¿Todavía vale la pena esforzarse en el razonamiento matemático cuando la inteligencia artificial ya ayuda a destrabar problemas que dejaron atascados a los matemáticos durante décadas? La pregunta parece una provocación, pero hay gente seria pensando en ella. Una de las respuestas más interesantes vino de alguien que vivió ese cambio dentro de su propia investigación.
En una entrevista con MIT News, publicada el 17 de noviembre de 2026, el matemático John Urschel contó cómo fue trabajar con IA por primera vez en sus estudios. Su visión no está en contra de la tecnología. Tampoco es la de alguien deslumbrado. Para Urschel, la máquina puede hasta darte la respuesta, pero el valor de verdad está en entender el camino que lleva hasta ella.
En las próximas líneas vas a ver lo que él defiende, por qué esa idea pesa tanto en las matemáticas en la era de la IA y cómo se conecta con el pensamiento lógico en el marketing, en el día a día de quienes trabajan con campañas, datos y productos digitales. Spoiler: leer un informe de rendimiento se parece más a resolver un rompecabezas de lo que imaginas.
Quién es John Urschel
Según MIT News, Urschel es profesor asistente en el Departamento de Matemáticas del MIT, la misma institución donde hizo el doctorado. Hasta aquí, un currículum académico respetable. El detalle curioso viene antes.
Antes de terminar el doctorado, jugó fútbol americano como lineman en los Baltimore Ravens. En la práctica, era un atleta que entrenaba fuerza para sostener la línea ofensiva en el campo.
Esa historia ayuda a entender la metáfora que usa. Ahora el entrenamiento es otro. En lugar de músculo físico, quiere fortalecer el pensamiento crítico de sus alumnos. Y, como pasa en cualquier gimnasio, nadie se vuelve más fuerte solo mirando a otra persona levantar pesas.
En el aula, de acuerdo con el reportaje, tiene dos objetivos. El primero es ayudar a los estudiantes a entrenar su capacidad para resolver problemas y pensar de forma cuantitativa. El segundo depende de la materia: transmitir las grandes ideas, herramientas y técnicas de cada disciplina, para que los alumnos usen ese conocimiento cuando tengan que enfrentarse a problemas reales fuera de clase.
Cuando la IA llegó a sus investigaciones
De acuerdo con MIT News, Urschel publicó hace poco dos preprints en arXiv. Uno trata sobre el factor de crecimiento de matrices aleatorias. El otro analiza el comportamiento en el peor caso de la eliminación gaussiana, un método clásico para resolver sistemas de ecuaciones.
En los dos trabajos combinó intuición humana con herramientas de IA para atacar problemas que, según el medio, desafiaban a los matemáticos desde hacía décadas. Fueron los primeros artículos en los que usó la máquina, y él admite que la sensación es distinta.
La comparación que hace es muy práctica. Trabajar con IA se parece a tener un colega de investigación, solo que uno con recursos que parecen ilimitados y que hace ciertas tareas mucho más rápido que cualquier persona. Igual que la computadora ya hace cuentas mejor que nosotros, reconoce que estos sistemas hoy resuelven algunos tipos de matemáticas con mucha más eficiencia.
Fíjate en el cuidado de la frase. Habla de ciertos tipos de matemáticas, no de todas. Ese matiz desaparece fácil cuando el tema se convierte en titular, y es justo lo que sostiene el resto de la conversación.
Por qué el razonamiento matemático sigue siendo esencial
Si la máquina es tan rápida, ¿para qué molestarse? La respuesta de Urschel gira en torno a una palabra: comprensión. Recibir una respuesta hecha no es lo mismo que entender lo que está pasando.
Él explica que, cuando una IA entrega la demostración de un hecho matemático, el valor real de esa demostración aparece cuando un ser humano asimila la forma en que la máquina combinó las ideas. Después, esa persona tiene que interiorizar el razonamiento y ser capaz de transmitirlo. Sin ese paso, la demostración se queda en un resultado bonito en la pantalla.
Por eso, según la entrevista, trata a sus alumnos de maneras diferentes. Con quienes usan IA, el énfasis siempre está en la comprensión. Con quienes no la usan, el foco es desarrollar la capacidad de resolver problemas, algo que las matemáticas llevan siglos haciendo.
Su razonamiento cierra de forma sencilla: mientras haya espacio para que los humanos piensen e intenten resolver problemas, y él cree que lo habrá, entrenar esas habilidades sigue valiendo la pena.
La famosa lucha productiva
Hay una idea suya que resume bien la entrevista. A grandes rasgos, Urschel dice que a la gente no le gusta la palabra lucha, pero que, cuando no peleamos con un contenido por nuestra cuenta, corremos el riesgo de sentir que aprendimos sin haberlo hecho de verdad.
Si alguna vez viste un tutorial completo, te pareció todo clarísimo y luego te bloqueaste al intentarlo solo, sabes exactamente de qué habla. La sensación de dominio engaña.
Piensa en un ejemplo: alguien que quiere aprender a armar fórmulas en una hoja de cálculo. Si solo copia la fórmula que le sugirió la IA, la tabla funciona ese día. A la semana siguiente, cuando la estructura de los datos cambia un poquito, no sabe por dónde empezar. Ahora imagina a esa misma persona dándole vueltas al problema unos minutos antes de pedir ayuda. Se equivoca, prueba, entiende la lógica. En el próximo cambio, lo resuelve sola.
MIT News recuerda además que un informe de un comité del propio MIT, dedicado al uso de la IA en la enseñanza, el aprendizaje y la formación en investigación, también destacó la importancia de ese esfuerzo necesario y productivo, además del lado colaborativo del aprendizaje. Urschel, por lo tanto, no habla solo.
Ese lado colectivo también aparece en el texto del medio, que menciona la importancia de la educación presencial en los campus, donde los estudiantes viven la lucha de resolver problemas y la conexión con otras personas. Aprender juntos, discutir, equivocarse delante de alguien. Todo eso forma parte del entrenamiento.
La otra cara: la IA como herramienta que nivela el juego
Sería fácil convertir a Urschel en un crítico de la tecnología. Pero no lo es. En la entrevista afirma que el avance de la IA debe verse como una enorme victoria para la educación.
El motivo es directo. Una tecnología fácil de usar, que abre la puerta a una cantidad inmensa de conocimiento, ayuda a nivelar el juego para quienes antes no tenían ese acceso. Incluso menciona que ninguno de sus padres era profesor, lo que le da un tono personal al argumento. Este punto conecta mucho con lo que ya comentamos sobre la nueva era de la capacitación con inteligencia artificial.
Para el público hispanohablante, esta parte tiene mucho sentido. Mucha gente aprende por su cuenta, después del trabajo, sin un profesor cerca para resolver dudas. Tener una herramienta que explica un concepto de cinco maneras distintas, a cualquier hora, es una ventaja real.
Ahí está el equilibrio. Según se desprende de la entrevista, la IA amplía el alcance y acelera el camino, pero el pensamiento propio sigue siendo del alumno. Y él hace una confesión personal que dice mucho: la alegría de resolver un problema, para él, sigue siendo mayor cuando lo hace solo, sin la máquina.
Pensamiento lógico en el marketing: qué cambia para ti
Ahora traigamos la conversación a terreno conocido. Quien trabaja en marketing digital vive rodeado de paneles, informes automáticos y resúmenes generados por IA. Son una gran ayuda, sin duda. Pero el riesgo que Urschel señala en las matemáticas aparece igualito aquí: creer que entendiste los números solo porque leíste la conclusión de la herramienta.
El pensamiento lógico en el marketing empieza con preguntas incómodas. ¿Esa conversión vino de verdad de ese anuncio o el modelo de atribución le está dando el crédito al último clic? ¿El test A/B corrió el tiempo suficiente? ¿La métrica que subió tiene relación con el objetivo del cliente o solo se ve bien en la diapositiva?
Ninguna de estas preguntas requiere cálculos avanzados. Requiere atención.
Usar la IA como compañera de análisis tiene todo el sentido, y hay muchas formas de usar la inteligencia artificial en el marketing digital que ahorran horas de trabajo. La diferencia está en poder explicar, con tus propias palabras, al equipo o al cliente, por qué ese número tiene sentido.
Un ejemplo del día a día
Imagina una agencia pequeña que trabaja para una tienda online de ropa. La herramienta de IA genera el informe del mes y señala que una campaña de remarketing fue la gran estrella. Todo listo para enviarlo al cliente.
Antes de mandarlo, la analista decide revisarlo con calma. Se da cuenta de que el periodo coincidió con una promoción fuerte en la web y de que buena parte de las personas impactadas ya estaba a punto de comprar. La campaña ayudó, pero quizá no tanto como sugería el resumen.
Esa revisión no exige ninguna fórmula complicada. Exige curiosidad y la costumbre de desconfiar de las respuestas fáciles, que es justo el músculo que Urschel quiere ver entrenado.
Lo mismo vale para quien trabaja con productos digitales. Piensa, por ejemplo, en un equipo que le pide a la IA resumir cientos de comentarios de usuarios. El resumen dice que el problema principal es el precio. Pero, leyendo una muestra con atención, alguien nota que mucha gente se queja del precio justo después de atascarse en un paso confuso del registro. El problema de fondo puede ser la experiencia, no el precio. Sin esa lectura humana, el equipo habría tocado lo que no era.
Cómo mantener en forma el músculo matemático
La buena noticia es que nadie necesita convertirse en matemático para entrenar este razonamiento. Puedes sumar algunos hábitos a tu rutina sin renunciar a las herramientas:
- Intenta resolver parte del problema por tu cuenta antes de pedirle ayuda a la IA, aunque sea un borrador de hipótesis.
- Pide a la herramienta que muestre el razonamiento paso a paso, no solo el resultado final.
- Reescribe con tus palabras lo que produjo la IA, como si se lo explicaras a un compañero nuevo.
- Dedica un ratito a desafíos lógicos sencillos, como sudokus o crucigramas.
Este último punto tiene todo que ver con el propio Urschel. Cuenta que, desde muy pequeño, le encantaban los rompecabezas de todo tipo, desde sudokus hasta crucigramas, pasando por los desafíos matemáticos de Martin Gardner. Para él, el placer está en enfrentarse a algo que todavía no entiendes, orientarte poco a poco e ir abriéndote camino hasta comprenderlo.
El tercer hábito, por cierto, quizá sea el más poderoso. Cuando intentas explicar algo y te trabas a mitad de camino, descubres al instante lo que todavía no entendiste. Es una prueba honesta, rápida y gratis.
Fíjate en que ninguno de estos hábitos te pide dejar la IA. La propuesta es usar la herramienta como entrenador, no como alguien que levanta las pesas por ti.
Quien entiende sigue por delante
El mensaje de John Urschel es claro: la IA acelera, acorta caminos y ya ayudó a atacar problemas antiguos, pero quien tiene que entender eres tú. En matemáticas o en un informe de campaña, el valor está en asimilar la lógica y ser capaz de explicarla.
En este escenario gana terreno quien piensa junto con la máquina, cuestiona, ajusta y asume el análisis como propio, no quien solo reenvía lo que ella entrega. Esa es la esencia de las matemáticas en la era de la IA, y también aplica para quien trabaja con inteligencia artificial y automatización en el marketing digital.
La próxima vez que te llegue un informe listo, tómate unos minutos para rehacer el razonamiento por tu cuenta antes de aceptar la conclusión. Es un entrenamiento pequeño. Pero es el que mantiene tu cabeza afilada.
