L’IA bouscule les mathématiques, entre prouesses et crise de sens

OpenAI a publié en 2026 une série de dix avancées en mathématiques et en informatique théorique qui ont pris le milieu de court. Plusieurs chercheurs interrogés par The Verge parlent d’un vrai choc, car les modèles restent médiocres sur l’arithmétique de base mais deviennent solides sur certains problèmes abstraits. Pour les mathématiciens, l’enjeu n’est pas seulement de savoir si l’IA peut prouver un théorème, mais si elle peut le faire sans vider la discipline de sa fonction exploratoire.

Des problèmes que les humains avaient laissés ouverts

Les résultats mis en avant par OpenAI ne portent pas sur des exercices de collège, mais sur des questions que des spécialistes suivent depuis des années. Le lot annoncé sous le titre “10 Advances in Mathematics and Theoretical Computer Science” inclut notamment des sujets de théorie quantique des jeux et de sphere packing en dimensions supérieures. Selon plusieurs chercheurs cités par The Verge, si un humain avait signé un seul de ces résultats, il aurait déjà retenu l’attention ; les dix d’un coup ont fait l’effet d’un pavé dans la mare.

Le point délicat, c’est que ces avancées ne viennent pas de rien. Les papiers s’appuient sur des travaux antérieurs, et la question de l’attribution a déclenché des critiques. OpenAI a d’abord présenté certains sujets comme n’ayant connu aucun progrès depuis dix ans, avant de corriger discrètement une partie de cette formulation. La ligne de fracture est là : prouesse réelle, mais communication jugée trop rapide par une partie de la profession.

Pourquoi la discipline se sent menacée

La crainte dominante n’est pas celle d’une IA médiocre, mais celle d’une machine capable d’avancer là où des chercheurs humains servent encore de boussole. Robert Hart rapporte que plusieurs mathématiciens voient déjà un risque très concret : des problèmes de thèse ou de jeune carrière qui pourraient être résolus pendant qu’un doctorant apprend encore le terrain. James Maynard résume ce dilemme d’une formule nette : “If the standard for a publishable paper in math is something that an AI cannot do, particularly when a PhD is typically four years, the challenge is you’re not trying to come up with a problem that AI can’t do now, it’s an AI in four years’ time.”

Le cœur du sujet n’est pas seulement la publication d’un résultat. En mathématiques, résoudre un problème ouvre souvent des pistes, des outils et parfois un champ entier de recherche. Plusieurs interlocuteurs de The Verge redoutent qu’une IA se contente de “mow down” les questions, pour reprendre l’expression de Johannes Schmitt, sans produire les intuitions nouvelles qui font avancer la discipline. Un peu rude pour le moral, surtout dans une discipline qui aime les preuves mais pas toujours les coups de massue.

Une vérification plus solide qu’on ne l’imagine

Malgré les réserves, les chercheurs interrogés ne remettent pas en cause le fond des résultats publiés par OpenAI. Les preuves ont été mises à disposition et peuvent être vérifiées via Lean, un langage de preuve informatique qui formalise les démonstrations mathématiques et teste leur rigueur. Dans les domaines concernés, certains spécialistes disent que les travaux tiennent la route.

Reste une inconnue importante : combien d’essais ont été nécessaires avant d’obtenir ces dix résultats ? OpenAI ne le dit pas. Cette absence de transparence nourrit le doute sur la reproductibilité réelle, surtout avec un modèle non publié et difficile à tester indépendamment. En clair, la preuve semble solide ; la mécanique de production, elle, reste dans la zone grise.

Entre démocratisation et saturation

La même technologie peut ouvrir la porte à des profils qui n’avaient pas accès aux outils ou au langage formel de l’université. Des chercheurs cités dans l’article y voient une opportunité pour des étudiants talentueux, capables d’utiliser l’IA comme aide à la démonstration ou à l’exploration. Mais ce bénéfice s’accompagne d’un autre phénomène : la multiplication de papiers générés ou assistés par IA, qui encombre déjà les prépublications et fatigue les experts sollicités pour vérifier la validité des résultats.

Le coût entre aussi en ligne de compte. OpenAI évoque environ 2 000 dollars pour obtenir ces dix résultats, mais ce chiffre ne couvre pas l’ensemble des dépenses liées à la recherche. Colva Roney-Dougal, à St. Andrews, rappelle qu’elle n’a parfois même pas besoin de subvention pour travailler : “Well, a lot of the time I don’t bother getting a research grant. I don’t need one. I just have a blackboard.” Dans ce contexte, même un usage “raisonnable” de l’IA peut créer un nouveau biais : ceux qui ont les moyens testent plus, publient plus, et avancent plus vite.

Le vrai test : ce que l’IA fera aux mathématiques demain

Les mathématiciens ne sont pas seulement inquiets pour leurs emplois. Ils s’interrogent sur la définition même de leur métier. Si l’IA devient très forte pour résoudre des problèmes isolés, mais ne sait ni formuler les bonnes questions ni repérer les idées fécondes, la discipline pourrait se retrouver plus rapide, mais aussi plus plate. C’est ce que plusieurs chercheurs appellent un risque de “shell shock” : un basculement trop rapide pour que le milieu comprenne encore ce qui lui arrive.

Dans l’immédiat, personne ne parle d’obsolescence des mathématiciens. Mais le rapport de force a changé, et vite. Les laboratoires d’IA ont désormais une démonstration à montrer, les chercheurs une vigilance à garder, et les doctorants une question moins amusante qu’elle n’en a l’air : sur quoi travailler quand une machine peut déjà grignoter les problèmes avant même qu’on ait fini le café ?

À ce stade, le vrai sujet n’est pas de savoir si l’IA “fait des maths”. C’est de savoir si elle peut les faire sans réduire la recherche humaine à un rôle de contrôle qualité. Et si c’est le cas, le milieu n’aura pas seulement une prouesse à digérer, mais un nouveau mode de production scientifique à apprivoiser.