OpenAI a rendu public un corpus de 719 manuscrits mathématiques, regroupés en 372 familles de résultats et produits en grande partie par un modèle interne non diffusé. L’ampleur de la publication dépasse la démonstration ponctuelle, mais elle ne suffit pas à établir que chaque texte constitue une découverte nouvelle, correcte et assimilée par la communauté. L’enjeu central devient donc la capacité de la recherche à vérifier, comprendre, attribuer et réutiliser une production scientifique générée à une vitesse inédite.
Ce qui vient de se passer
Le 6 octobre 2026, OpenAI a publié sur GitHub une collection de travaux portant sur des problèmes ouverts en mathématiques et en informatique théorique. Le dépôt comptait initialement 722 manuscrits. Trois textes ont ensuite été retirés après la découverte d’une erreur de signe, ce qui porte le catalogue public à 719 manuscrits, organisés en 372 familles de résultats [1][2].
Une famille peut réunir un résultat principal, des arguments complémentaires, des conséquences ou des preuves alternatives. Le volume des manuscrits ne correspond donc ni à 719 problèmes indépendants, ni à 372 théorèmes définitivement reconnus. OpenAI indique que son modèle a été confronté à environ 4 000 problèmes et que la majorité des résultats a été obtenue avec une procédure commune. Le système reste interne et son nom n’a pas été communiqué [2].
La publication a provoqué des réactions contrastées. Certains mathématiciens estiment que plusieurs résultats pourraient être importants. D’autres insistent sur l’hétérogénéité des textes, les difficultés de lecture et la charge considérable imposée à la communauté pour les examiner. Le débat ne porte donc pas seulement sur les capacités du modèle, mais aussi sur la manière de publier une production scientifique dont le volume dépasse les mécanismes habituels d’évaluation [4][5].
Ce qui est réellement nouveau
Les systèmes d’IA résolvent depuis plusieurs années des exercices mathématiques, assistent la démonstration formelle et explorent des conjectures. La nouveauté réside ici dans la combinaison de quatre éléments : des problèmes situés à la frontière de la recherche, une production à grande échelle, une diversité disciplinaire importante et la publication simultanée de centaines de manuscrits.
Le changement est aussi organisationnel. Une équipe humaine produit normalement un article, le soumet, répond aux objections et en présente les idées lors de séminaires. Ici, le flux est inversé : la machine génère d’abord un vaste corpus, puis les chercheurs doivent le trier, le vérifier et le replacer dans la littérature. La rareté ne se situe plus seulement dans la production d’une preuve possible, mais dans l’attention experte nécessaire pour déterminer ce qu’elle vaut.
Cette différence interdit cependant de confondre vitesse de génération et rythme de découverte. Un manuscrit peut être logiquement correct sans être nouveau. Il peut améliorer une borne sans transformer le domaine, employer une idée déjà connue sans attribution suffisante, ou formuler un théorème dont l’intérêt reste incertain. La valeur scientifique repose donc sur plusieurs contrôles distincts.
Comment une preuve générée par IA est-elle évaluée ?
Le modèle reçoit un problème, construit une stratégie et produit un texte mathématique. OpenAI indique qu’un résultat a mobilisé en moyenne l’équivalent d’environ trois heures de raisonnement dans ChatGPT Pro. Ce chiffre décrit une dépense de calcul annoncée par l’entreprise, pas le temps total nécessaire pour sélectionner les problèmes, préparer les manuscrits, vérifier les dépendances ou corriger les textes [1][2].
Une partie des résultats est accompagnée d’une formalisation dans Lean. Cet assistant de preuve transforme les énoncés et les étapes logiques en objets contrôlés par un noyau informatique. Une formalisation correctement exécutée fournit une assurance forte sur la cohérence de la démonstration par rapport à l’énoncé encodé. Elle ne prouve toutefois ni que l’énoncé formalise exactement la revendication du manuscrit, ni que le résultat est nouveau, important ou correctement attribué.
Le dépôt indique qu’environ 42 % des résultats principaux disposent actuellement d’une formalisation. Les autres doivent être lus et contrôlés selon les méthodes ordinaires, parfois dans des spécialités très étroites. OpenAI précise elle-même que les résultats se trouvent à différents stades de vérification et que certains travaux non formalisés peuvent contenir des problèmes [2].
Pourquoi cette publication change le travail de recherche
Si une IA peut produire rapidement des pistes sur des centaines de problèmes, le métier de mathématicien ne disparaît pas, mais une partie de son organisation évolue. La sélection des questions, la vérification, l’explication, la comparaison avec les travaux antérieurs et la construction d’une intuition transmissible deviennent encore plus importantes. Une preuve que personne ne comprend difficilement peut être enseignée, généralisée ou appliquée.
La publication pose également un problème de capacité. Les spécialistes capables d’évaluer un résultat donné sont peu nombreux, tandis qu’un modèle peut multiplier les manuscrits. Le risque est la création d’une dette de validation : une accumulation de résultats plausibles dont la correction, la nouveauté et la portée restent indéterminées. Cette dette peut ralentir la recherche autant qu’elle l’accélère si les chercheurs doivent consacrer une part croissante de leur temps au tri.
Les jeunes chercheurs sont particulièrement concernés. Une thèse ou un financement peut reposer sur un programme élaboré pendant plusieurs années. Une publication massive peut modifier brutalement ce programme sans fournir immédiatement un cadre clair pour attribuer le mérite, reconnaître le travail de vérification ou financer l’assimilation des résultats. L’enjeu relève donc autant de la politique scientifique que de la performance technique [4][5].
Ce que les données permettent réellement d’affirmer
Ces données établissent une capacité de production mathématique à une échelle inhabituelle. Elles ne permettent pas encore d’affirmer que les 372 familles sont toutes correctes, originales et scientifiquement fécondes. Les premières évaluations indépendantes signalent à la fois des résultats potentiellement importants et une qualité de présentation inégale [5][6].
Les enjeux de responsabilité scientifique
Avant la publication, OpenAI a consulté l’Advisory Group on Mathematics and Artificial Intelligence, constitué autour de l’Institute for Advanced Study. À partir de plus de 600 réponses recueillies auprès de la communauté, ce groupe a recommandé de préserver les normes de citation, de publier les modèles et les méthodes employés, de formaliser les preuves autant que possible et de financer le travail humain nécessaire à leur compréhension [3].
Le groupe a également demandé aux laboratoires de ne pas utiliser les problèmes avancés comme simples instruments de promotion pour des modèles propriétaires. Cette réserve soulève une question d’équité. Si les capacités capables de produire des résultats de frontière restent accessibles à quelques entreprises, la recherche pourrait se structurer autour d’un système à plusieurs vitesses, déterminé par l’accès au calcul et aux modèles plutôt que par la seule qualité des idées.
L’attribution constitue un autre enjeu. Une IA peut recombiner des méthodes présentes dans la littérature ou retrouver indépendamment une technique connue. Les citations ne sont donc pas un détail éditorial : elles permettent d’établir la continuité du savoir, de reconnaître les contributions antérieures et d’évaluer la véritable nouveauté. Les protocoles de révision et l’historique public du dépôt vont dans le sens de la traçabilité, mais ils ne remplacent pas une gouvernance scientifique indépendante.
Ce que la persistance change pour le travail
La portée de l’expérience d’OpenAI dépendra d’abord du taux de validation indépendante. Il faudra suivre le nombre de résultats vérifiés, corrigés ou abandonnés, ainsi que le temps nécessaire pour les comprendre. La qualité des formalismes Lean devra être examinée, notamment la correspondance entre l’énoncé informatique et la revendication formulée dans chaque manuscrit.
Il faudra aussi mesurer l’utilité scientifique au-delà de la correction. Un résultat devient réellement productif lorsqu’il permet de résoudre d’autres questions, de simplifier une théorie, de relier plusieurs domaines ou de former de nouveaux chercheurs. Les publications futures devront mieux documenter les problèmes tentés, les échecs, les prompts, les coûts, les interventions humaines et les antécédents bibliographiques.
Les 719 manuscrits ne démontrent donc pas que la recherche mathématique peut être automatisée de bout en bout. Ils montrent qu’une partie de la production d’hypothèses et de preuves peut changer d’échelle. La question décisive devient collective : comment organiser une science où la génération est abondante, mais où la compréhension, la responsabilité et la confiance restent des ressources humaines limitées ?
Pour aller plus loin
Pour replacer cette publication dans l’évolution plus large de l’IA scientifique , retrouvez quatre analyses complémentaires du blog aivancity.
Sources
[1] OpenAI. (6 octobre 2026). Sharing AI progress in mathematics. Consulter la source
[2] OpenAI. Dépôt public Math sur GitHub. Catalogue et méthode de production, consulté le 14 octobre 2026. Consulter le dépôt GitHub
[3] Advisory Group on Mathematics and Artificial Intelligence. (29 septembre 2026). Responsible Release of AI-Generated Mathematics. Consulter la source
[4] Larousserie, David. (12 octobre 2026). OpenAI’s latest blow to mathematicians: ‘They have annihilated my field of research’. Le Monde. Consulter l’article
[5] The Verge. (10 octobre 2026). ‘Pure insanity’: Mathematicians will need years to make sense of OpenAI’s latest drop. Consulter l’article
[6] The Washington Post. (7 octobre 2026). OpenAI releases progress on more than 300 math research problems, stunning humans. Consulter l’article