En agosto de 2026, el científico cognitivo Davide Piffer publicó una observación reveladora: el desempeño sobresaliente de la Inteligencia Artificial en competiciones matemáticas de alto nivel no se debe a un pensamiento sobrehumano ni a una lógica más profunda, sino a una capacidad de memoria formidable. Aunque suele atribuirse la habilidad matemática al CI puro o a la abstracción lógica, con frecuencia se ignora que en el cálculo mental el eslabón más frágil es la memoria. Al expandirse las ventanas de contexto de los grandes modelos de lenguaje hacia millones de tokens, la IA ha obtenido prácticamente un borrador externo ilimitado.
4 bloques contra 2 millones de tokens: El cuello de botella del cálculo mental
Cuando un ser humano encuentra dificultades al multiplicar mentalmente dos números de tres dígitos, la barrera fundamental no es el desconocimiento de las reglas algebraicas, sino la incapacidad del cerebro para retener múltiples productos intermedios de forma simultánea. La psicología cognitiva ha demostrado que la memoria de trabajo a corto plazo del ser humano apenas alberga entre 4 y 9 bloques de información (chunks). Sin papel ni lápiz, la mente debe invertir un esfuerzo cognitivo colosal en mantener cifras temporales mientras procesa los pasos siguientes, lo que constituye un estrecho cuello de botella fisiológico.
Por el contrario, las ventanas de contexto de los principales LLM se han ampliado entre 128K y más de 2M+ tokens, permitiendo examinar cientos de miles de palabras en tiempo real. En este vasto espacio simbólico, el modelo puede alojar al mismo tiempo el enunciado original, ecuaciones intermedias a lo largo de cientos de pasos, múltiples rutas de exploración descartadas y definiciones teóricas completas. Esta disparidad de orden de magnitud sitúa al calculador mental humano en un terreno de juego profundamente asimétrico.
Figura: Comparación entre los mecanismos de memoria de trabajo de la IA y el cerebro humano. Fuente: Davide Piffer Substack
Una hoja de papel no vuelve automáticamente más inteligente a una persona, pero expande drásticamente su memoria de trabajo efectiva. La ventana de contexto de un LLM es, en esencia, un bloc de notas masivo combinado con un sistema de recuperación ultra rápido. Desde una perspectiva de ingeniería, la estabilidad de la IA en deducciones complejas depende en gran medida de que jamás olvida un coeficiente calculado tres minutos atrás.
Contabilidad simbólica: Por qué las matemáticas se convirtieron en el terreno ideal para la IA
Las olimpiadas matemáticas representan el escenario idóneo para convertir esta ventaja de memoria de trabajo en un rendimiento superior. En los sistemas matemáticos formales, las premisas básicas son explícitas y cada paso de transformación se puede sustituir y verificar mediante reglas simbólicas estrictas. Esto permite a la IA descomponer demostraciones extensas en un juego de contabilidad simbólica de alta precisión.
Mientras que los competidores humanos deben diseñar estrategias al tiempo que cuidan no cometer errores de cálculo, la IA puede explorar docenas de ramas deductivas en paralelo y comprobar los resultados al instante mediante intérpretes de código o asistentes de demostración formal. Incluso si 99 de esas rutas resultan ser caminos sin salida, la ventana de contexto conserva el registro completo de los fallos, evitando que el modelo tropiece dos veces con la misma piedra. Este registro continuo ataca directamente el punto débil de la memoria humana a corto plazo.
Figura: Modelo multicomponente clásico de memoria de trabajo de Baddeley & Hitch. Fuente: Wikimedia Commons
La literatura académica en ciencia cognitiva respalda de forma sólida esta lectura. Un estudio longitudinal de seis años realizado por Alloway et al. (2010) demostró que la capacidad de la memoria de trabajo en niños de 5 años predice el éxito académico posterior con mayor precisión que los test de CI. Asimismo, un metaanálisis de Friso-van den Bos en 2013 destacó una fuerte correlación positiva entre la memoria de trabajo simbólica y la aptitud matemática. Esto demuestra que, en el ámbito matemático, la buena memoria constituye por sí misma una competencia clave históricamente subestimada.
¿Un von Neumann amplificado o un Einstein aún no nacido?
El físico Eugene Wigner comparó en su momento a dos grandes mentes: John von Neumann poseía una velocidad de cálculo deslumbrante, una memoria prodigiosa y una enorme rapidez para transferir conceptos entre disciplinas; por su parte, Albert Einstein destacaba por una profunda penetración intuitiva y la capacidad de replantear los problemas desde sus fundamentos. Si trasladamos este marco a la IA actual, los modelos de lenguaje se asemejan mucho más a un von Neumann multiplicado exponencialmente por la potencia de cálculo.
Los LLM destacan en la búsqueda exhaustiva, la asociación de patrones y la verificación rápida dentro de espacios simbólicos conocidos. Como señaló el desarrollador hibikir en una discusión de Hacker News, gran parte de lo que se califica como «alto CI» consiste en recordar más combinaciones de reglas que los demás. Sin embargo, cuando se enfrentan a problemas que exigen modificar los supuestos de partida o redefinir el enfoque, una ventana de contexto gigante no genera de forma espontánea saltos conceptuales.
Consideremos un experimento mental: dos personas resuelven el mismo problema matemático complejo; una depende únicamente del cálculo mental, mientras que la otra cuenta con papel infinito, notas impecables, capacidad de deducción en paralelo y herramientas de verificación automática. Cuando esta última gana, atribuimos la victoria a una arquitectura cognitiva aumentada y no a una elevación intrínseca de su inteligencia. Las altas puntuaciones que la IA obtiene hoy en matemáticas son el resultado directo del acoplamiento de esta arquitectura cognitiva de ingeniería.
Redefiniendo los límites de la IA sobre el papel borrador
Analizar la IA desde la dimensión de la memoria de trabajo permite trazar predicciones técnicas mucho más claras sobre sus límites. En tareas que involucran interacciones con múltiples restricciones, cálculos de pasos prolongados, clasificaciones exhaustivas de casos y referencias continuas a resultados previos, la IA muestra una eficiencia abrumadora. Siempre que la labor dependa de una contabilidad simbólica precisa y de la verificación de reglas, la IA superará a los expertos humanos gracias a su colosal espacio de contexto.
Por el contrario, en tareas con contextos extremadamente cortos que requieren saltos conceptuales o romper los marcos establecidos, la ventaja de la IA se reduce con rapidez. Esta distinción nos advierte contra el error de confundir un rendimiento deslumbrante impulsado por la memoria con una intuición profunda y autoevolutiva del modelo.
La perspectiva de la ciencia cognitiva no solo desmonta las narrativas míticas sobre la IA, sino que vuelve a situar la singularidad del pensamiento humano en su lugar. La IA asume la pesada carga del seguimiento de símbolos a lo largo de millones de tokens, pero decidir hacia dónde explorar y cómo redefinir las preguntas sigue siendo patrimonio de la intuición humana sobre la naturaleza del mundo. Cuando una memoria externa masiva deja de ser un recurso escaso, el verdadero núcleo de la competición regresa a aquellos saltos conceptuales que ningún borrador puede contener por sí solo.
Referencias:
- Informe de observación de Davide Piffer: «AI Isn’t Outthinking Mathematicians. It’s Out-Remembering Them.»
- Discusión en la comunidad Hacker News (item?id=49312845)
- Estudio prospectivo de Alloway & Alloway sobre rendimiento académico y memoria de trabajo (2010)
- Metaanálisis de Friso-van den Bos sobre memoria de trabajo simbólica y habilidad matemática (2013)
