este caso conecta con lo que vimos en el estudio del MIT sobre IA en la ciencia, donde los propios autores piden verificar lo que produce la IA.
Y como la nota involucra a dos empresas que miran a la bolsa, revisa qué reveló Anthropic en su documentación de salida a bolsa.
Sobre control y supervisión, lee la carta de más de 400 científicos sobre seguridad de la IA.
Para ver cómo se evalúa un sistema de IA antes de confiar en él, revisa nuestro análisis del informe de la OCDE sobre la IA gubernamental en México.
En Infinitix diseñamos agentes de IA y automatizaciones con pruebas sobre datos reales y supervisión humana. Conoce nuestros servicios de agentes de IA o cómo automatizar procesos con IA.
Lo que la nota no dice
La nota no presenta una verificación independiente de las pruebas y las afirmaciones de refutación son de las propias empresas. Tampoco detalla el contenido matemático de las demostraciones ni cuánto tardará la comunidad en revisarlas. Es posible que algunas partes se corrijan o se matice el alcance del resultado. Conviene tratarlo como una noticia en evolución y esperar la revisión de los especialistas.
Nota de transparencia: Claude, el modelo con el que se redactó este artículo, es desarrollado por Anthropic, una de las empresas de las que trata la noticia. El texto se limita a lo que reporta WIRED y a recomendaciones generales para empresas.
Preguntas frecuentes
¿Qué es la Hipótesis del Tiempo Exponencial (ETH)?
Es una premisa de la informática teórica, vigente desde hace 27 años, según la cual el esfuerzo necesario para resolver ciertos problemas aumenta exponencialmente con el tamaño del problema. Gran parte de la investigación sobre complejidad y diseño de algoritmos se ha apoyado en ella.
¿Quién dice haberla refutado?
Tanto OpenAI como Anthropic aseguran haberla refutado esta semana, según la nota de WIRED. Ambas publicaron sus pruebas en GitHub, en lenguaje natural y en formato Lean, que las máquinas pueden verificar.
¿Ya está confirmado?
No. Los investigadores aún no han verificado las pruebas generadas por IA de forma independiente, ni han tenido tiempo de comprenderlas por completo. OpenAI pidió a los informáticos que propusieron la hipótesis y a un académico del MIT que convoquen a investigadores para analizarlas, y se comprometió a financiar una conferencia.
¿Qué pasa si se confirma?
Trabajos teóricos que daban la ETH por cierta quedarían obsoletos o necesitarían revisión. Daniel Lokshtanov, de UC Santa Barbara, estima que unos 50 de sus artículos publicados serían inútiles o requerirían revisarse. Otros investigadores, en cambio, ven la oportunidad de retomar problemas que habían dejado de lado.
¿Afecta a la criptografía que protege internet?
Según la nota, este resultado en particular no afecta directamente a la criptografía, pero Lokshtanov advierte que debería preocupar a algunos diseñadores de sistemas criptográficos, porque esa seguridad se basa en suponer que ciertos problemas matemáticos tardan demasiado en resolverse.
¿Qué puede aprender una empresa de este caso?
Que cuando una IA produce resultados más rápido de lo que se pueden revisar, la verificación independiente es el cuello de botella; que conviene preferir resultados verificables por máquinas; y que el cambio rápido tiene un costo humano que hay que gestionar. Es una recomendación nuestra, no una conclusión de la nota.
Conclusión
Si las pruebas de OpenAI y Anthropic se confirman, la Hipótesis del Tiempo Exponencial pasaría a ser falsa tras 27 años y obligaría a revisar parte de la informática teórica. Por ahora es una afirmación que la comunidad está empezando a verificar. Para tu empresa, la lección es la misma que plantean los propios investigadores: revisar de forma independiente lo que produce la IA, filtrar el volumen y cuidar a las personas durante el cambio. Fuente: WIRED en Español.
Artículos relacionados
- IA en la ciencia: del 2% al 35% en problemas teóricos, según el MIT, y qué aprende tu empresa
- Anthropic salida a bolsa: qué revela su documentación sobre ingresos, pérdidas y riesgos de la IA
- Seguridad de la IA: 400 científicos piden contención y supervisión internacional, y qué hacer en tu empresa
- México no audita su IA gubernamental: qué dice la OCDE y qué aprende tu empresa