Des agents d'OpenAI ont produit une preuve pour un problème du millénaire en 88 heures, les mathématiciens restent sceptiques
Imaginez qu'une IA ait produit en quelques jours un énorme module de code, sans que vous compreniez pourquoi il fonctionne. C'est la situation que vit aujourd'hui la mathématique : OpenAI a lancé des milliers d'agents sur l'équation de Navier-Stokes, l'un des sept problèmes du millénaire, et a obtenu une preuve au bout de 88 heures. Le professeur Michael Hopkins, de Harvard, a qualifié ces articles de « absurdes », tandis que les intervenants d'un panel au MIT estiment que savoir vérifier et expliquer un résultat compte davantage. Les équipes qui travaillent avec des agents devraient donc prévoir du temps pour la vérification.
Traité par IA depuis MIT News ; édité par Hamidun News
Imaginez qu'un agent d'IA ait écrit en un week-end un énorme module, que les tests passent, et que personne dans l'équipe ne sache expliquer pourquoi il fonctionne. C'est à peu près la situation dans laquelle se trouve aujourd'hui la mathématique. Un panel intitulé « IA et société : l'avenir des mathématiques » s'est tenu au MIT, où des professeurs du MIT, de Harvard, de Northwestern et de l'Université de New York ont débattu de ce qu'il faut faire lorsque des machines résolvent des problèmes plus vite que les humains, sans qu'on comprenne toujours comment.
Pour les développeurs et les fondateurs, ce n'est pas une histoire lointaine : les mêmes questions de vérification et de confiance dans les résultats de l'IA se poseront bientôt à chaque équipe qui confie à des agents un travail sérieux.
Ce qui s'est passé : des olympiades aux problèmes du millénaire
Il y a peu encore, l'IA résolvait des problèmes dont la réponse était déjà connue. À l'été 2025, les modèles de Google DeepMind ont obtenu la médaille d'or à l'Olympiade internationale de mathématiques : ils ont rapidement résolu la plupart des problèmes donnés aux meilleurs lycéens du monde. Il est ensuite apparu que ces modèles trouvaient parfois des solutions légèrement meilleures que celles des humains. En 2026, selon les participants, un saut s'est produit : l'IA a commencé à s'attaquer à des questions de recherche ouvertes, pour lesquelles aucune réponse n'était connue. Bhargav Kra, de Northwestern, a déclaré : « Les mathématiques ont changé en deux mois davantage qu'en cent ans. »
En septembre, OpenAI a affecté des milliers de ses agents à un problème lié à l'équation de Navier-Stokes. Cette équation décrit l'écoulement des liquides et des gaz, et figure parmi les sept « problèmes du millénaire ». Au bout de 88 heures, les agents ont produit une preuve.
La coïncidence est malheureuse pour Tristan Buckmaster, l'un des participants au panel : après un an de travail, il était, avec un collègue d'Anthropic, proche d'une solution. Une discussion s'est alors engagée : le partage du mérite était-il correct, les données des mathématiciens ont-elles fuité, comment les agents sont-ils parvenus à leur conclusion, et ce résultat a-t-il un sens ? Un mois plus tard, OpenAI a publié 722 manuscrits couvrant différents domaines des mathématiques, affirmant que l'IA avait entièrement résolu de nombreux grands problèmes ouverts.
Le surnom d'« apocalypse mathématique » (« matokalipsis ») s'est imposé pour désigner ce phénomène.
La preuve existe, la compréhension non
L'objection principale est la suivante : obtenir une preuve et la comprendre sont deux choses différentes. Michael Hopkins, de Harvard, a déclaré que « les articles eux-mêmes n'ont pas de sens », avec des idées « étranges », et a ajouté qu'il existe toujours une différence entre les mathématiques de l'IA et les mathématiques humaines. Buckmaster a abondé en ce sens : pour qu'une mathématique soit importante, elle doit reposer sur une compréhension humaine.
Cela ressemble à une revue de code. L'agent livre un correctif de dix mille lignes, il compile, mais si personne ne peut expliquer la logique, on n'a pas obtenu une solution, mais une dette. Les mathématiciens se sont retrouvés à ce point avant les autres.
Kra propose de renoncer à la course à la priorité, c'est-à-dire au prestige du « premier à avoir prouvé » : la vitesse ne doit plus être un objectif, et la compréhension doit être évaluée autrement. Hopkins a répliqué que les gens voudront de toute façon être les premiers. Kra a répondu qu'on peut aussi être pionnier dans l'explication de la manière dont la preuve a été obtenue. Elle a participé à la rédaction de la Déclaration de Leiden sur l'IA et les mathématiques, signée par des mathématiciens de plusieurs pays. Ce texte appelle à réagir aux risques que l'IA fait peser sur la recherche mathématique.
Revues, recrutement et étudiants changent déjà
Les conséquences sont visibles dans des processus concrets. Dans la revue spécialisée où Kra occupe le poste de managing editor, le nombre d'articles présentant des résultats obtenus avec l'IA a fortement augmenté, et la rédaction a dû recruter un second managing editor. Face au flux de « déchets » produits par l'IA, certaines publications accordent davantage d'importance à l'exposition : la section de l'article qui explique la logique de l'hypothèse ou de la preuve. Apparaissent aussi des revues expérimentales qui ne publient que la contribution humaine, par exemple de nouvelles explications de résultats anciens. L'une d'elles est la revue vidéo Mathematical Discourse, qui publie des enregistrements de conférences.
Le recrutement évolue également. Selon Kra, l'entretien devient plus important : il ne suffit pas de présenter des idées écrites, il faut démontrer qu'on les comprend et qu'on peut les expliquer à quelqu'un d'autre. Jacopo Borga, du MIT, a rappelé qu'environ 90 % de l'évaluation des mathématiciens repose sur les revues, et a proposé d'inventer une nouvelle métrique.
Les étudiants sont les plus touchés : ils doivent apprendre les fondamentaux au milieu d'une multitude de raccourcis offerts par l'IA. Dans le groupe de Hopkins, on trouve des « véganes de l'IA », qui n'utilisent pas du tout l'IA, et ceux qui l'utilisent. Il cite un étudiant doté d'une bonne intuition mais d'une exécution faible, qui sait tirer de l'IA des idées intéressantes grâce à des requêtes bien formulées. Ce serait peut-être un « nouveau type de mathématicien ».
Ce qu'il faut en retenir en pratique
Une précision s'impose : il s'agit des opinions des participants d'un seul panel, et non d'une vérification indépendante des travaux d'OpenAI ; le débat sur l'exactitude des 722 manuscrits se poursuit. Mais la conclusion dépasse le cadre des mathématiques. Quand obtenir un résultat devient bon marché, la vérification, l'explication et la responsabilité deviennent plus coûteuses. Si vous confiez à des agents des tâches importantes, décidez à l'avance qui lira et vérifiera leurs résultats, et comment. Prévoyez du temps pour cela, et exigez de l'agent non seulement une réponse, mais aussi un exposé clair de son raisonnement. Borga a formulé la chose de manière plus optimiste : « Le château s'effondre, mais un espace s'ouvre pour la recherche. »
- 21 nov. 2026Les offres FDE ont été multipliées par 4,6 en un an : ce que fait un ingénieur chez le client
- 21 nov. 2026La capitaine d'une équipe de nageurs a confié trois tâches planifiées à ChatGPT et divisé sa charge de travail par plusieurs
- 21 nov. 2026OpenAI GPT-6 Cyber a trouvé une trentaine de failles dans les iPhone, Mac et autres appareils Apple
- 21 nov. 202622 agents Claude ont cherché pendant six semaines des réponses sur les trous noirs — et ont résolu deux problèmes
Questions clés sur cet article
Que sait-on sur Ce qui s'est passé : des olympiades aux problèmes du millénaire ?
Il y a peu encore, l'IA résolvait des problèmes dont la réponse était déjà connue. À l'été 2025, les modèles de Google DeepMind ont obtenu la médaille d'or à l'Olympiade internationale de mathématiques : ils ont rapidement résolu la plupart des problèmes donnés aux meilleurs lycéens du monde. Il est ensuite apparu que ces modèles trouvaient parfois des solutions légèrement meilleures que celles des humains.
Que sait-on sur La preuve existe, la compréhension non ?
L'objection principale est la suivante : obtenir une preuve et la comprendre sont deux choses différentes. Michael Hopkins, de Harvard, a déclaré que « les articles eux-mêmes n'ont pas de sens », avec des idées « étranges », et a ajouté qu'il existe toujours une différence entre les mathématiques de l'IA et les mathématiques humaines. Buckmaster a abondé en ce sens : pour qu'une mathématique soit importante, elle doit reposer sur une compréhension humaine. Cela ressemble à une revue de code.
Que sait-on sur Revues, recrutement et étudiants changent déjà ?
Les conséquences sont visibles dans des processus concrets. Dans la revue spécialisée où Kra occupe le poste de managing editor, le nombre d'articles présentant des résultats obtenus avec l'IA a fortement augmenté, et la rédaction a dû recruter un second managing editor. Face au flux de « déchets » produits par l'IA, certaines publications accordent davantage d'importance à l'exposition : la section de l'article qui explique la logique de l'hypothèse ou de la preuve.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.