
IA et mathématiques : quand vérifier coûte plus que produire
OpenAI a publié 722 manuscrits de maths d'un coup et les mathématiciens ne suivent plus. Leur crise montre où va le travail : choisir, vérifier et comprendre.
Le 6 octobre 2026, OpenAI a déposé sur GitHub 722 manuscrits de résultats mathématiques produits par un de ses modèles internes. Le lendemain, une erreur de signe dans l'un d'eux en faisait retirer trois. Le surlendemain, Hugo Duminil-Copin, médaille Fields 2022, décrivait à la RTS, la radio-télévision suisse, un « choc monumental » : seize des manuscrits touchaient à son propre champ de recherche. Entre IA et mathématiques, la relation a changé de nature en quelques semaines.
Produire une démonstration n'est pas devenu gratuit. Pour Navier-Stokes, OpenAI a fait tourner environ 10 000 agents en parallèle, pour des millions de dollars. Mais rapporté au résultat, c'est rapide et bien moins cher qu'un travail de chercheur : le dépôt d'OpenAI annonce en moyenne trois heures de calcul par résultat. Ce qui devient rare, c'est le temps des chercheurs : pour vérifier ces preuves, pour les comprendre, et en amont pour choisir les problèmes qui valent d'être posés. Le lendemain du dépôt, environ 42 % des résultats principaux seulement avaient été vérifiés par ordinateur.
Les mathématiciens ne sont pas les premiers à vivre ce basculement. Les développeurs l'ont connu avant eux, et les métiers d'expertise, du droit à l'audit, suivent. Partout, la valeur passe de la production à ce qui l'entoure : choisir quoi produire, vérifier, comprendre, juger de ce qui s'applique. Les mathématiques en sont le cas le plus pur, parce que la vérification y est automatisable et le reste ne l'est pas.
Qu'ont réellement annoncé OpenAI et Anthropic en mathématiques ?
Quatre annonces se sont succédé en trois mois. Elles ne disent pas toutes la même chose, et plusieurs ont été mal résumées dans la presse.
| Date | Annonce | Ce qui a été fait réellement |
|---|---|---|
| 10 août 2026 | Anthropic, fonction zêta de Riemann | Une borne sur la part des zéros de zêta portée de 41,6 % à 67,2 %. Pas une preuve de l'hypothèse de Riemann. |
| 4 septembre 2026 | Anthropic, dernier théorème de Fermat | La preuve humaine existante traduite en Lean et vérifiée par ordinateur. Pas une nouvelle démonstration. |
| 8 septembre 2026 | OpenAI, équations de Navier-Stokes | Un résultat d'explosion en temps fini sur un problème du millénaire, obtenu avec environ 10 000 agents. |
| 6 octobre 2026 | OpenAI, dépôt GitHub | 722 manuscrits, 372 familles de résultats, environ 4 000 problèmes posés au modèle. |
Riemann : une borne améliorée, pas l'hypothèse
Anthropic a annoncé en août que Claude avait amélioré une borne inférieure ancienne : la part des zéros de la fonction zêta situés sur la droite critique passe de 41,6 % à 67,2 %. C'est un vrai résultat, formalisé en Lean. Il est né d'une tentative ratée de démontrer l'hypothèse elle-même, et Anthropic prévient : « We don't expect that the techniques Claude used will lead to proving the Riemann hypothesis. »
Fermat : une vérification, pas une démonstration
En septembre, Anthropic a publié la première preuve complète du dernier théorème de Fermat vérifiée par ordinateur. Claude n'a pas découvert de démonstration : il a réécrit dans le langage Lean la preuve d'Andrew Wiles, dans une version simplifiée par Darmon, Diamond et Taylor. Le travail reste colossal : 13 millions de lignes de Lean en 11 jours, soit plus de cinq fois la taille de la bibliothèque de référence du domaine, selon Anthropic. Kevin Buzzard, qui conduit à l'Imperial College le projet humain de formalisation de Fermat, salue « this extraordinary autoformalization achievement », en précisant prudemment « which Anthropic researchers say only took 11 days ». Son projet dispose d'un million de livres sur cinq ans, depuis 2024.
Ces 11 jours ne sont pas gratuits non plus : Claude a produit environ six milliards de jetons, les unités de texte qu'un modèle facture. Le modèle étant interne, le coût réel n'est pas publié ; au tarif public d'un modèle comparable, le site TNW l'estime à titre d'illustration à 300 000 dollars. L'humain n'a pas disparu pour autant. Selon Anthropic, l'apport mathématique humain s'est limité à « occasional high-level instructions » d'un chercheur, qui indiquait par exemple quelle partie de la preuve traiter en priorité. Peu de messages, mais ce sont eux qui donnent la direction.
Navier-Stokes : un résultat et une polémique
Le 8 septembre, OpenAI a annoncé un résultat sur l'un des sept problèmes du millénaire. La veille, le mathématicien Tristan Buckmaster publiait des résultats voisins et s'interrogeait publiquement : lui et son coauteur avaient mis tous leurs brouillons dans Codex, l'outil de programmation d'OpenAI. Le modèle y avait-il eu accès ? On lui a répondu que non, sans répondre à sa question sur l'entraînement. Buckmaster ajoute : « I am not accusing anyone of anything. »
Selon le MIT Technology Review, Sébastien Bubeck et Mark Chen, d'OpenAI, ont expliqué que l'équipe n'avait abouti qu'en faisant tourner environ 10 000 agents en parallèle, pour un coût de plusieurs millions de dollars. Buckmaster et son coauteur, Levent Alpöge, avaient travaillé près d'un an sur le problème avec les modèles publics, sans aller au bout. Si les modèles d'OpenAI ont été entraînés sur leurs travaux ou y ont eu accès, note la journaliste Grace Huckins, cela suggérerait que le travail des deux chercheurs a été essentiel au résultat. Le même article en tire un constat plus large : « Mathematics is quickly becoming the province of frontier AI companies ».
Le dépôt du 6 octobre : des données brutes
OpenAI présente ses 722 manuscrits comme « a form of raw research data, rather than polished academic papers » et reconnaît que « some of the unformalized results could have issues ». AGMAI, un groupe consultatif indépendant de mathématiciens né d'une sollicitation d'OpenAI, a résumé la situation en une phrase : « This release is the beginning, not the completion, of the process of human understanding (…) ». Le travail de compréhension commence après la publication, et il revient aux humains.
Lean, l'assistant de preuve qui vérifie les démonstrations de l'IA
Un assistant de preuve est un logiciel dans lequel on écrit une démonstration que l'ordinateur vérifie pas à pas. Si un raisonnement cloche, il refuse la preuve, comme un compilateur refuse un programme erroné. Lean, l'un des plus utilisés aujourd'hui, est un langage libre doté d'une bibliothèque communautaire, Mathlib, qui contient plus d'un million de lignes de mathématiques formalisées.
Pour un développeur, l'analogie est immédiate : Lean joue pour une preuve le rôle que jouent le compilateur et les tests pour du code. C'est ce qui permet aux entreprises d'IA de publier des centaines de résultats en affirmant qu'une partie au moins est garantie. Sur le dépôt d'OpenAI, la proportion a été calculée le 7 octobre : 300 résultats principaux sur 719 formalisés, environ 42 %. Le reste n'était pas formalisé en Lean au moment de sa publication.
Lean a pourtant une limite : il garantit qu'une preuve est correcte, pas qu'elle est comprise. La conjecture jacobienne, réfutée en juillet 2026 avec Claude Fable, un modèle d'Anthropic, en donne un exemple. Terence Tao, l'un des mathématiciens les plus réputés au monde, note que le contre-exemple se vérifie « by a brief calculation ». Il ajoute : « I do not have a completely satisfactory geometric explanation for this miracle. » Le résultat était juste et vérifié. Le comprendre a été un autre travail, que d'autres mathématiciens ont entrepris après coup.
Pourquoi les mathématiciens réagissent si fort
Parce que leur discipline repose sur une idée simple : un résultat ne vaut que si l'on comprend pourquoi il est vrai. Matthieu Alfaro, professeur à l'université de Rouen Normandie, le résume ainsi : « Le jour où on démontre qu'une conjecture est vraie, ce n'est pas une surprise. Ce qui est intéressant, c'est comment on l'a démontrée. »
Hugo Duminil-Copin a parlé à la RTS le 8 octobre, deux jours après le dépôt : « J'en ai même pleuré, pour tout vous dire », « on est le jour d'après ». Le même jour, Cédric Villani évoquait sur France Inter le « changement le plus radical en mathématiques depuis au moins quatre siècles », en ajoutant qu'« aucune université dans le monde ne produit de mathématiques de haut niveau à un tel rythme ».
Les réactions collectives avaient précédé le dépôt. Le 11 septembre, 25 médaillés Fields ont publié une déclaration, « A Severe Misalignment of AI in Mathematics », signée depuis par 28 d'entre eux, selon laquelle « the goals of the AI companies and the goals of the mathematical community are severely misaligned ». Elle a depuis reçu le soutien de plus de 8 000 mathématiciens, selon Telos. Le bureau de la Société mathématique de France a vu dans le résultat sur Navier-Stokes « sans doute » « une avancée majeure », tout en dénonçant un « pillage bibliographique » et une « absence totale de stratégie collective ». Après le dépôt, l'Association for Human Mathematics, qui compte plus de 1 000 membres, est allée plus loin : « Releasing over 700 files at once is not a demonstration of scholarship, but a demonstration of power ». Elle appelle les mathématiciens à cesser de travailler avec OpenAI.
Il y a aussi un problème de volume, très concret. Selon une prépublication, les dépôts en mathématiques sur arXiv, la principale plateforme de prépublication scientifique, ont augmenté de 33,5 % entre janvier et août 2026 par rapport à 2025. Matthieu Alfaro observe que les revues reçoivent « deux fois plus d'articles » qu'il y a quelques mois, relus par des chercheurs qui peinaient déjà à suivre.
Reste la question des moyens. « What is clear is that very few mathematicians will have resources of that scale », note Javier Gómez-Serrano dans le MIT Technology Review, à propos des moyens engagés par OpenAI sur Navier-Stokes. Christophe Besse, directeur de CNRS Mathématiques, y voit une question d'« indépendance scientifique » et veut conserver « une capacité publique et académique à développer, étudier et utiliser ces outils ». C'est la même question de dépendance que pose l'IA souveraine aux entreprises.
Défendent-ils leur science ou leur métier ?
La question se pose, et les faits soutiennent deux lectures.
Première lecture : ils défendent la science
Les preuves produites en masse sont souvent illisibles, y compris pour les spécialistes. Trois ont été retirées le lendemain du dépôt, et plus de la moitié n'étaient pas formalisées en Lean. La déclaration des médaillés Fields rappelle que « the most precious resources of our profession are students and ideas », et qu'une production en masse d'énoncés vrais ou faux « could destroy fertile ground ». Duminil-Copin parle de passer les problèmes « au bulldozer » : quand une question est réglée sans qu'on comprenne comment, les idées qui seraient nées en route ne naissent pas.
Seconde lecture : ils défendent aussi un métier
Matthieu Alfaro le dit sans détour : les projets de recherche balayés par l'IA, comme ceux de Duminil-Copin, financent des postes de doctorants et de postdocs. Et la compétition change d'échelle : « Si je dis à mon étudiant de ne pas utiliser l'IA et qu'à côté, il y en a dix qui font de l'IA toute la journée, quand il aura fait trois papiers, les autres en auront fait trente. »
Notre lecture
Nous pensons que la question est en partie mal posée. En mathématiques, la science et le métier sont la même chose : comprendre. Le test utile est plutôt ce que chacun fait d'un résultat juste mais incompréhensible : le rejeter, ou en faire la matière d'un nouveau travail. Duminil-Copin lui-même ne rejette pas l'outil : « L'intelligence artificielle révolutionne la façon dont on découvre des idées », dit-il. Il plaide pour un usage dirigé par une communauté qui choisirait les problèmes.
Ce travail ne se limite pas à vérifier. Le MIT Technology Review rappelle que les experts voient depuis longtemps dans le « research taste », la capacité à choisir des questions et des directions de recherche prometteuses, l'un des principaux obstacles pour l'IA. Terence Tao y explique que, le plus souvent en mathématiques pures, un problème n'est pas posé parce qu'on veut désespérément sa solution, mais parce que les efforts pour le résoudre font avancer tout le domaine. Choisir les problèmes, donner la direction, juger de ce qui sert : c'est là que la valeur des chercheurs se déplace, autant que vers la vérification.
D'autres voix françaises sont nettement plus ouvertes. François Charles, directeur du département de mathématiques de l'ENS, se dit « pas du tout pessimiste » sur l'aspect scientifique : « On doit en tant que scientifique être plus ambitieux. » Stéphane Mallat, médaille d'or du CNRS, rappelle dans la même dépêche de l'AFP qu'« il y aura besoin de mathématiciens parce que les maths restent au centre de notre capacité de comprendre clairement les choses ». Et Terence Tao donne la règle la plus utile de tout ce débat, dans une synthèse de ses positions qu'il a relue : ne se fier à l'IA que là où l'on sait attaquer et contrôler ce qu'elle produit.
Le même goulot, du code au droit
Les développeurs l'ont vécu en premier
En juillet 2026, Claude écrivait environ 80 % du code fusionné chez Anthropic. Dans son dépôt principal, les changements fusionnés sont passés de 2 500 à plus de 30 000 par jour entre mai et septembre, au point qu'Anthropic a sorti ce dépôt de git au profit d'un outil maison, Scion. L'équipe qui l'a construit vérifie désormais l'intention de chaque changement plutôt que chaque ligne. L'équipe le résume ainsi : « the role of the engineers was to tell Claude "no." »
À l'échelle de GitHub, 1,3 milliard de pull requests ont été fusionnées sur les douze mois clos fin septembre 2026, contre 538 millions l'année précédente, et plus de 40 % sont désormais lancées par un agent. Il faut bien que quelqu'un relise. Selon la télémétrie de Faros AI, éditeur d'outils de mesure, le temps de revue médian a été multiplié par 5, avec 28 % de bugs en plus par pull request. Dans l'enquête 2026 de Stack Overflow, 48 % des développeurs disent faire confiance à l'IA quand ils peuvent facilement valider sa réponse : la confiance suit la vérification.
La sécurité informatique vit la même chose depuis le printemps. Au 2 novembre, Anthropic avait signalé 5 087 failles trouvées avec ses modèles à 680 logiciels libres, et 629 seulement étaient corrigées. Nous avons raconté dans notre article sur Claude Mythos comment le goulet d'étranglement est devenu la correction, plus la découverte.
Les métiers d'expertise suivent, sans Lean
Le code a ses tests et les mathématiques ont Lean. Le droit, l'audit ou le conseil n'ont rien d'équivalent : la vérification y reste humaine, lente et chère. Quand elle saute, les dégâts se voient.
Damien Charlotin, juriste et chercheur français, recense les décisions de justice qui relèvent du contenu inventé par une IA, comme une jurisprudence qui n'existe pas. Au 12 novembre 2026, sa base en compte 2 292, dont 912 visant des avocats et 14 en France. Le 4 juin, le tribunal administratif de Grenoble a infligé une amende de 200 euros pour recours abusif à un requérant dont le mémoire de plus de 300 pages était « manifestement généré à l'appui de l'intelligence artificielle », avec des décisions de justice inexistantes.
Dans le conseil, en 2025, Deloitte a dû rembourser 97 587 dollars australiens au gouvernement australien, sur un contrat d'environ 440 000, pour un rapport truffé de références inexistantes. En 2026, la société GPTZero, qui vend un détecteur de textes générés par IA, a vérifié un rapport de KPMG : 5 citations exactes sur 45.
Dans les entreprises, le phénomène est plus diffus mais mesurable. Selon une enquête de Workday auprès de 3 200 salariés, près de 40 % du temps gagné grâce à l'IA est perdu à corriger, réécrire et vérifier ce qu'elle produit. Le gain affiché d'un outil d'IA n'est pas son gain réel.
Ce qu'une entreprise peut en retenir
Les mathématiciens vivent avec quelques mois d'avance ce que vivront beaucoup de directions juridiques, financières ou techniques. Leur crise donne cinq leçons pratiques.
- Placer les experts en amont et en aval. Choisir les bonnes questions, cadrer la demande, juger si un résultat s'applique au cas réel : c'est là que leur temps vaut le plus, comme les quelques consignes du chercheur d'Anthropic sur Fermat. Produire n'est plus le cœur de leur valeur.
- Compter le temps de vérification dans le retour sur investissement. Un outil qui produit un rapport en dix minutes et demande deux heures de contrôle ne fait pas gagner le temps qu'il affiche. La mesure honnête est le gain net, comme le montre l'enquête de Workday.
- Préférer des sorties vérifiables. Une réponse qui cite ses sources, un calcul fait par un programme plutôt que par un modèle, un code accompagné de tests : tout ce qui rend la vérification mécanique réduit son coût. C'est la raison pour laquelle nous conseillons d'utiliser le moins d'IA possible quand un algorithme classique suffit.
- Relire selon le risque. Tout relire ligne à ligne ne tient plus à ces volumes, ne rien relire non plus. Vercel fusionne 58 % des pull requests de son plus gros dépôt sans revue humaine : une IA classe chaque changement selon des critères de risque fixés à l'avance, et les cas sensibles restent relus par un humain. Un contrat, une note au conseil d'administration ou un chiffrage client peuvent suivre la même logique.
- Garder quelqu'un qui comprend. Valider qu'un résultat est juste ne suffit pas toujours : il faut pouvoir l'expliquer à un client, un juge ou un auditeur. Les jeunes professionnels sont les plus exposés, comme les doctorants dont parle Alfaro, et c'est ce que les formations à l'IA devraient travailler en premier.
Questions fréquentes sur l'IA et les mathématiques
L'IA a-t-elle démontré le dernier théorème de Fermat ?
Non. En septembre 2026, Anthropic a publié la première preuve complète du théorème de Fermat vérifiée par ordinateur. Claude a traduit dans le langage Lean, en 11 jours selon l'entreprise, la démonstration humaine d'Andrew Wiles dans une version simplifiée par Darmon, Diamond et Taylor. C'est une formalisation, c'est-à-dire la vérification automatique d'une preuve qui existait déjà, et non une démonstration nouvelle.
Qu'est-ce que Lean en mathématiques ?
Lean est un assistant de preuve libre : un logiciel dans lequel on écrit une démonstration que l'ordinateur vérifie étape par étape, comme un compilateur vérifie un programme. Sa bibliothèque communautaire, Mathlib, contient plus d'un million de lignes de mathématiques formalisées. Les entreprises d'IA s'en servent pour garantir que les preuves de leurs modèles sont correctes, sans que cela les rende compréhensibles.
Combien de résultats mathématiques OpenAI a-t-il publiés ?
Le 6 octobre 2026, OpenAI a déposé sur GitHub 722 manuscrits regroupés en 372 familles de résultats, issus d'environ 4 000 problèmes posés à un modèle interne. Trois manuscrits ont été retirés le lendemain après la découverte d'une erreur de signe, ce qui ramenait le total à 719, puis deux ont été ajoutés le 26 octobre (721). Le 7 octobre, environ 42 % des résultats principaux étaient vérifiés en Lean. Le chiffre de 377, souvent cité, est le numéro de la dernière famille, pas un décompte.
L'IA va-t-elle remplacer les mathématiciens ?
Pas selon les mathématiciens qui se sont exprimés, y compris les plus inquiets. Stéphane Mallat rappelle qu'on aura besoin de mathématiciens pour comprendre, et François Charles estime que certains blocages vont peut-être être dépassés. Ce qui change, c'est le métier : moins de temps à démontrer, davantage à choisir les problèmes et les directions de recherche, à vérifier, à trier et à comprendre des résultats produits par des machines. Matthieu Alfaro décrit déjà une recherche à plusieurs vitesses, entre ceux qui utilisent l'IA toute la journée et ceux qui la refusent.
Pourquoi les mathématiciens critiquent-ils OpenAI ?
Ils reprochent à OpenAI de publier des résultats en masse, plus vite que la communauté ne peut les vérifier et les comprendre. L'Association for Human Mathematics y voit « une démonstration de pouvoir » plutôt que de savoir. Le mathématicien Tristan Buckmaster s'est aussi demandé publiquement si les brouillons de son équipe, stockés dans l'outil Codex d'OpenAI, avaient servi au modèle. On lui a répondu que le modèle n'avait pas consulté de données d'utilisateurs, sans répondre sur l'entraînement.
Les mathématiques ont un avantage que la plupart des métiers n'ont pas : un outil, Lean, qui dit sans ambiguïté si une preuve est juste. Même avec lui, la communauté se retrouve débordée, parce que vérifier ne suffit pas à comprendre. Dans un cabinet, une direction financière ou un service juridique, il n'y a pas de Lean. Avant de déployer un outil qui produit plus vite, deux questions passent donc avant le reste : qui décidera de ce qu'il doit produire, et qui vérifiera ce qu'il produit, en combien de temps ?


