Un equipo de UT Austin, Princeton y UCLA publicó un caso de estudio esta semana documentando cómo un sistema de investigación de IA ayudó a reducir los mejores límites conocidos sobre la constante de Grothendieck K_G — un problema abierto desde 1953 con implicaciones directas para algoritmos de aproximación y optimización combinatoria. Resultado: 1.7135 ≤ K_G ≤ 1.7818, fijando el dígito de las décimas en 7 por primera vez. El límite inferior no se había movido desde que Davie y Reeds lo establecieron en la década de 1980.

El sistema de IA funcionaba como un modelo de razonamiento emparejado con un agente de codificación, comunicándose a través de memoria persistente basada en archivos. Operadores humanos lo dirigían de forma asincrónica a través de un canal dedicado, interviniendo entre ejecuciones en lugar de en tiempo real. Un protocolo de verificación interna permitía al sistema verificar el trabajo intermedio antes de presentar resultados a los humanos. Los resultados matemáticos completos aparecen en un documento complementario (arXiv:2608.11158) con pruebas verificadas de forma independiente.

El sistema produjo matemática genuinamente nueva, no recuperación o recombinación. En el lado del límite superior, introdujo esquemas de Krivine limitantes — una extensión asintótica de la familia de algoritmos de redondeo estudiada desde 1977 — reduciendo el techo de K_G < π/(2log(1+√2)) ≈ 1.7822 por 3.47×10⁻⁴. En el lado del límite inferior, estableció el primer argumento acotando K_G desde abajo sin construir una instancia difícil explícita. Todos los límites inferiores anteriores se basaban en construcciones de brechas; este funcionó a través de limitaciones en esquemas de redondeo asintóticamente óptimos.

El artículo posiciona esto contra dos paradigmas dominantes de IA-matemática. Los sistemas guiados por evaluador (FunSearch, AlphaEvolve) requieren un objetivo fijo y puntuación automática. Los sistemas de prueba formal (AlphaProof) requieren una declaración formal fija y un asistente de prueba. Ninguno aplica a la investigación donde el objetivo en sí es poco claro y las preguntas correctas deben ser descubiertas. Este sistema operaba en un nivel más difícil: decidir qué intentar a continuación, retener lo que falló y por qué, y construir hacia un resultado sin objetivos fijos o retroalimentación densa.

Los autores reportan una asimetría consistente. La ejecución técnica — derivación, implementación, computación — fue fuerte. El juicio de investigación no lo fue: el sistema fue sustancialmente menos confiable al decidir qué valía la pena perseguir o mantener el estado de investigación preciso. En dominios de recompensa escasa con retroalimentación retrasada, esa brecha importa. El sistema presentó pasos matemáticos novedosos, pero los humanos proporcionaban la agenda de investigación y corregían la deriva de estado.

Para arquitectos que diseñan canalizaciones de razonamiento de horizonte largo, la pila es concreta: un modelo de razonamiento para inferencia, un agente de codificación para implementación, memoria persistente basada en archivos, auto-verificación antes de escalada y dirección humana en límites de sesión. El modo de falla es igualmente concreto: el juicio de investigación del agente y el seguimiento de estado se degradan con el tiempo a pesar de la ejecución técnica precisa. Los sistemas de producción que utilizan este patrón necesitan mecanismos explícitos — auditorías de memoria estructurada, resúmenes de estado legibles por humanos, puntos de control de dirección periódicos — para compensar la deriva.

El resultado de la constante de Grothendieck es el primero desde la década de 1980 en mover el límite inferior por más de una perturbación infinitesimal. Si esta arquitectura de agente se generaliza a otros problemas abiertos sin andamio humano similar permanece sin probar.