Quand l’IA a cessé d’assister la science pour se mettre à la faire

Quelque chose s’est produit qui mérite davantage d’attention qu’on ne lui en accorde.

Le 6 octobre, OpenAI a publié 722 manuscrits mathématiques dans un dépôt public sur GitHub. Ces travaux ont été produits par un modèle interne de pointe qui n’a pas été rendu public et dont le grand public ne connaît pas le nom. Les résultats couvrent 17 domaines des mathématiques, répartis en 372 familles distinctes. Certaines affirmations, si elles étaient vérifiées, constitueraient de véritables avancées sur des problèmes ouverts depuis des décennies.

Comme toujours, la réaction immédiate s’est divisée en deux camps. Pour le premier, c’est extraordinaire et transformateur. Pour le second, il faut ralentir : rien de tout cela n’a été évalué par les pairs, et nous ignorons si ces résultats sont corrects.

Les deux réactions sont justifiées, mais elles passent toutes deux à côté de la question la plus importante : ces résultats sont-ils corrects, et qui vérifie la réponse ?

Deux questions. Une seule a reçu une réponse.

Je voudrais distinguer deux sujets que la couverture médiatique a présentés ensemble, mais qui méritent un examen plus approfondi, car leurs implications sont complètement différentes.

La première question : ces résultats mathématiques sont-ils corrects ? C’est aux mathématiciens d’y répondre, et cela prendra des mois. Environ un cinquième des 722 manuscrits comporte des preuves en Lean, c’est-à-dire des vérifications formelles contrôlées par machine. Les quelque 580 autres n’en comportent pas, et OpenAI reconnaît elle-même dans le fichier README du dépôt que certains résultats non formalisés pourraient comporter des problèmes. La communauté mathématique va examiner tout cela avec soin. Certains résultats se confirmeront. D’autres ne se confirmeront probablement pas. Ce processus est essentiel, mais il n’a pas encore eu lieu.

La deuxième question est différente : que signifie le fait qu’un modèle d’IA ait produit 722 manuscrits mathématiques couvrant 17 domaines, en consacrant à chaque résultat l’équivalent computationnel d’environ trois heures de réflexion ?

Un système d’IA a fonctionné comme un véritable moteur de découverte mathématique : il s’est posé environ 4 000 problèmes et a produit des travaux mathématiques originaux en théorie des nombres, en géométrie, en informatique théorique, en physique mathématique et en logique. La question de la vérification est importante pour l’étude des mathématiques, mais cet exploit et cette capacité comptent pour tout le reste.

Le modèle que personne ne peut utiliser

Ce qui me frappe le plus, ce ne sont pas les 722 articles, mais le modèle qui les a produits : il n’a toujours pas de nom et ne dispose d’aucune API. Il n’est accessible ni à un client, ni à un chercheur extérieur à OpenAI, ni à une entreprise qui chercherait à s’appuyer dessus. OpenAI a publié les résultats d’une capacité que le marché n’a pas encore vue et à laquelle il ne peut pas encore accéder.

Du point de vue de l’investissement, c’est un signal très précis. L’entreprise a démontré une capacité de pointe qui, par définition, dépasse ce que le marché a intégré dans les prix. Cet exploit a creusé l’écart entre ce que les modèles internes d’OpenAI peuvent faire et ce que le marché comprend de leurs capacités.

Cependant, cet écart ne reste pas grand éternellement. Il se réduit lorsque le modèle est mis à disposition, lorsque les concurrents rattrapent leur retard ou lorsque les résultats alimentent de nouveaux critères de référence que tout le monde se met à optimiser. Mais à l’heure actuelle, en octobre 2026, il existe une démonstration publique documentée d’une capacité mathématique au sein d’un système d’IA que personne à l’extérieur de l’entreprise ne peut utiliser ni évaluer pleinement.

Ce que cela change à la thèse d’investissement

Dans Investir dans les révolutions, je décris l’effet de convergence comme le principe selon lequel, lorsque des technologies transformatrices se combinent, le résultat n’est pas additif, mais multiplicatif. Deux plus deux ne font pas quatre. La combinaison crée quelque chose qu’aucune des deux technologies ne pourrait produire seule.

Depuis deux ans, je présente l’association de l’IA et de la découverte scientifique comme un thème d’investissement d’avenir. La découverte de médicaments pourrait passer de plusieurs années à quelques semaines grâce à l’IA hybride et à l’informatique quantique. La science des matériaux pourrait progresser grâce aux simulations moléculaires générées par l’IA. La cryptographie pourrait être transformée par l’analyse assistée par l’IA des fondements mathématiques.

Il s’agissait de prédictions fondées sur des signaux préliminaires. Cette semaine, l’une d’elles s’est concrétisée.

Un modèle d’IA qui réalise de véritables découvertes mathématiques à travers 722 manuscrits couvrant 17 domaines marque une rupture radicale dans la relation entre l’IA et les connaissances scientifiques, par rapport à celle qui prévalait jusqu’ici. Les domaines où cela compte le plus sont précisément ceux que je suis de près. La théorie des nombres est le fondement mathématique de la cryptographie, elle-même à la base de chaque système de blockchain et protocole de communication sécurisé. La physique mathématique sous-tend la science des matériaux et le matériel informatique quantique. L’informatique théorique est la colonne vertébrale du développement des algorithmes. Les progrès réalisés dans chacun de ces domaines se répercutent en aval sur les produits, les entreprises et des secteurs entiers.

Lorsque l’IA permet à ces domaines de progresser plus vite que ne le pourraient des chercheurs travaillant seuls, les retombées en aval s’accélèrent. Pour les investisseurs, les questions sont les suivantes : qu’est-ce qui va s’accélérer, quels en seront les facteurs d’accélération, à quelle vitesse, et qui sera bien placé sur la trajectoire de cette accélération ?

L’économie de la vérification qui n’existe pas encore

Cette histoire comporte une implication précise pour l’investissement que je n’ai vu personne formuler clairement.

162 des 722 manuscrits contiennent des preuves Lean vérifiées par machine. Ce n’est pas le cas des autres. OpenAI s’est appuyé sur un groupe consultatif de l’Institute for Advanced Study pour assurer une première supervision. Le groupe a décrit cette publication comme une première étape, qui amorce sans l’achever le travail d’intégration des résultats aux connaissances mathématiques.

Concrètement, cela signifie que nous vivons désormais dans un monde où les systèmes d’IA peuvent produire des affirmations mathématiques et scientifiques plus vite que les infrastructures humaines existantes ne peuvent les vérifier. Cet écart entre production et vérification n’est pas un problème temporaire. Il s’accentue à mesure que les capacités augmentent. Chaque progrès de l’IA dans la production de résultats scientifiques creuse l’écart de vérification, à moins que l’on ne mette en place des moyens de le combler.

Ces moyens reposent sur une nouvelle catégorie d’infrastructures : des outils de vérification formelle, la vérification de preuves assistée par l’IA et des chaînes automatisées pour confronter les affirmations mathématiques aux résultats connus et à des cadres cohérents en interne. Le système de preuve Lean n’est qu’un début : il couvre 22 % de cette publication et n’a pas été conçu pour le volume qui s’annonce.

L’économie de la vérification des sciences produites par l’IA pèsera lourd, alors qu’elle est aujourd’hui à peine développée. Les entreprises qui la bâtiront répondront à un besoin véritable, et non à une simple utilité : c’est le type d’infrastructure le plus durable qui soit.

Une ligne de démarcation qui bouge depuis 80 ans

Lorsque les ordinateurs ont commencé à effectuer des calculs numériques plus vite que les humains, la plupart des mathématiciens ont écarté ces travaux, les considérant comme de simples calculs plutôt que comme des mathématiques. Les machines pouvaient calculer. Elles ne pouvaient pas découvrir. Voilà où se situait la ligne de démarcation.

Depuis, cette ligne n’a cessé de bouger. Dans les années 1980 et 1990, les démonstrations assistées par ordinateur de résultats majeurs, comme le théorème des quatre couleurs, ont suscité la controverse, car aucun humain ne pouvait vérifier intégralement la démonstration. Les démonstrateurs automatiques de théorèmes ont progressé au cours des années 2000 et 2010. À chaque déplacement de la ligne, le même argument revenait : ce ne sont pas de vraies mathématiques, juste des calculs.

La ligne a de nouveau bougé, de manière plus visible qu’elle ne l’avait fait depuis des années, et plus difficile à contester, puisque les résultats sont accessibles dans un dépôt public sur GitHub que chacun peut examiner.

Je ne prétends pas que les 722 résultats résisteront tous à un examen approfondi. Je soutiens que la capacité démontrée pour les produire marque un changement réel et durable dans ce que l’IA peut accomplir dans les domaines scientifiques.

Le point d’inflexion pour les investisseurs

Dans Investir dans les révolutions, je défends l’idée que les meilleures occasions d’investissement apparaissent aux points d’inflexion, lorsque des technologies de rupture franchissent un seuil qui transforme fondamentalement le champ des possibles. Nous sommes à l’un de ces moments.

La capacité émergente de l’IA à générer des découvertes scientifiques originales annonce un changement dans la manière dont l’innovation se produit et dans les domaines où la valeur sera créée. Ses retombées dépassent le secteur du développement de l’IA et concernent la découverte de médicaments, les matériaux avancés, l’énergie, la cryptographie et la R-D industrielle, où l’accélération de la recherche pourrait raccourcir les délais de développement, réduire les coûts et ouvrir des marchés entièrement nouveaux.

Pour les investisseurs, l’occasion consiste à repérer ce point d’inflexion avant que ses conséquences commerciales ne deviennent évidentes. Il s’agit de déterminer quelles infrastructures sont nécessaires pour valider les découvertes générées par l’IA et quelles entreprises sont les mieux placées pour les transformer en technologies exclusives, en activités évolutives et en avantages concurrentiels durables.

Les découvertes prises individuellement doivent encore être vérifiées, mais le signal général est clair : l’IA passe de l’assistance à la découverte scientifique à la possibilité de la piloter. Les investisseurs qui comprendront l’importance de ce changement et sauront où ses effets se conjugueront seront les mieux placés pour en capter la valeur.