Axiom: La IA matemática obtiene puntaje perfecto en el Putnam mientras su Serie A alcanza una valoración de $1.600 millones
La fundadora de 24 años, Carina Hong, cierra una ronda de $200 millones y construye un equipo con veteranos de Meta AI y matemáticos de renombre, incluido Ken Ono
Siete meses después de fundar Axiom, Carina Hong ha cerrado una Serie A de $200 millones con una valoración de $1.600 millones, consolidando su posición como la fundadora más joven en la actual ola de Neo Labs que recorre Silicon Valley. El sistema AxiomProver de la compañía logró el sexto puntaje perfecto en los 98 años de historia de la Putnam Mathematics Competition en diciembre de 2025, marcando un hito para el razonamiento matemático impulsado por IA. Lo que hace que este logro sea particularmente sorprendente es su naturaleza: mientras que las soluciones humanas a menudo dependen de la intuición geométrica, AxiomProver generó miles de líneas de código Lean utilizando enumeración por fuerza bruta, un enfoque fundamentalmente distinto que, no obstante, llegó a pruebas correctas.
La financiación representa una escalada drástica respecto a la ronda semilla de Axiom, que se cerró en $64 millones con una valoración de $300 millones apenas unos meses antes. Hong describe el proceso de recaudación de fondos semilla como agotador más que difícil: "Dices lo mismo una y otra vez. Recibes las mismas preguntas una y otra vez. Podría grabarlo y enviárselo a todos, ¿verdad?". La ronda tuvo una licitación competitiva que triplicó la oferta inicial, con Howard Morgan de B Capital —cofundador de Renaissance Technologies junto a Jim Simons y también cofundador de First Round Capital— liderando finalmente la operación. Hong recuerda que Morgan mostró más optimismo sobre el modelo de negocio que ella misma, mencionándole directamente aplicaciones potenciales que ella aún no había articulado por completo.
De Verve Coffee a las pruebas formales
La historia de origen es decididamente poco convencional para un unicornio de Silicon Valley. Hong conoció a su cofundador y CTO, Shubho Sengupta, en Verve Coffee en Palo Alto, donde ambos eran clientes habituales. Sengupta, veterano de Meta AI y uno de los primeros desarrolladores de CUDA en el laboratorio de IA de Baidu en Silicon Valley entre 2015 y 2016, trabajó junto a figuras como Dario Amodei (ahora fundador de Anthropic). Su relación comenzó no con un pitch, sino con dieciocho meses de conversaciones sobre la historia de la ciencia. Hong era estudiante de doctorado en derecho y matemáticas en Stanford, leyendo casos legales y observando perros en el patio; Sengupta era un investigador experimentado que buscaba compromiso intelectual fuera de los muros de Meta.
El punto de inflexión llegó durante una clase de derecho constitucional, cuando Hong se dio cuenta de que si la IA podía analizar el lenguaje preciso de la interpretación constitucional —un enfoque textualista que requiere un rigor definicional estricto—, ciertamente debería ser capaz de manejar pruebas matemáticas. Ella había estado siguiendo el trabajo de su amigo Kenny Luo sobre la formalización de las matemáticas de pregrado en Lean, el lenguaje de verificación de pruebas, desde 2020. "Si la IA puede hacer derecho, es porque se trata de algo más estructurado", explica Hong. "Las matemáticas son una presentación más estructural". Para septiembre de 2024, había decidido iniciar un negocio, aunque pasó dos meses tratando de convencerse de no hacerlo. "Realmente creo que si fuera estudiante de pregrado nunca dejaría la escuela para ir a Y Combinator. Siento que soy la emprendedora menos probable para iniciar un negocio".
El jugador de fuerza bruta construye un sistema
La autoevaluación de Hong como alguien que "no es una jugadora talentosa", sino que logra sus metas a través de pura persistencia, impregna su enfoque tanto en las matemáticas como en la construcción de la empresa. En el MIT, luchó con problemas de geometría euclidiana que eran preguntas "obligatorias" en las competencias matemáticas, resolviéndolos finalmente mediante métodos de números complejos que tomaban de dos a tres veces más tiempo de lo que requeriría la intuición geométrica. "Normalmente solo añado cada punto y luego uso este método de números complejos para cada línea. Solo trabajo duro para lograr milagros. Al final, no necesito entender el significado geométrico detrás de esto". Esta experiencia formó su convicción de que la IA podría beneficiar más a los matemáticos de fuerza bruta: "¿Quizás realmente se trata de cuántas posibilidades quiero enumerar? ¿Cuántos días tengo que pasar para verificar un argumento muy estándar?".
La arquitectura técnica refleja esta filosofía. El sistema de Axiom combina múltiples tipos de IA: agentes de aprendizaje por refuerzo para trabajo de IA aplicada, equipos de generación de código y compiladores (incluyendo miembros clave del modelo CodeWorld de 32 mil millones de parámetros de Meta), y matemáticos puros que trabajan en Mathlib de Lean. La empresa evitó deliberadamente contratar matemáticos hasta alcanzar los quince empleados, creyendo que el enfoque inicial debía estar en los desafíos de ingeniería en lugar de la intuición matemática. Cuando finalmente incorporaron matemáticos, fue con una intención específica: el profesor Ken Ono se unió para crear benchmarks adversarios, probando constantemente dónde se rompe el sistema en lugar de celebrar los éxitos.
Hong establece una distinción entre el enfoque de Axiom y el de los competidores que dependen en gran medida de la búsqueda de árbol de Monte Carlo, el método utilizado en AlphaProof de DeepMind. "Creemos que esto es demasiado costoso. Veamos cuánto dinero tenemos. No creemos que podamos hacer este árbol de Monte Carlo". En cambio, el equipo exploró subagentes y enfoques basados en habilidades, encontrando una transferencia de aprendizaje inesperada entre la prueba matemática y la verificación de código. En el Verina Benchmark para verificación de código, AxiomProver logró resultados que "nos sorprendieron a todos", demostrando que una fuerte capacidad de demostración de teoremas se traduce directamente en capacidades de validación de código: una visión crítica para futuras aplicaciones comerciales.
El correo electrónico inesperado de Ken Ono
La contratación de Ken Ono, un profesor titular de 57 años en la Universidad de Virginia y prominente teórico de números, generó una atención significativa cuando se anunció. La realidad fue más orgánica que dramática. Ono había supervisado a Hong durante un programa REU (Research Experience for Undergraduates) cuando ella era una estudiante de pregrado en lista de espera, colaborando finalmente en varios artículos. En noviembre de 2024, envió un correo electrónico diciendo que vendría al Área de la Bahía y que, si se unía a OpenAI o DeepMind, esperaba que ella no se molestara. La respuesta de Hong fue inmediata: "Le dije que podía venir a mi lugar".
Lo que llevó a Ono a elegir Axiom sobre OpenAI se redujo al enfoque y la cultura. "Él piensa que nuestro equipo es más matemático", explica Hong. "Si vienes con nosotros, quizás haya más atmósfera de matemáticas. El ADN y el enfoque de esta empresa son las matemáticas, en lugar de una AGI general donde las matemáticas son una parte, quizás más un componente de marketing". El rol de Ono se extiende más allá de la investigación; Hong lo describe como alguien con una personalidad de "entrenador de baloncesto de secundaria": implacablemente optimista, orientado al equipo y hábil para hacer que otros crean que los objetivos difíciles son alcanzables. Su presencia también atrae a otros matemáticos que de otro modo podrían ser escépticos sobre el papel de la IA en su campo.
La cuestión de si la IA amenaza el sustento de los matemáticos recibe una respuesta matizada del equipo de Axiom. Ono y otros creen cada vez más que, a medida que la IA maneje más trabajo de pruebas, los matemáticos humanos "aprenderán en diferentes niveles de abstracción", centrándose en preguntas de mayor orden sobre qué problemas vale la pena resolver y cómo estructurar las teorías. Hong señala una analogía: la programación evolucionó de tarjetas perforadas a ensamblador de bajo nivel, a Python y a la codificación en lenguaje natural. Las matemáticas pueden seguir una trayectoria similar, con matemáticos trabajando en niveles cada vez más abstractos mientras la IA maneja la verificación mecánica e incluso parte de la generación de pruebas.
La crisis de los benchmarks matemáticos y los desafíos de investigación
El rápido progreso de Axiom creó un problema inesperado: la saturación de los benchmarks. El equipo llevó el mini-f2f (nivel de secundaria) a la saturación en aproximadamente dos meses, y luego hizo lo mismo con el Putnam. "Estamos relativamente cortos de conjuntos de benchmarks a nivel de investigación, a decir verdad, porque no hay muchos en matemáticas de nivel de investigación", admite Hong. El famoso desafío FrontierMath plantea problemas diferentes: muchas preguntas ni siquiera pueden formalizarse en Lean porque las definiciones requeridas no existen en Mathlib, la biblioteca central de matemáticas. Hong intentó participar en ese desafío pero no pudo convertir los problemas a Lean: "La pregunta involucra muchas definiciones. Estas definiciones no están en absoluto en esta biblioteca".
Esto apunta a un desafío técnico más profundo que Hong identifica como potencialmente más difícil que la prueba en sí: la auto-formalización, la conversión de matemáticas en lenguaje natural a código Lean formal. "Si tomo estas matemáticas humanas que ya han sido descubiertas y escritas, y las convierto en datos formalizados, recibirás menos elogios que si pruebas algo. Pero esta tecnología es en realidad más difícil que la prueba. Al menos al mismo nivel de dificultad. De hecho, creo que es más difícil". El proceso requiere crear planos detallados: tomar un artículo de 20 páginas y expandirlo a 200-500 páginas de pasos de prueba granulares que luego puedan ser formalizados. Terence Tao y otros lo han hecho manualmente para grandes proyectos colaborativos, pero automatizarlo sigue siendo un problema abierto.
Las prioridades técnicas actuales de la empresa implican escalar la inferencia a través de subagentes en lugar de depender de la búsqueda de árboles computacionalmente costosa. Hong describe un "momento eureka" cuando el equipo escaló las pruebas de árboles de 40 nodos a árboles de 4.000 nodos, demostrando que "aprender de la experiencia" —tratar cada trayectoria de resolución de problemas como datos de entrenamiento para la adquisición de habilidades— podía funcionar a escala. Otra visión crítica involucró la relación entre las matemáticas y el código: "El trabajo anterior de la IA bueno en matemáticas suena muy tonto al hablar con gente así, pero las matemáticas para la generación de código, desde las matemáticas hasta la verificación de chips para estos códigos, obviamente se transforman". La implicación es que la tecnología central de Axiom no se trata solo de matemáticas, sino de razonamiento verificado aplicable a cualquier dominio con especificaciones formales.
Modelo de negocio y la estrategia de "validación primero"
Hong es refrescantemente franca sobre la incertidumbre del modelo de negocio. Durante la ronda semilla, les dijo a los inversores: "Nuestro modelo de negocio no es muy seguro. Yo misma he sido trader cuantitativa. No sé si esto es trading cuantitativo. Creo que tal vez no. Dije en ese momento que, como modelo de negocio, no debe ser el modelo de negocio final. Este es solo un ejemplo de una IA que es mejor en matemáticas siendo útil". La franqueza refleja su trayectoria: casi se une a Bridgewater Associates antes de que la pandemia la redirigiera al programa REU del profesor Ono. Las finanzas cuantitativas representaban una aplicación clara, pero Hong cree que no es el estado final.
La compañía se ha decidido por la validación como primer mercado: verificación de chips, verificación de circuitos y verificación de código, donde los métodos formales actualmente dependen de costosos solvers SMT que requieren mucha mano de obra y herramientas como Cadence Jasper. El equipo de razonamiento automatizado de Amazon pasó de tres a cinco años escribiendo 260.000 líneas de código para verificar un solo componente de aislamiento de memoria de hipervisor. "La IA no mejora la vida de estos ingenieros", observa Hong. "Pero en estos campos, tendrás un mejor poder de fijación de precios". La visión se extiende a un futuro donde cualquier programador pueda solicitar una función con la garantía de que funciona correctamente, sin necesidad de casos de prueba, aunque Hong reconoce que esto está a "5-10 años" de distancia y requiere resolver el problema de la especificación, que sigue siendo extremadamente difícil.
A pesar del enfoque en la validación, Hong sostiene que la IA para las matemáticas es fundamentalmente una apuesta de alto riesgo con resultados binarios. "O el alunizaje es exitoso o el alunizaje falla. Sí, el alunizaje fue exitoso, el alunizaje falló", dice, comparando explícitamente a Axiom con SpaceX. "No hay posibilidad en el medio". Esto crea tensión entre las ambiciones de investigación a largo plazo y la presión de ejecución a corto plazo. Las altas expectativas de la Serie A podrían empujar a la empresa hacia una comercialización incremental, pero Hong cree que el ADN del equipo exige lo contrario: "Si solo perseguimos demasiado la búsqueda de ganancias y la comercialización, en realidad estaremos fuera de equilibrio. Podemos echar un vistazo a nuestras empresas competidoras. En los primeros días hablaban más de ambición científica. Creemos que somos idealistas realistas y realistas idealistas. Ambos son buenos".
Competencia, recursos y el fenómeno Neo Lab
Axiom existe en una posición competitiva peculiar. El principal competidor, fundado dos años antes con cinco veces la financiación inicial, alcanzó el nivel de la IMO (resolviendo 5 de 6 problemas) después de dos años de trabajo. Axiom logró la perfección en Putnam en cuatro meses. Sin embargo, la empresa opera con solo 30 personas en comparación con las 50-75 del competidor, y recaudó lo que Hong considera capital insuficiente para sus ambiciones: "El pensamiento común de todos es que recaudamos poco. No recaudamos lo suficiente para nuestra ronda semilla". Las limitaciones de recursos forzaron elecciones estratégicas: nada de pre-entrenamiento, enfoque en post-entrenamiento y diseño de sistemas, y contratación agresiva de talento dispuesto a aceptar compensaciones de startup sobre los paquetes millonarios ofrecidos por laboratorios de IA establecidos.
El desafío de reclutamiento es existencial. A principios de 2025, la mayoría del talento en IA tenía seis ofertas competidoras, y Hong carecía de palanca: "Tengo 6 ofertas en mano. Me convertí en esa persona que tiene que bailar. Quizás no puedes ser Peter Thiel". Describe las decisiones de contratación como el aspecto más doloroso del emprendimiento, situaciones donde "puedes pensar que hay un conflicto entre personas y cosas, pero en realidad es que no eres lo suficientemente bueno". La cultura de abajo hacia arriba de la empresa —heredada de los veteranos de Facebook que forman gran parte del equipo inicial— ayuda a atraer talento que desea libertad de investigación en lugar de una dirección de arriba hacia abajo. Hong cultiva esto deliberadamente: "Si quieres saber qué significa esto, puedes conseguir un LLM, darle algunos datos. Creo que nuestra Fundación Nacional necesita dar fondos a las matemáticas puras porque las matemáticas son un ecosistema".
La ola más amplia de Neo Labs proporciona contexto para el surgimiento de Axiom. Hong lo ve como una reacción a las ineficiencias estructurales en las grandes organizaciones: "La competencia lleva a la mediocridad y resultará en no tener ideas a largo plazo. Tienes que salir y hacerlo tú mismo, hacer un Neo lab. El nacimiento de los Neo lab se debe a la curiosidad y la creatividad; es nuestra necesidad humana básica". Ella cree que los grandes laboratorios de frontera enfrentan una tensión fundamental: continuarán impulsando capacidades generales mientras que las startups especializadas pueden moverse más rápido en problemas verticales. El enfoque de OpenAI en la IA para las matemáticas se centra en pruebas informales en lenguaje natural; DeepMind tiene múltiples equipos competidores trabajando en enfoques formales e informales; Anthropic utiliza el razonamiento matemático para mejorar las puntuaciones de razonamiento general en lugar de convertirlo en un enfoque central.
La frontera técnica: de la prueba a la conjetura
Hong articula una taxonomía de las capacidades de IA para las matemáticas que se extiende más allá de la prueba. "Necesitas tener un muy buen demostrador. Necesitas tener un muy buen sistema de conjeturas que pueda hacer preguntas matemáticas. La recompensa de esta IA es si puedo tomar este demostrador para crear la señal de recompensa para esta conjetura". El problema de la conjetura sigue siendo en gran medida no resuelto porque, a diferencia de las pruebas —que tienen verificación binaria (probado o no)—, las conjeturas carecen de señales de recompensa claras. ¿Cómo sabe una IA si su conjetura es interesante, importante o significativa frente a trivial? El estado del arte actual utiliza heurísticas crudas como la longitud de la prueba en relación con la longitud de la declaración como un "filtro de elegancia", pero esto se desmorona más allá de las matemáticas de secundaria.
Un segundo desafío importante es el aprendizaje de bibliotecas: hacer que la IA no solo pruebe teoremas dentro de definiciones existentes, sino que cree nuevas definiciones y construya teoría. "Deja que esta máquina construya una biblioteca a partir de la definición, incluyendo teoremas superiores, incluyendo la prueba de estos teoremas, luego deriva nuevos teoremas y añade más definiciones. Este proceso es un proceso de teoría arquitectónica. Esto es bastante difícil". La dificultad radica en la verificación: ¿cómo puedes asegurar que una definición generada por una máquina no cree inconsistencias lógicas que se manifiesten como paradojas cientos de pasos después? En un futuro hipotético donde todas las matemáticas humanas hayan sido formalizadas en Lean, esto se vuelve crítico: "Si esa definición es una que un ser humano no tiene, una definición que nunca se ha escrito, ¿cómo puedo garantizar que estas definiciones de este sistema no entren en conflicto entre sí?".
La relación entre la prueba formal en Lean y el razonamiento en lenguaje natural crea tensiones técnicas fascinantes. Hong lo enmarca como "las matemáticas son código y el código son matemáticas" a través de la correspondencia de Curry-Howard, donde cada prueba matemática puede convertirse en un programa de computadora. Pero esta traducción no es simétrica: convertir inglés a Lean es mucho más difícil que convertir Lean a inglés, porque el modelo ha visto muchos más tokens en inglés. Axiom utiliza la consistencia de ciclo (traducir a Lean, traducir de vuelta, verificar diferencias) para validar las conversiones. Hong cree que los modelos de lenguaje pueden generar buenas conjeturas a través de su capacidad para romper fronteras, pero la verificación debe ocurrir en el espacio formal. "El lenguaje puede hacer una buena conjetura. Luego, hasta cierto punto, la generación es generación, luego verificar: estos dos van de la mano".
La crisis de identidad del matemático
El viaje personal de Hong refleja preguntas más amplias sobre lo que significa ser un matemático en la era de la prueba asistida por IA. En el MIT, se sentía como "la más estúpida de todo el departamento de matemáticas", rodeada de medallistas de oro de la IMO cuyas noticias había seguido desde la infancia. Su respuesta no fue la desesperación, sino la aceptación: "Mi expectativa es que soy la más estúpida, así que en realidad me adapto muy bien. Me siento afortunada cada día de poder hablar con estas personas, tomar clases juntos, hacer la tarea juntos". Este marco —aprendiz agradecida en lugar de genio competidor— dio forma a su enfoque tanto para las matemáticas como para la construcción de la empresa.
La pregunta de si quiere ser recordada como matemática obtiene una respuesta sorprendentemente filosófica. "Solía pensar que era importante. Solía llorar a veces. Sigo siendo una persona muy emocional. Luego sentí que, en realidad, quiero ser una aprendiz. Solo quiero ir a tantos campos intelectuales como sea posible y aprender tanto como sea posible". Describe saltar de las matemáticas a la física (para remediar ser "muy mala en física en la secundaria"), a la neurociencia, a la IA, al trading cuantitativo y al derecho, cada transición impulsada por la curiosidad sobre dominios desconocidos. "Esto podría ser algo bueno: ¿cómo puedo dejar que un aprendiz, un aprendiz de emprendedor, no muera? El 99% de las startups morirán. ¿Por qué ahora simplemente no muero?".
La pregunta de la cena con un matemático obtiene una respuesta reveladora: Erdős, porque "las descripciones que te dio, después de todo, es combinatoria, puedes entender lo que tienes para cenar en la mesa". Erdős representa las matemáticas como práctica social, el colaborador itinerante con cientos de coautores y una personalidad peculiar. Hong contrasta esto con Grothendieck, cuya cena sería "de gran importancia" pero cuya geometría algebraica abstracta podría ser un desperdicio para alguien sin el trasfondo necesario. La implicación es que el valor matemático no existe solo en los teoremas, sino en la comunidad y la cultura que los rodea, algo que la IA podría aumentar pero no reemplazar.
La adicción al sufrimiento y el péndulo de la historia
Cuando se le pregunta sobre su mecanismo de auto-recompensa, Hong describe un cambio de obtener energía de equipos pequeños y camaradería a extraerla del trabajo mismo. "Creo que la mayoría de los fundadores son adictos al sufrimiento. Sí, eso es correcto. Adictos a la miseria". Ella enmarca esto como necesario más que noble: "Por lo general, estas conversaciones son lo que terminas eligiendo: inversores seleccionados. Tienen algunas conversaciones muy emocionantes. Pero a partir de estos grandes números de procesos bastante aburridos, hubo algunas conversaciones muy emocionantes". Los capitalistas de riesgo que buscaban fundadores con "una espina clavada" —personas con cicatrices pasadas convertidas en un impulso implacable— encontraron en Hong a alguien cuya carrera académica fue una serie de fracasos percibidos transformados en motivación.
Esto se manifiesta en cómo Axiom maneja los desafíos. Cuando AxiomProver inicialmente no pudo resolver un problema de Putnam que requería intuición geométrica, el profesor Evan Chen (entrenador del equipo de la IMO de EE. UU.) dibujó una imagen, y todos en la sala vieron la solución de inmediato. La IA finalmente encontró una prueba completamente diferente a través de una enumeración exhaustiva. "Creo que al comparar a los humanos y la IA, las matemáticas detrás de la solución que obtuvimos, es un proceso muy interesante", reflexiona Hong. El incidente cristalizó una tensión central: los matemáticos intuitivos proporcionan elegancia y perspicacia; la IA proporciona fiabilidad y verificación exhaustivas. Ambos son necesarios.
Mirando hacia el futuro, Hong enmarca la IA para las matemáticas como algo que permite una transición de "una sociedad pobre en matemáticas a una rica en matemáticas". La oferta explotará. Pero rechaza el marco de que esto hace que las matemáticas sean menos especiales: "Creo que los matemáticos en gran medida, en gran medida, el significado de nuestros matemáticos radica en resolver problemas. Proporcionarán un 0,01% de intuición sobre qué problemas matemáticos son más valiosos para que concentremos nuestra potencia de cálculo para resolverlos". En un mundo de potencia de cálculo infinita, este rol de asignación de recursos se vuelve menos crítico: "vamos a hacer esto, queremos hacer todo lo que los seres humanos puedan pensar, todos los problemas matemáticos curiosos resueltos". Pero en la práctica, la potencia de cálculo sigue siendo finita, y el juicio humano sobre qué es importante frente a qué es trivial sigue siendo irremplazable.
La pregunta filosófica final —qué pasa si la IA hace que las matemáticas sean aburridas al resolverlo todo— lleva a Hong a volver a la naturaleza humana. "Me das uno con 1 millón de líneas de código Lean, debo ver cómo está hecho por dentro. No me dejarás verlo, iré y lo veré. Esta es la encarnación de la curiosidad humana". Señala ejemplos como Stefano Ermon haciendo que los modelos de difusión sean más rápidos, o Periodic Labs llevando el mejor talento de IA a problemas desordenados de ciencia de materiales del mundo real, o Recursive trabajando en la co-optimización de hardware e IA. "Detrás de esto hay una fuerza básica. Esta fuerza básica es la curiosidad humana. Algunas personas dicen que es una burbuja ahora, ¿o deberíamos decir que es el alunizaje ahora? Algunas empresas, una vez que él se convierte en él, irá a la luna. Luego hay empresas que van a la luna: realmente trabajan duro, todos están realmente 996 todos los días trabajando juntos hacia ese sueño. No funcionó. Esa es la burbuja".
La apuesta de Axiom es que la verificación formal, la auto-mejora recursiva y un enfoque de sistemas para el razonamiento crearán una posición defendible en un mercado donde DeepSeek puede mercantilizar los modelos base de la noche a la mañana. La empresa se posiciona como "más parecida a SpaceX" que a un laboratorio de IA típico, abordando desafíos de ingeniería con enormes barreras técnicas que se extienden más allá de entrenar modelos más grandes. Si esta apuesta tiene éxito, determinará no solo el destino de la empresa, sino potencialmente el cronograma de cuándo las máquinas pueden contribuir significativamente a la frontera del conocimiento matemático de la humanidad. Hong parece cómoda con la naturaleza binaria de este resultado, quizás porque toda su trayectoria ha sido una serie de éxitos improbables que parecían fracasos en progreso. Como ella dice: "Siempre hay una manera. Tienes que creerlo".