Un astrofísico usa Codex para simular agujeros negros

Simular un agujero negro no es un problema de interfaz de usuario: es un problema de física computacional densa, con ecuaciones diferenciales parciales, discretización numérica y cantidades industriales de código especializado que pocas personas en el mundo saben escribir. Chi-kwan Chan, astrofísico de la Universidad de Arizona, es una de esas personas. Y según cuenta en el blog oficial de OpenAI, lleva meses usando Codex para acelerar precisamente ese trabajo.

El artículo, publicado el 11 de junio de 2026, no es un caso de estudio genérico. Chan describe de forma concreta cómo delega en Codex la escritura de fragmentos de código para sus simulaciones de plasma relativista en torno a objetos compactos, el tipo de entorno físico que el Event Horizon Telescope fotografió por primera vez en 2019. El objetivo no es que Codex «entienda» la física; es que libere a Chan de tareas de implementación repetitivas para que él pueda centrarse en el diseño del modelo y la interpretación de resultados.

Qué hace Codex aquí que un IDE no hace

La distinción es relevante. Codex no actúa como autocompletado glorificado: Chan lo usa en modo agente, con contexto persistente sobre la base de código de la simulación, para generar rutinas completas, refactorizar módulos y depurar errores en código de alto rendimiento (generalmente C++ o Python con extensiones numéricas). La diferencia respecto a un asistente de código convencional es que Codex puede mantener coherencia entre ficheros y razonar sobre la arquitectura del proyecto, no solo sobre la línea actual.

Esto encaja con el patrón que llevamos meses viendo en herramientas como Claude Code: el valor real de los agentes de código no está en escribir funciones triviales, sino en sostener contexto suficiente para trabajar en proyectos de cierta envergadura sin que el investigador tenga que repetir el estado del mundo en cada turno de conversación.

Por qué importa en ciencia computacional

La física teórica y la astrofísica computacional tienen un problema de cuello de botella bien documentado: los investigadores con el conocimiento de dominio suficiente para diseñar una simulación no siempre son ingenieros de software fluidos, y los ingenieros que podrían implementarla eficientemente no tienen el bagaje físico para saber si el resultado tiene sentido. Herramientas como Codex no resuelven ese gap por completo, pero lo estrechan.

En el caso concreto de Chan, las simulaciones sirven para poner a prueba predicciones de la relatividad general de Einstein en regímenes extremos —campos gravitatorios intensísimos, velocidades relativistas, efectos de arrastre espacio-temporal— donde no hay laboratorio físico posible. Cada ciclo de simulación que se abarata o acelera es, en términos prácticos, más hipótesis testadas con el mismo presupuesto de tiempo.

El modelo que usa importa (y OpenAI no lo especifica del todo)

El artículo de OpenAI no detalla qué versión exacta de Codex está usando Chan ni bajo qué infraestructura corre. OpenAI relanzó Codex en mayo de 2025 como agente de codificación en la nube integrado en ChatGPT, distinto del modelo original de 2021. Asumimos que se refiere a esa iteración más reciente, pero conviene tenerlo presente: «Codex» es hoy un producto con identidad propia, no solo un nombre de modelo.

Para equipos que trabajan con Claude Code en lugar del ecosistema OpenAI, el paralelo directo sería combinar subagentes especializados con un MCP server que exponga el repositorio de simulación como contexto estructurado. El patrón de uso es transferible; la implementación, no.

Para quién es útil leer esto

Principalmente para tres perfiles: investigadores en ciencias computacionales que todavía no han integrado agentes de código en su flujo de trabajo y buscan evidencia de uso real (no demos); ingenieros que construyen integraciones para entornos científicos y quieren ver qué tipo de contexto necesita un agente para ser útil en ese dominio; y responsables de grupos de investigación que toman decisiones sobre qué infraestructura de IA adoptar.

Lo que el caso de Chan ilustra con claridad es que el valor de estos agentes en ciencia no es reemplazar al experto, sino reducir la fricción entre lo que el experto sabe y lo que el código hace. Ese es un objetivo bastante más modesto que «resolver la física», y precisamente por eso resulta creíble.

---

Opinión EP: casos como este son los que más nos interesan en ClaudeWave, no porque validen ninguna narrativa sobre IA general, sino porque muestran dónde está el beneficio concreto hoy: en reducir cuellos de botella específicos de personas con conocimiento profundo y tiempo escaso. Más de esto, menos demos.