Interpretación editorial: el patrón de la semana es que cifras grandes, sean 722 resultados matemáticos, 68.000 millones de ingresos o 'un trabajador despedido por cada uno y medio extranjero', dependen de una definición y de una auditoría que llegan después del titular. Las tres historias de hoy comparten ese desfase entre el número y su unidad de medida (Lean frente a texto, ingreso bruto frente a neto, prórrogas frente a contrataciones), no una causa común. La señal útil no es la cifra inicial, sino quién puede comprobarla y con qué criterio.

Es el primer caso a esta escala en que un laboratorio publica centenares de resultados de un modelo no disponible y ha de corregirlos en horas. Muestra que 'verificado en Lean' no equivale a 'prueba correcta' si la formalización no es fiel, y que el cuello de botella pasa de generar resultados a auditarlos. Si la comunidad no puede reproducir el proceso (el modelo es interno), la confianza depende de la trazabilidad pública de correcciones.

Qué vigilar: Antes del 2026-11-06, comprobar si el historial de openai/math registra más retiradas o nuevas formalizaciones en Lean y si OpenAI publica el modelo, los prompts o un acceso de verificación externo. Condición paralela: si OpenAI y Anthropic publican una definición homogénea de ingreso anualizado (bruto o neto de socios) y si el Departamento de Trabajo publica el aviso escrito y las pruebas de la suspensión PERM; la primera pausa de 180 días, de confirmarse esa base legal, vencería hacia principios de abril de 2027.

Descodificado: hay noticias, y luego está lo que significan.

El incidente no demuestra que HTTPS se haya roto. Demuestra que su eslabón más frágil es la validación de dominio, que hereda la seguridad de operadores de registro ajenos al dueño del nombre. Lo que limitó el daño fue la transparencia pública (CT) y la revocación rápida, no la prevención. Por eso las mejoras con más efecto son las que actúan en la base y por defecto: validaciones que caducan antes, componentes con memoria segura y protocolos más estrictos. Pedir a cada dueño de dominio que vigile su propio rastro es insuficiente.

Un certificado TLS prueba que quien lo presenta controla el dominio. Si el atacante controla el DNS autoritativo, puede superar la comprobación de control de dominio de la CA, y la CA emite un certificado válido sin fallar. Con él y con capacidad de redirigir tráfico, se puede suplantar un sitio sin que el navegador avise. La seguridad de un nombre de marca depende así de un operador de registro que la marca no elige ni audita. Esta es una interpretación nuestra a partir de la explicación de Ars Technica e iTnews. Google no detalla el método exacto de validación. Los nombres afectados que conocemos son variantes nacionales (google.com.gh, google.sl, google.as), no google.com. El ataque muestra que el riesgo existe también en dominios secundarios o aparcados.

Qué vigilar: Revisar el 2026-10-22: (1) si alguno de los operadores de .gh, .sl o .as, o sus gobiernos, publica el vector de intrusión y las medidas adoptadas; (2) si Google, las CA o los logs CT permiten cerrar el recuento de certificados y dominios afectados, que hoy oscila entre 12 solo para nombres de Google y YouTube y 32 según iTnews; (3) si Chrome Root Program o el CA/Browser Forum adelantan el calendario de reducción de la reutilización de validaciones de dominio, hoy fijado por Let's Encrypt en 10 días desde 2027-02-10 y en 7 horas desde 2028-02-16.

Descodificado: hay noticias, y luego está lo que significan.

Interpretación editorial: el límite de la IA científica ya no es producir resultados, sino verificarlos, entenderlos y atribuirlos. Mientras los laboratorios decidan el ritmo y el nivel de detalle de lo que publican, ese coste recaerá sobre terceros, ya sean matemáticos, voluntarios de Wikimedia o evaluadores independientes. La verificación formal reduce una parte del riesgo, pero no sustituye la comprensión humana ni los estándares de divulgación.

Hasta ahora el cuello de botella de las matemáticas era encontrar pruebas. Si una empresa puede generar cientos de resultados al mes, el límite pasa a ser comprobar que enuncian lo que dicen, entender qué aportan, atribuir el trabajo previo y decidir qué merece entrar en la literatura. Esa carga recae sobre una comunidad que no controla ni el modelo ni el calendario. El caso sirve de ensayo general para otros campos científicos, porque los laboratorios usan problemas abiertos como evaluación de sus modelos y como escaparate. Interpretación: lo que se discute no es solo si las pruebas son correctas, sino quién fija el ritmo y las reglas de divulgación.

Qué vigilar: Comprobable antes del 2026-11-06: (1) si OpenAI publica prompts o, al menos, modelo y cómputo por resultado, o abre el modelo a verificadores externos, como pide el grupo asesor del IAS; (2) si el repositorio openai/math registra correcciones o retiradas de manuscritos sin formalizar, y si algún matemático independiente documenta un enunciado Lean que no capture la conjetura original; (3) si se publican los pesos de Mistral Large 4 en la fecha prometida, a final de octubre, y si Artificial Analysis o el tablero de DeepSWE los evalúan.

Descodificado: hay noticias, y luego está lo que significan.