OpenAI vient de faire ce que personne n'attendait en mathématiques

Un problème posé en 1943. Résolu en 2025 par une machine.

Pendant huit décennies, certains des esprits les plus brillants de la planète ont buté sur un problème mathématique jugé insoluble à court terme. En quelques semaines de travail, un modèle d'OpenAI vient de produire une preuve que les experts qualifient de valide et originale. Ce n'est pas un gadget. Ce n'est pas une démonstration de force marketing. C'est un signal que quelque chose a fondamentalement changé dans la façon dont les machines raisonnent.

Pour comprendre ce que cela implique — pour la science, pour votre métier, pour la façon dont nous allons travailler dans cinq ans — il faut aller au-delà du titre.

Quel est ce problème vieux de 80 ans ?

Le problème en question appartient au domaine de la théorie des combinaisons, une branche des mathématiques qui étudie la façon dont des objets peuvent être arrangés, sélectionnés et regroupés selon des règles précises. Plus spécifiquement, il s'agit d'une conjecture liée aux matrices de Ramsey, un domaine qui cherche à déterminer des seuils à partir desquels certaines structures ordonnées apparaissent inévitablement dans des ensembles chaotiques.

Ce type de problème n'est pas théorique dans le vide : il a des applications directes en cryptographie, en conception de réseaux informatiques, en biologie moléculaire et en optimisation logistique. Trouver une preuve formelle, c'est ouvrir une porte sur des dizaines d'applications pratiques jusque-là bloquées.

Le modèle utilisé par OpenAI — une version spécialisée travaillant en mode de raisonnement approfondi — a produit une démonstration en plusieurs étapes que des mathématiciens de l'Université de Cambridge et du MIT ont examinée pendant plusieurs semaines avant de confirmer : la preuve est correcte, non triviale, et apporte une approche que personne n'avait envisagée.

Pourquoi c'est différent de tout ce qu'on a vu avant

Il faut être précis ici, parce que la nuance compte énormément.

Les IA ont déjà démontré leur capacité à :

• Résoudre des exercices de mathématiques standardisés
• Vérifier des preuves existantes étape par étape
• Produire des calculs symboliques complexes via des assistants comme Wolfram Alpha

Ce qui s'est passé ici est d'une nature différente. Le modèle n'a pas vérifié une preuve existante. Il n'a pas complété un raisonnement à moitié engagé. Il a produit une démarche originale, une approche que les chercheurs humains n'avaient pas explorée. C'est ce que les mathématiciens appellent une preuve constructive : elle ne dit pas juste "la chose existe", elle montre comment la construire.

C'est précisément là que le monde de la recherche formelle commence à prendre ces systèmes très au sérieux.

Ce que cela révèle sur les capacités réelles de l'IA en 2025

1. Le raisonnement formel devient une compétence émergente

Les modèles de langage récents ne font plus que prédire le mot suivant dans une séquence. Les architectures orientées vers le raisonnement en chaîne (chain-of-thought) permettent à la machine de maintenir une logique cohérente sur des dizaines d'étapes consécutives, sans dériver. C'est une capacité que peu de chercheurs anticipaient aussi tôt.

2. L'IA peut travailler dans des espaces où les humains manquent de temps

Un mathématicien expert peut consacrer des années à une conjecture. Un modèle peut explorer des millions de pistes en quelques heures. Ce n'est pas de l'intelligence pure : c'est une combinaison d'endurance computationnelle et de guidance humaine qui produit des résultats inédits. La question n'est plus "l'IA peut-elle penser ?" mais "comment l'humain et la machine doivent-ils collaborer ?"

3. La frontière entre "outil" et "collaborateur" est en train de se déplacer

Jusqu'ici, on utilisait l'IA comme on utilise une calculatrice : on lui pose une question précise, elle répond. Ce que montre cette résolution, c'est qu'un modèle peut désormais explorer un espace de problèmes ouvert, formuler des hypothèses intermédiaires, les tester, et construire une argumentation autonome. Ce n'est plus un outil passif.

Quelles implications concrètes pour les prochaines années ?

Les domaines qui vont être les premiers touchés par cette évolution sont identifiables :

• La recherche pharmaceutique : modélisation de protéines et optimisation moléculaire avec des preuves formelles de stabilité
• La cybersécurité : vérification formelle de protocoles cryptographiques jusqu'ici trop complexes à démontrer
• L'ingénierie logicielle : génération de code avec preuve mathématique intégrée de l'absence de bugs critiques
• La finance quantitative : modèles de risque dont la robustesse peut être prouvée, pas seulement testée empiriquement

Pour les professionnels qui travaillent dans ces secteurs, la question n'est pas de savoir si l'IA va modifier leurs pratiques. Elle les modifie déjà. La question est de savoir à quelle vitesse vous allez intégrer ces capacités dans votre propre chaîne de travail.

Conclusion : ce n'est pas la fin des mathématiciens, c'est le début d'autre chose

La résolution de ce problème vieux de 80 ans ne signifie pas que les mathématiciens sont devenus obsolètes. Elle signifie que la façon de faire de la recherche de haut niveau est en train de changer de structure. Les meilleurs chercheurs de demain seront ceux qui sauront poser les bonnes questions à ces systèmes, interpréter leurs sorties, et pousser plus loin là où la machine s'arrête.

Ce qui s'est passé n'est pas une anecdote scientifique. C'est un indicateur de trajectoire. Et la trajectoire est claire : les machines commencent à produire de la connaissance nouvelle, pas seulement à la reproduire.

La vraie question maintenant : dans votre domaine, quel est le problème vieux de 10, 20 ou 30 ans que personne n'a encore pensé à soumettre à ces nouveaux outils ?

— Reservoir Live