La amenaza del solucionador: la asistencia de IA en matemáticas en 2026 y qué es lo que realmente resiste

Hallazgos

1. Solucionadores matemáticos de consumo: capacidad y alcance

Photomath combina un sistema de álgebra computacional con OCR (extendido a reconocimiento de escritura a mano desde 2016) para escanear un problema impreso o manuscrito — incluyendo problemas de palabras — y producir una solución paso a paso en segundos, cubriendo matemáticas “de primaria a universidad”: aritmética, álgebra, geometría, trigonometría, estadística y cálculo [4][5]. La escala es grande: a partir de 2021, más de 220 millones de descargas y aproximadamente 2.2 mil millones de problemas resueltos por mes [4]. Symbolab anuncia explícitamente la aceptación de “written pages and screenshots” junto con notación escrita y consultas en lenguaje natural, cubriendo desde pre-álgebra hasta cálculo, trigonometría, física y estadística, presentando la salida como paso a paso en lugar de solo la respuesta [6]. La fortaleza de Wolfram|Alpha es el cómputo simbólico/de forma cerrada con entrada de formato libre — muy fuerte en álgebra canónica, cálculo y resolución de ecuaciones, históricamente más débil en problemas que requieren análisis semántico de un problema de palabras ambiguo. Las apps centradas en cámara como Gauth (y Microsoft Math Solver, que añade reconocimiento de escritura a mano y graficación a un pipeline similar de OCR más solucionador) siguen el mismo patrón: cámara adentro, respuesta con pasos afuera en segundos, varias con un chat de tutor humano o de IA en vivo superpuesto para cualquier cosa que el solucionador automático no analice limpiamente. El hilo común es que estas herramientas son más fuertes justo donde los problemas escolares y de apps de práctica son más débiles por necesidad de diseño: problemas únicos, bien planteados, de forma cerrada, con una sola respuesta final correcta.

2. Asistentes de IA generales: de AIME al oro de la IMO

Los LLM de frontera ya atravesaron y superaron el nivel de matemáticas de competencia que solía ser un techo significativo. AIME (un examen olímpico clasificatorio de EE. UU.) ahora aparece listado por al menos un rastreador de benchmarks como un benchmark “archivado” o saturado porque “el desempeño en este benchmark se ha saturado” y los proveedores dejaron de correr lanzamientos nuevos contra él, con una puntuación máxima de 98.12% registrada para Gemini 3.1 Pro Preview y una nota de que nueve de los diez modelos mejor clasificados en el leaderboard son modelos de razonamiento [12]. La generación de demostraciones en lenguaje natural de nivel de competencia, la frontera más dura, también ha caído más rápido de lo esperado. En 2024, AlphaProof y AlphaGeometry 2 de DeepMind alcanzaron 28/42 puntos (nivel de medalla de plata) en la IMO, pero solo después de que los problemas fueran traducidos manualmente al lenguaje formal Lean, y el problema más difícil tomó hasta tres días de cómputo [3]. Un año después, en julio de 2025, una versión avanzada de Gemini con “Deep Think” alcanzó 35/42 (nivel de medalla de oro), resolviendo perfectamente cinco de seis problemas, de extremo a extremo en lenguaje natural — sin paso de formalización — dentro del mismo límite de 4.5 horas por sesión que enfrentan los competidores humanos [2]. La propia revisión de la IMO confirmó que las soluciones enviadas eran “complete and correct” pero declaró que “their review does not extend to validating our system, processes, or underlying model” [2] — estos son artefactos calificados, no sistemas auditados, y el resultado aún involucró una curación humana sustancial de los datos de entrenamiento y pistas generales de resolución de problemas [2]. OpenAI reportó por separado resultados comparables de nivel de medalla de oro para un modelo experimental alrededor del mismo periodo, aunque no se ejecutó a través del mismo proceso oficial de coordinación de la IMO; hay que tratar esa afirmación como consistente en dirección con el resultado verificado de DeepMind, no como una puntuación auditada de forma independiente. Donde los modelos generales todavía fallan es en la verdadera frontera de investigación: FrontierMath de Epoch AI obtiene problemas de matemáticos profesionales que abarcan teoría de números, análisis real, geometría algebraica y teoría de categorías, que toman varias horas cada uno incluso para expertos, con un tramo superior de “Tier 4” que toma varios días de esfuerzo experto — diseñado para seguir poniendo a prueba a los sistemas de frontera a medida que los benchmarks más fáciles se saturan [11]. Eso está muy por encima de cualquier cosa que una app de práctica de K-12/universidad asignaría, pero importa para la ambición de Math Challenge de llegar a contenido de nivel doctorado: en algún punto entre “conjunto de problemas difícil” y “problema de investigación abierto”, los solucionadores dejan de ser confiables, y esa frontera vale la pena conocerla con precisión antes de diseñar contenido de nivel superior.

3. De captura de pantalla multimodal a respuesta: por qué las cámaras vencen las defensas dentro de la app

El mecanismo que hace irrelevante a la mayoría de los diseños anti-copia dentro de la app es simple: una fotografía de una pantalla es un canal fuera de banda. Nunca entra al DOM de la app, nunca dispara un evento de teclado o de pegado, nunca toca sus solicitudes de red, y es invisible para cualquier defensa a nivel de JavaScript (deshabilitar copiar/pegar, ofuscar el código fuente, difuminar al cambiar de pestaña, marcas de agua, incluso la mayoría de la vigilancia dentro del navegador). La foto sale del dispositivo a través de la cámara y de una segunda app o dispositivo — una superficie que la app de práctica no puede instrumentar en absoluto. Cada solucionador de consumo mencionado arriba está construido exactamente alrededor de este flujo — cámara adentro, respuesta con pasos afuera, en segundos [4][5][6]. La novedad más reciente para 2026 es que esto ya no necesita un paso discreto de “foto, esperar el OCR”: los asistentes multimodales en vivo (compartir pantalla o modos continuos de cámara/visión en GPT, Gemini y productos comparables) permiten que un estudiante comparta su pantalla en tiempo real y reciba una respuesta hablada de forma conversacional, incluyendo la narración de qué hacer después — leyendo un problema desde una pantalla en movimiento o parcialmente oculta, en medio de la interacción. Ninguna defensa puramente del lado del cliente o puramente basada en tiempo es duradera por sí sola; las dos respuestas que no dependen de “si el estudiante puede sacar una foto” son (a) exigir un artefacto entregado que no sea una sola cadena reproducible — un proceso, un estado de manipulación de la interfaz, un diálogo — y (b) hacer que cada ida y vuelta externa cueste más, de forma acumulada, que los puntos que gana, mediante repreguntas adaptativas (§6 e Implicaciones de diseño más abajo).

4. Qué tan extendido está ya el uso de IA entre los estudiantes

Esto no es un comportamiento marginal. La encuesta de HEPI de diciembre de 2024 a 1,041 estudiantes universitarios de tiempo completo del Reino Unido (levantada por Savanta) encontró que 92% había usado alguna herramienta de IA y 88% había usado IA generativa específicamente para evaluaciones, un salto marcado desde 53% un año antes; el ahorro de tiempo (51%) y la mejora percibida de calidad (50%) encabezaron las motivaciones declaradas, con el miedo a acusaciones de copia (53%) y el riesgo de alucinaciones (51%) como los principales disuasivos — no una falta de capacidad o de conocimiento [1]. El reporte de enero de 2025 de Pew Research (Ipsos, sept.–oct. 2024, n=1,391 adolescentes de EE. UU. de 13 a 17 años) encontró que 26% había usado ChatGPT para tareas escolares, el doble del 13% registrado en 2023 — y el propio juicio de los adolescentes sobre qué tan aceptable es varía marcadamente según la tarea: 54% lo considera aceptable para investigar un tema, pero solo 29% para resolver problemas de matemáticas (28% lo considera inaceptable), y 18% para escribir ensayos [10]. Esa asimetría importa aquí: las matemáticas son la materia sobre la que los propios estudiantes están más divididos, una apertura real para un producto cuyas superficies calificadas/clasificadas pueden afirmar de forma creíble que resisten el uso casual de solucionadores. El uso entre quienes ya tienen acceso a IA se inclina hacia la búsqueda directa de respuestas: el análisis de Anthropic de aproximadamente 575,000 conversaciones académicas en Claude.ai encontró que Ciencias de la Computación y STEM están fuertemente sobrerrepresentadas respecto a la matrícula (Ciencias de la Computación por sí sola es 36.8% de las conversaciones contra 5.4% de los títulos en EE. UU.), y cerca de la mitad (~47%) de las conversaciones fueron “Direct” — buscando una respuesta o contenido terminado con un mínimo de ida y vuelta [9]. El desglose de tareas se inclinó hacia trabajo de orden superior (Creating 39.8%, Analyzing 30.2%) y se alejó del recuerdo (Remembering 1.8%) [9], consistente con un modo por defecto de “deja que la herramienta razone, yo me quedo con el resultado” — precisamente el comportamiento que una app de práctica necesita volver poco rentable.

5. El fracaso de los detectores de texto de IA, y lo que implica

Dos líneas de investigación publicada socavan la idea de que un detector pueda filtrar la copia de forma confiable. Primero, los detectores están demostrablemente sesgados: los estudios sobre detectores de GPT encuentran que “consistently misclassify non-native English writing samples as AI-generated, whereas native writing samples are accurately identified”, y las mismas estrategias simples de prompting que reducen este sesgo también permiten que un usuario evada la detección por completo — la misma palanca corta en ambos sentidos [7]. Segundo, los detectores son frágiles frente a la evasión adversarial en general: una investigación que probó la detección contra texto de ChatGPT y Claude encontró que la paráfrasis, el espaciado aleatorio y las perturbaciones adversariales “can significantly diminish detection effectiveness”, concluyendo que los métodos actuales carecen de robustez incluso frente a una evasión poco sofisticada [8]. La implicación aquí es directa: ningún campo de “explica tu razonamiento” puede usar de forma segura un detector de IA como un filtro automatizado de aprobado/reprobado — hacerlo sería trivialmente evadible y arriesgaría marcar de forma desproporcionada trabajo genuino de escritores cuya primera lengua es el español u otros escritores no nativos, en un producto cuyos propios requisitos exigen una experiencia bilingüe. La detección, donde se use, debe funcionar como una señal suave que alimenta la revisión humana, nunca como un bloqueo automatizado.

6. Respuestas de diseño que sí sobreviven el contacto con un solucionador

El hilo conductor de toda mitigación que realmente funciona es el mismo: dejar de calificar un solo artefacto final reproducible, y empezar a calificar algo que un solucionador no puede entregar de un solo golpe — un proceso con pasos intermedios calificados, un juicio sobre el trabajo de alguien más, una repregunta adaptativa en vivo, o un estado de manipulación de la interfaz. Nada de esto vuelve a un estudiante decidido “a prueba de solucionador”; lo que hace es elevar las idas y vueltas, el trabajo de traducción y el costo en tiempo por punto ganado — la única palanca que una PWA de autoservicio realmente controla. La tabla y las Implicaciones de diseño más abajo convierten esto en un catálogo concreto de construcción.

Qué sobrevive a un solucionador

Formato del ítem	Qué tan fácil lo vence un solucionador	Calificabilidad
Respuesta final simple (“resuelve para x”)	Trivial — segundos, éxito casi total [4][5][6]	Totalmente autocalificable; el formato más débil
Problema de palabras de un solo paso	Fácil para LLM multimodales; los solucionadores solo-OCR son más débiles pero están cerrando la brecha	Autocalificable con un parser
Problema de palabras multi-paso, con subcantidades nombradas	Sigue siendo vencido, pero requiere transcribir todo el problema	Autocalificable por paso; fricción, no inmunidad
“Muestra tu trabajo” / proceso completo	El solucionador genera un proceso completo para copiar textualmente	Necesita calificación humana/de IA; el texto copiado no es detectable de forma confiable [7][8]
“Encuentra el error en esta solución”	Más difícil — el solucionador debe evaluar un argumento, no solo producir uno	Autocalificable (qué línea, qué error)
Solo estimación / orden de magnitud	Débil por sí sola — una respuesta exacta de un solucionador satisface trivialmente una verificación de rango	Fácil de autocalificar; combinar con una justificación
Manipulación interactiva (arrastrar un punto, construir una gráfica, balancear una ecuación)	El solucionador puede describir el objetivo, pero realizar la acción en la interfaz todavía requiere al estudiante	Calificado sobre el estado final de la interfaz, no sobre una cadena de texto
Multi-respuesta / selecciona-todos, distractores basados en errores conceptuales	Moderado — resolver por fuerza bruta obtiene el conjunto, pero los distractores dirigidos debilitan el atajo	Totalmente autocalificable
Repregunta adaptativa (números nuevos, mismo método)	Fuerte — detecta la diferencia entre “respondió una vez” y “puede repetir”; solo se vence volviendo a consultar cada vez	Autocalificable, totalmente controlado por la app
Diálogo socrático con el tutor dentro de la app	Fuerte contra capturas de pantalla estáticas; se degrada si se pega texto de un solucionador	Necesita su propio calificador — la misma carrera armamentista, un nivel más arriba
Defensa oral en vivo / verificación síncrona	Muy fuerte	Necesita personal/infraestructura en vivo; mal ajuste para una PWA de autoservicio
Demostración original/novedosa de nivel de investigación	Resiste a los solucionadores y a los LLM generales en la verdadera frontera [11][2][3]	No calificable a escala; solo revisión experta

Implicaciones de diseño

1. Formato por defecto de pista/reto: mostrar una solución resuelta con un paso incorrecto, preguntar cuál línea y por qué — evaluar un argumento vence a producir uno.
2. Reemplazar la caja de respuesta única con un proceso estructurado de múltiples campos (cada operación más su resultado intermedio), calificado por paso, de modo que una respuesta final copiada sin los pasos correspondientes falle automáticamente.
3. Repregunta adaptativa obligatoria: seguir una respuesta correcta inmediatamente con un problema isomorfo (mismo método, números nuevos); “correcto una vez, incorrecto en la variante” es una señal real, especialmente en los modos clasificados/leaderboard.
4. Ítems de multi-respuesta/selecciona-todos con distractores construidos a partir de errores conceptuales documentados y específicos del tema, no de “números cercanos” genéricos, de modo que resolver por fuerza bruta sea un atajo más débil hacia el conjunto correcto completo.
5. Poner las preguntas de valor exacto detrás de un paso de estimación primero (calificar una respuesta de rango u orden de magnitud antes de revelar la pregunta precisa), premiando el sentido numérico que un solucionador no necesita.
6. Manipulativos interactivos — arrastrar un punto en una recta numérica, colocar puntos para construir una gráfica, mover términos para balancear una ecuación — calificados sobre el estado resultante de la interfaz, no sobre un número escrito: el único formato que un solucionador no puede devolver como una cadena copiable, incluso cuando puede describir la respuesta.
7. Chat de tutor socrático dentro de la app como la vía principal para pedir ayuda, de modo que pedir ayuda produzca un diálogo calificado en lugar de una cadena extraíble por captura de pantalla; calificar en parte según la coherencia y especificidad de los propios turnos de seguimiento del estudiante.
8. Un campo breve de “explícalo con tus propias palabras” antes de aceptar una respuesta; usar cualquier señal de texto de IA solo como una marca suave para revisión humana, nunca como un bloqueo automatizado, dado el sesgo de los detectores contra escritores no nativos y su evadibilidad mediante paráfrasis [7][8].
9. Presupuestos de tiempo en modo clasificado suficientemente cortos para que una ida y vuelta externa completa (fotografiar, hacer OCR/resolver, copiar de regreso) cueste más que resolver directamente; el modo de práctica sin límite de tiempo se mantiene como la superficie abiertamente de baja fricción y no competitiva.
10. Aleatorizar los parámetros numéricos del lado del servidor por estudiante/intento, de modo que una captura de pantalla, una clave de respuestas compartida o un resultado web guardado en caché no se transfiera al ítem idéntico de otro estudiante.
11. Ponderar la calificación hacia la consistencia a través de muchos ítems pequeños (rachas, portafolios) en lugar de ítems individuales de alto valor, reduciendo el beneficio de resolver un solo ítem con ayuda externa.
12. Autoevaluación de confianza (1-5) junto a cada respuesta; una alta confianza mal calibrada con un razonamiento que no coincide es una señal útil y no punitiva.
13. Separar el discurso de integridad por modo: el modo práctica no hace ninguna afirmación de resistencia a solucionadores; el modo clasificado/leaderboard concentra repreguntas adaptativas, calificación de proceso y temporizadores cortos, ya que esa es la superficie cuya integridad le importa a otros usuarios.
14. Enrutar los ítems de “produce una demostración novedosa” cercanos a nivel doctorado hacia revisión humana o entre pares de forma asíncrona en lugar de autocalificación — el único formato que todavía resiste tanto a los solucionadores de consumo como a los modelos de frontera [11][2][3], y el único formato que nadie puede autocalificar a escala.

Lo que no podemos prevenir, dicho sin rodeos: cualquier tarea completamente especificable como texto plano o una sola imagen con una respuesta final verificable, entregada sin un proceso o repregunta obligatorios, será resuelta en segundos por herramientas ya ampliamente usadas por los estudiantes — porque el canal de la foto o la visión en vivo nunca toca la app en absoluto. Los asistentes multimodales en vivo erosionan aún más las defensas basadas en presión de tiempo, ya que un estudiante puede recibir guía hablada mientras la pantalla permanece visible, en lugar de hacer una ida y vuelta con una captura de pantalla estática. Ningún filtro basado en detectores es seguro para usarse de forma punitiva. Nada de esto se puede arreglar con ingeniería; solo se puede hacer menos rentable (no la superficie calificada) o más costoso por punto (diseño adaptativo). Una afirmación en contrario es mercadotecnia, no un hecho.

Preguntas abiertas para el dueño del proyecto

1. ¿Deberían los modos clasificados/leaderboard imponer un techo de tiempo estricto por ítem, más corto que una ida y vuelta típica de foto-y-resolver — y qué adaptación existe para los estudiantes que genuinamente necesitan más tiempo?
2. ¿Cuánto del roadmap se destina a un tutor socrático propio (costo de LLM propio, moderación, latencia) frente al diseño de ítems adaptativos y calificación de procesos sin ningún componente generativo?
3. ¿Debería el producto usar alguna vez señales de similitud de texto de IA en un contexto bilingüe EN/ES, dado el sesgo documentado de los detectores contra escritores no nativos — o esa clase de verificación queda descartada por política?
4. Para el contenido de nivel doctorado, ¿está la revisión manual/entre pares de demostraciones abiertas dentro del alcance, o el nivel superior se mantiene confinado a formatos autocalificables (crítica de demostraciones, detección de errores) aunque eso limite qué tan “de doctorado” puede llegar a ser?
5. ¿Debería el modo práctica permitir explícitamente el uso de herramientas externas como una decisión de diseño declarada, replanteando el discurso de integridad alrededor del modo clasificado y del dominio a lo largo del tiempo, en lugar de dar a entender que las respuestas de práctica resisten a los solucionadores cuando estructuralmente no pueden?