700 articles, 377 problèmes : tout le monde a le résultat, personne ne sait qui a signé

Le 6 octobre, OpenAI a déversé sur GitHub 722 articles et 377 résultats présentés comme nouveaux sur des problèmes de mathématiques jusque-là ouverts. La presse a retenu le nombre. C'est probablement la partie la moins intéressante de l'affaire.

Ce qui fâche, ce n'est pas la performance. C'est la paternité : qui a découvert quoi, qui signe, qui sera cité — et comment on compte, désormais, une contribution humaine quand une machine a produit la démonstration.

Un chiffre, deux façons de le lire

Les faits d'abord. Selon OpenAI, le modèle a été confronté à environ 4 000 problèmes de recherche et a produit des résultats complets ou partiels pour 377 d'entre eux, à raison d'environ trois heures de calcul par solution. Le modèle utilisé est un modèle interne, non publié : on ne peut donc ni le tester, ni reproduire les chemins qui mènent aux résultats.

• 722 articles publiés le 6 octobre 2026 sur GitHub
• 377 résultats revendiqués comme nouveaux, sur environ 4 000 problèmes tentés
• 3 heures de calcul par solution en moyenne, selon OpenAI
• Modèle interne non rendu public : reproductibilité limitée

Ces chiffres viennent d'OpenAI lui-même. Ils décrivent un volume, pas une qualité. Nuance importante : dans le lot, on parle de résultats complets, de résultats partiels et de reformulations. Le mot « résolu » y est plus élastique qu'il n'y paraît.

Le vrai conflit : qui signe ?

Le précédent Navier-Stokes a laissé des traces. En septembre, OpenAI a revendiqué une avancée sur l'un des problèmes du millénaire ; des mathématiciens ont contesté le crédit, soupçonnant que des travaux humains non publiés aient servi de matière première. OpenAI a nié. Le 21 septembre, l'entreprise a annoncé la création d'un groupe consultatif indépendant de mathématiciens. Et dans son billet du 6 octobre, elle promet désormais des protocoles de révision et de citation.

Personne ne conteste qu'un modèle puisse trouver quelque chose. Tout le monde demande comment on saura, plus tard, qui l'a trouvé.

Le problème n'est pas la performance, c'est la traçabilité. Une démonstration produite par une machine, jugée par des humains, publiée sous un nom d'entreprise : la chaîne de responsabilité est nouvelle. En mathématiques, la priorité reste le principal actif symbolique. Si l'attribution devient floue, ce n'est pas seulement injuste — c'est une dette épistémique que la discipline mettra des années à solder.

« Faire des maths », c’était aussi expliquer

Il existe un contre-argument honnête : les querelles de priorité sont aussi vieilles que les mathématiques. Newton et Leibniz se sont déchirés sur le calcul infinitésimal. Qu'OpenAI et des chercheurs se disputent le crédit n'a rien d'inédit.

Sauf qu'ici, la dispute porte sur autre chose que l'antériorité. Un modèle qui propose sans pouvoir expliquer comment il est arrivé là ne fournit pas seulement une réponse : il déplace la charge de la preuve. Les traces de raisonnement existent, mais un raisonnement plausible n'est pas une démonstration vérifiée. C'est là que la formule « IA qui fait des maths » devient trompeuse : la machine produit des candidats, la communauté produit la connaissance.

Une réponse correcte n'a jamais suffi, en mathématiques. Encore faut-il pouvoir la défendre.

Ce qui devient plus important

Si ce type d'outil tient ses promesses, la hiérarchie des compétences bouge. Ce qui perd de la valeur : produire un résultat de plus. Ce qui en gagne :

• la vérification formelle (Lean, assistants de preuve) comme filtre obligatoire ;
• les protocoles d'attribution : qui cite quoi, et comment citer une IA ;
• la capacité à formuler le bon problème — le poser reste plus difficile que le résoudre ;
• l'évaluation indépendante, en dehors de la communication du laboratoire.

C’est là que se joue le vrai enjeu, et il dépasse les mathématiques. Demain, dans le web, le design ou la stratégie, la même question reviendra : qui a vraiment produit la chose qu’on cite — l’humain, le modèle, ou le duo ? Tant que la réponse restera floue, on accumulera des résultats sans savoir à qui les attribuer. Et une découverte sans signature, pour la recherche comme pour un studio, n’est qu’à moitié une découverte.

Il est encore trop tôt pour savoir si ces 377 résultats sont solides. La bonne réponse n’est pas d’interdire les modèles, ni de les célébrer. C’est d’exiger une chaîne d’attribution lisible — sans quoi le progrès scientifique ressemble à une pile de scores sans auteurs.