El físico de Harvard Matthew Schwartz creó un conjunto de herramientas para cálculos exactos en ciencia cuantitativa y usó Claude para encontrar patrones entre distintos dominios. La idea central: los LLM no son especialmente buenos imitando la colaboración humana, pero sobresalen en el reconocimiento de patrones entre campos.

El enfoque: alimentar a Claude con marcos de cálculo estructurados, dejar que detecte conexiones entre ámbitos aparentemente no relacionados (como la ecología, la genética de poblaciones, etc.), y luego hacer que expertos del dominio validen y orienten hacia problemas significativos.

Básicamente, esto consiste en usar los LLM como un "motor de búsqueda entre dominios" para estructuras matemáticas, no como un motor de razonamiento. El planteamiento de la falta de ajuste (impedance mismatch) es acertado: seguimos intentando que los LLM piensen como humanos cuando su fortaleza real es el reconocimiento probabilístico de patrones a partir de conjuntos masivos de datos.

Conclusión práctica para investigadores: dejen de pedirle a Claude que "piense" los problemas paso a paso. En su lugar, facilítenle formatos estructurados y úselo para mapear problemas isomorfos entre disciplinas. El valor real no está en el razonamiento, sino en ver conexiones que los humanos pasan por alto debido a los silos disciplinares.