# OpenAI publie des centaines de résultats mathématiques générés par IA : ce que ça change vraiment

> OpenAI a publié 722 manuscrits couvrant 372 familles de résultats mathématiques générés par un modèle non diffusé. Analyse des implications pour les développeurs et data scientists.

- Auteur : Clément Reboul, ingénieur IA (https://clement-reboul.fr/about/)
- Publié le 2026-10-10, mis à jour le 2026-10-27
- Adresse canonique : https://clement-reboul.fr/blog/openai-publie-des-centaines-de-resultats-mathematiques-generes-par-ia-ce-que-ca-change/
- Thèmes : Modèles et recherche

---

## Point d'inflexion

OpenAI a publié un ensemble de 722 manuscrits présentant des résultats mathématiques générés par un modèle de frontière non diffusé, couvrant 372 familles de résultats qui regroupent des articles liés. Selon AGMAI, le groupe consultatif indépendant formé pour communiquer ces résultats de manière responsable, cette publication inclut des solutions à des « centaines » de questions ouvertes. Le volume est tel qu'OpenAI a jugé nécessaire de publier des conseils pour naviguer dans le dépôt GitHub associé.

Cette annonce prolonge une série de percées qui ont impressionné et déstabilisé une partie de la communauté mathématique, tout en soulevant des questions sur l'éthique de la recherche et la conduite académique. Les résultats étaient attendus depuis des semaines : en septembre, OpenAI avait déclaré que son modèle avait « résolu plus de 100 problèmes ouverts de longue date dans la plupart des domaines des mathématiques ». La publication inclut également des résumés du raisonnement du modèle, des estimations du calcul utilisé et des statistiques sur le nombre de problèmes tentés. OpenAI affirme que le « résultat moyen » a utilisé l'équivalent de trois heures de réflexion de ChatGPT Pro.

Ce qui vient de changer, c'est l'échelle et la nature de la production mathématique assistée par IA. Il ne s'agit plus de démonstrations anecdotiques ou de benchmarks contrôlés, mais d'un flux massif de manuscrits couvrant la combinatoire, plusieurs branches de la géométrie, la théorie des nombres, l'informatique théorique, l'algèbre, la topologie, les probabilités et la mécanique statistique, ainsi que la physique mathématique. Pour les développeurs et data scientists, cela signale un changement de régime : les modèles de frontière ne se contentent plus de résoudre des problèmes bien posés, ils produisent des artefacts de recherche qui nécessitent une infrastructure de vérification, de traçabilité et de gestion de la qualité.

## État de l'art et tendances majeures

### La vérification formelle comme goulot d'étranglement

L'un des points saillants de cette publication est l'utilisation de Lean, un langage de programmation et assistant de preuve qui permet de vérifier les résultats par calcul. Ces formalisations ont joué un rôle déterminant dans l'évaluation de certaines des précédentes affirmations mathématiques d'OpenAI, donnant aux chercheurs la confiance qu'une affirmation est logiquement correcte même s'ils ne comprennent pas pleinement l'argument sous-jacent.

Cependant, le degré de vérification varie énormément. Sur GitHub, OpenAI reconnaît que les résultats sont « à différents stades de vérification » et que « beaucoup, mais pas tous, des manuscrits ont été formalisés ». Au moment de la rédaction, moins de la moitié des manuscrits de la collection semblent avoir été décrits formellement. OpenAI indique que seulement 300 résultats de premier plan sur 719 manuscrits ont été formalisés, soit environ 42 %, et que le dépôt « sera mis à jour avec davantage de formalisations au fur et à mesure que nous les obtiendrons ».

Plusieurs mathématiciens se sont plaints du manque de formalisation, en particulier compte tenu du nombre de résultats. Même lorsqu'un code Lean accompagne un résultat, l'évaluation n'est pas instantanée : les chercheurs doivent vérifier que la formalisation prouve réellement ce que le résultat prétend, un processus chronophage. Plusieurs personnes ayant examiné les articles ont déclaré que même lorsque des preuves vérifiables par ordinateur étaient fournies, la qualité était incohérente et les énoncés vérifiés ne correspondaient pas toujours parfaitement aux affirmations des manuscrits accompagnants.

Kevin Buzzard, professeur de mathématiques à l'Imperial College London, a identifié de nombreux théorèmes dans son domaine — la théorie algébrique des nombres — dont seulement environ six se sont immédiatement « démarqués ». Peu, voire aucun, ne semblaient formellement vérifiés dans Lean. « Par conséquent, soit je dois lire du slop potentiellement incorrect, soit attendre que d'autres le fassent, soit attendre que quelqu'un les formalise avant de pouvoir dire avec certitude que les résultats sont même corrects. »

### Le « slop » et la crise de la reproductibilité

Le terme « slop » désigne du matériel généré par IA de faible qualité, souvent erroné, qui prolifère en ligne et dans le monde réel, y compris dans les articles académiques. Comme dans d'autres domaines, les mathématiciens ont constaté une forte augmentation de ce type de matériel produit avec des outils comme ChatGPT et Claude ces dernières années. Une grande partie est confuse, difficile à lire et démontre peu de compréhension du sujet ; elle est particulièrement défaillante en matière de créditation des autres chercheurs.

Les précédentes publications mathématiques d'OpenAI ont été largement critiquées par les experts pour leur nature bâclée, en particulier leur attribution médiocre ou inexistante. Avant la publication, plusieurs chercheurs avaient pris l'habitude d'appeler le flot imminent d'articles la « slopocalypse » ou des variantes similaires. Savoir si cette « slopocalypse » redoutée s'est matérialisée est difficile à dire, en grande partie à cause du volume déroutant de matériel publié.

Les premières indications suggèrent qu'OpenAI a pris davantage de soin avec les articles cette fois-ci, ou du moins avec certains d'entre eux. Plusieurs mathématiciens ont déclaré que leurs premières impressions étaient bien meilleures que prévu, même si, de leur propre aveu, la barre n'était pas très haute compte tenu des précédentes publications bâclées de l'entreprise. Mais mieux ne signifie pas nécessairement bon, encore moins conforme aux normes habituellement attendues pour des travaux académiques de cette ampleur.

Nalini Joshi, professeure de mathématiques à l'Université de Sydney, a noté que certains des articles qu'elle a examinés « ont des bibliographies courtes ». Compte tenu des critiques précédentes sur les pratiques de créditation d'OpenAI, elle se dit « méfiante quant au fait que l'attribution dans les articles puisse manquer l'histoire complète ». Brendan Hassett, professeur de mathématiques à Brown, a déclaré : « La rédaction du problème que je connais le mieux n'avait guère de sens après une lecture rapide. Si cela avait été écrit par une personne, je n'aurais pas passé plus de temps à essayer de comprendre. Bien sûr, cela laisse 721 autres préprints ! »

### L'impact sur les carrières et l'écosystème académique

Au-delà des questions techniques, la publication soulève des inquiétudes profondes sur l'avenir des carrières académiques. Plus de trois douzaines de mathématiciens ont décrit la publication comme « stupéfiante », « accablante », « sans précédent », « surréaliste » ou « pure folie ». Certains craignent que des carrières soient bouleversées du jour au lendemain et que les universitaires doivent séparer les solutions du slop pendant qu'OpenAI passe à autre chose.

Un chercheur a résumé la situation : « Si les IA disparaissaient maintenant, comme si des extraterrestres étaient venus sur Terre puis repartis, nous étudierions cela pendant les 10 prochaines années, en essayant de tout comprendre. » Un autre a averti : « C'est un grand gâchis. Cela peut causer un effondrement massif de la culture académique et simplement tuer la plupart des facultés. C'est un problème social et il semble que les laboratoires d'IA ignorent complètement cette question. »

AGMAI a publié ses premières recommandations fin septembre, exhortant les laboratoires d'IA à publier les résultats mathématiques rapidement et par les canaux académiques établis lorsque c'est possible, tout en divulguant des détails tels que le nom du modèle utilisé, les invites et les coûts de calcul. Le groupe a également imploré les entreprises d'IA de « s'abstenir de traiter la publication de résultats mathématiques comme des véhicules marketing pour promouvoir leurs modèles », une pratique qui, selon eux, cause un préjudice important à la communauté mathématique.

## Architectures et outils

| Critère | Approche OpenAI (publication massive) | Approche AGMAI (recommandations) |
|---------|--------------------------------------|-----------------------------------|
| Volume de résultats | 722 manuscrits, 372 familles de résultats | Non spécifié, mais appelle à une publication responsable |
| Vérification formelle | 300 résultats sur 719 formalisés (environ 42 %) | Non spécifié, mais souligne l'importance de la vérification |
| Transparence | Résumés du raisonnement, estimations de calcul, stats sur les problèmes tentés | Divulgation du nom du modèle, des invites et des coûts de calcul |
| Canaux de publication | Dépôt GitHub avec protocoles de révision et de citation | Canaux académiques établis lorsque c'est possible |
| Attribution | Critiquée pour être médiocre ou inexistante par le passé | Appelle à ne pas traiter les résultats comme du marketing |
| Gestion de la qualité | Reconnaît des stades de vérification variables | Met en garde contre le « slop » et les préjudices à la communauté |

## Impact concret sur le workflow professionnel

Pour les développeurs et data scientists, cette publication a des implications directes sur plusieurs plans. D'abord, la vérification formelle devient une compétence différenciante. Lean n'est plus un outil de niche pour théoriciens : il devient un maillon critique dans la chaîne de validation des résultats générés par IA. Les équipes qui intègrent des assistants de preuve dans leurs pipelines de recherche pourront filtrer plus efficacement le bruit et le slop.

Ensuite, la gestion de la qualité des sorties de modèles génératifs prend une nouvelle dimension. Les problèmes observés — bibliographies courtes, attribution manquante, incohérence entre les énoncés formels et les affirmations textuelles — sont des symptômes classiques de systèmes génératifs non supervisés. Les data scientists travaillant sur des pipelines de génération de contenu technique devront mettre en place des mécanismes de vérification croisée, des contrôles de cohérence et des métriques de qualité automatisées.

La question de l'échelle est également centrale. OpenAI affirme que le « résultat moyen » a utilisé l'équivalent de trois heures de réflexion de ChatGPT Pro. Pour les équipes qui cherchent à reproduire ou à s'appuyer sur ces résultats, cela signifie des coûts de calcul non négligeables et une planification rigoureuse des ressources. La publication inclut des estimations de calcul, ce qui permet de calibrer les attentes.

Enfin, l'aspect éthique et social ne peut plus être ignoré. La crainte d'un « effondrement massif de la culture académique » et la nécessité de créditer correctement les travaux humains sous-jacents sont des enjeux qui touchent directement les pratiques de développement. Les équipes qui construisent des produits sur des modèles de frontière doivent anticiper les questions de conformité, de traçabilité et de responsabilité.

## Conclusion et perspectives

La publication par OpenAI de 722 manuscrits mathématiques générés par un modèle non diffusé marque un point d'inflexion dans la manière dont les IA interagissent avec la recherche fondamentale. Si les résultats incluent des travaux jugés de très haut calibre — certains auraient mérité une publication dans des revues de premier rang et auraient pu suffire à asseoir une carrière académique, voire à faire d'un mathématicien un sérieux candidat pour une médaille Fields —, le manque de formalisation, les problèmes d'attribution et le volume écrasant créent une situation inédite. Les chercheurs estiment qu'il faudra des années pour comprendre pleinement ce qui a été publié. Mon hypothèse est que cette dynamique va s'accélérer avec les laboratoires concurrents comme Anthropic, et que la communauté devra développer des infrastructures de vérification à la hauteur.

Recommandations actionnables :

1. Intégrer Lean ou un assistant de preuve équivalent dans vos pipelines de validation dès que vous manipulez des résultats mathématiques générés par IA, et ne considérez un résultat comme fiable que lorsque sa formalisation a été vérifiée indépendamment.

2. Mettre en place des contrôles automatisés de qualité sur les sorties de modèles génératifs : détection de bibliographies courtes ou manquantes, vérification de la cohérence entre énoncés formels et textes, et alertes sur les attributions suspectes.

3. Documenter systématiquement les coûts de calcul, les invites et les versions de modèles utilisés dans vos expérimentations, en vous alignant sur les recommandations d'AGMAI, afin de faciliter la reproductibilité et l'audit par les pairs.

4. Anticiper les implications éthiques et sociales en formant vos équipes aux risques de « slop » et en établissant des politiques claires de créditation des travaux humains sous-jacents.

## Ressources complémentaires

- [‘Pure insanity’: Mathematicians will need years to make sense of OpenAI’s latest drop](https://www.theverge.com/ai-artificial-intelligence/1008726/openai-mathematics-solutions-chaos) · The Verge
- [OpenAI drops another batch of mathematical breakthroughs](https://www.theverge.com/ai-artificial-intelligence/1005004/openai-math-release-github) · The Verge