Pendant longtemps, les mathématiques ont semblé constituer l’un des derniers territoires où l’intelligence artificielle ne pouvait pas simplement avancer à coups de puissance de calcul. Résoudre une équation, vérifier une démonstration ou effectuer des calculs gigantesques sont une chose. Trouver une idée nouvelle, choisir la bonne piste et comprendre pourquoi une propriété est vraie en sont une autre. Or cette frontière commence à devenir moins nette.
Un problème vieux de près de 90 ans
Le débat a changé d’échelle début septembre 2026. OpenAI a annoncé qu’un système interne d’intelligence artificielle avait produit une solution au problème d’existence et de régularité de Navier-Stokes, l’un des sept problèmes du millénaire du Clay Mathematics Institute. Ces équations décrivent notamment le mouvement des fluides. La question porte, de manière simplifiée, sur la possibilité que des solutions initialement régulières développent une singularité en temps fini.
OpenAI affirme que son système a mobilisé jusqu’à environ 10 000 agents travaillant en parallèle. Les agents auraient trouvé leur résolution en environ 88 heures, avant qu’une formalisation et une vérification dans Lean ne prennent 17 heures supplémentaires. L’entreprise précise qu’elle ne revendique pas le million de dollars associé au problème et présente le résultat comme une démonstration des capacités actuelles de ses modèles.
Une annonce qui doit encore être examinée
Il faut cependant éviter une conclusion trop rapide : « l’IA a officiellement résolu l’un des grands problèmes des mathématiques ». Ce n’est pas encore ce que l’on peut affirmer. OpenAI a publié son raisonnement et une formalisation, mais la communauté mathématique doit pouvoir examiner la preuve en détail. La différence entre une démonstration produite par une entreprise et un résultat accepté par les spécialistes est essentielle.
Cette prudence n’enlève rien à l’intérêt de l’expérience. Pour la première fois, un système d’IA est présenté comme ayant travaillé directement sur un problème ouvert de ce niveau, et non comme ayant simplement obtenu un excellent résultat à un exercice dont la solution était déjà connue.
La vraie nouveauté : l’IA explore
Le chiffre le plus impressionnant n’est peut-être même pas celui des 88 heures. C’est la manière dont le travail a été organisé. Au lieu de demander à un seul modèle de produire une réponse, OpenAI a réparti l’exploration entre de nombreux agents. Différents groupes pouvaient chercher des approches distinctes, puis les résultats les plus intéressants étaient regroupés et réutilisés.
Cette méthode ressemble davantage à une petite équipe de recherche fonctionnant à très grande vitesse qu’à un chatbot répondant à une question. Les agents peuvent calculer, écrire du code, tester des hypothèses et revenir sur une piste lorsqu’elle échoue. Leur avantage est évident : ils peuvent explorer énormément de possibilités sans fatigue et sans avoir besoin de conserver une seule stratégie du début à la fin.
Mais chercher n’est pas comprendre
C’est ici que le débat devient beaucoup plus intéressant. Un mathématicien ne se contente pas de produire une démonstration. Il cherche aussi à comprendre pourquoi elle fonctionne, à reconnaître les idées réutilisables et à construire une explication que d’autres chercheurs pourront à leur tour exploiter.
Une IA peut trouver une preuve correcte sans nécessairement fournir cette compréhension. Une démonstration très longue, produite après des millions d’essais, peut être parfaitement valide tout en restant difficile à interpréter. Le résultat serait alors établi, mais une partie de la connaissance mathématique contenue dans le chemin parcouru pourrait être perdue.
Le risque d’aller trop vite
Cette question préoccupe déjà certains mathématiciens. Le mathématicien Terence Tao a notamment mis en garde contre une course à la résolution des grands problèmes qui pourrait empêcher les chercheurs de tirer profit des étapes intermédiaires. Dans la recherche, les fausses pistes ne sont pas toujours du temps perdu : elles peuvent conduire à une nouvelle définition, une méthode ou une conjecture inattendue.
Une machine qui trouve immédiatement la réponse pourrait donc paradoxalement réduire une partie de la valeur scientifique du parcours. Pour les chercheurs, connaître le résultat final ne suffit pas toujours. Ils veulent savoir quelles idées permettent de l’obtenir et dans quelles autres situations ces idées peuvent fonctionner.
Le mathématicien va-t-il pour autant disparaître ?
Probablement pas. L’évolution la plus crédible ressemble davantage à une transformation du métier. Certaines tâches vont être largement automatisées : recherche de contre-exemples, exploration de cas, calculs massifs, vérification de certaines étapes ou recherche de pistes dans un espace immense de possibilités.
Le rôle du chercheur pourrait alors se déplacer. Il devra davantage choisir les questions intéressantes, formuler les bonnes hypothèses, interpréter les résultats produits par les machines et transformer une masse de calculs en théorie compréhensible. Autrement dit, l’IA pourrait prendre en charge une partie de l’exploration sans prendre automatiquement en charge le sens de cette exploration.
Une nouvelle relation entre l’homme et la machine
Cette évolution rappelle une transformation déjà observée dans d’autres domaines scientifiques. Les ordinateurs n’ont pas supprimé les physiciens parce qu’ils étaient capables d’effectuer plus rapidement certains calculs. Ils ont changé ce que les chercheurs pouvaient tenter. L’IA pourrait produire un bouleversement comparable en mathématiques, mais avec une différence importante : elle intervient désormais dans des tâches que l’on associait directement au raisonnement.
Cela pourrait permettre à un mathématicien de tester en quelques heures des idées qui auraient demandé des semaines de travail manuel. Cela pourrait aussi faire émerger des conjectures que personne n’aurait pensé à examiner. Dans le meilleur scénario, la machine devient un outil d’exploration extrêmement puissant, tandis que le chercheur conserve la responsabilité de comprendre, sélectionner et vérifier.
Le début d’un changement plus large
L’affaire Navier-Stokes ne permet donc pas encore de dire que les mathématiciens sont remplacés par l’IA. Elle montre quelque chose de plus subtil et probablement plus important : une machine est désormais capable d’être engagée dans une recherche mathématique de frontière, avec une puissance d’exploration qui dépasse largement celle d’un chercheur isolé.
La question ne sera bientôt peut-être plus de savoir si une IA peut faire des mathématiques, mais de savoir quelles mathématiques nous voulons lui faire faire. Si elle devient capable de résoudre certains problèmes plus vite que les humains, la valeur du chercheur ne disparaîtra pas nécessairement. Elle pourrait se déplacer vers la formulation des problèmes, l’interprétation des résultats et la construction d’un savoir que d’autres pourront réellement comprendre.
C’est peut-être là que se trouve la véritable rupture. L’IA ne menace pas encore le métier de mathématicien par son remplacement. Elle commence à modifier ce que signifie faire des mathématiques.