Le 6 octobre 2026, OpenAI a publié un ensemble de résultats mathématiques produits par un modèle interne. L’annonce attire l’attention parce qu’une partie des démonstrations a été formalisée dans Lean, un assistant de preuve capable de vérifier mécaniquement des étapes logiques. Mais une preuve vérifiée par machine n’est pas automatiquement comprise, bien expliquée, correctement attribuée ou reconnue comme importante par la communauté scientifique. Pour les étudiants, créateurs et professionnels, cette distinction apporte une règle utile bien au-delà des mathématiques : lorsqu’une IA présente un résultat comme « vérifié », il faut demander ce qui a réellement été contrôlé, avec quelle méthode et sous quelle responsabilité.

Ce qu’OpenAI a publié le 6 octobre

Le dépôt public d’OpenAI recense 719 manuscrits regroupés en 372 familles de problèmes. Ils proviennent d’environ 4 000 problèmes soumis à un modèle de raisonnement interne encore non publié. OpenAI indique qu’une tentative ayant abouti à un résultat utilisable a consommé en moyenne environ trois heures de calcul au niveau de ChatGPT Pro. Ces chiffres décrivent l’expérience menée par l’entreprise ; ils ne mesurent pas à eux seuls la nouveauté ni la valeur scientifique de chaque texte.

Environ 42 % des résultats principaux disposent d’une formalisation Lean, selon le dépôt. OpenAI précise aussi que tous les manuscrits non formalisés n’ont pas nécessairement été vérifiés et que certains peuvent comporter des problèmes. Le dépôt conserve les versions et corrections, ce qui rend l’examen plus transparent qu’une simple annonce. Il ne faut toutefois pas transformer cette publication en certificat global couvrant indistinctement les 719 manuscrits.

Ce que Lean vérifie vraiment

Une formalisation traduit une démonstration dans un langage suffisamment précis pour qu’un noyau logiciel contrôle que chaque étape respecte les règles du système choisi. Elle peut détecter un saut logique ou l’utilisation incorrecte d’une hypothèse. C’est un contrôle puissant, reproductible et particulièrement utile lorsque les raisonnements deviennent trop longs pour une vérification informelle rapide.

Ce contrôle reste délimité. Il vérifie l’énoncé formalisé et la chaîne logique fournie, pas automatiquement la pertinence du problème, l’exactitude de toutes les références bibliographiques, l’originalité du résultat ni la qualité de son explication. Une erreur peut aussi se trouver avant la preuve, par exemple dans la traduction d’une question réelle vers l’énoncé formel. Vérifier la logique ne remplace donc pas tout le travail scientifique autour de cette logique.

Vérification formelle et revue scientifique ne répondent pas à la même question

La vérification formelle demande essentiellement : cette conclusion découle-t-elle de ces hypothèses dans ce système ? La revue scientifique examine un ensemble plus large : le problème est-il bien posé, le résultat est-il nouveau, les travaux antérieurs sont-ils correctement cités, la méthode est-elle utile et l’exposition permet-elle à d’autres chercheurs de comprendre puis de prolonger le travail ? Les deux contrôles peuvent se renforcer, mais ils ne sont pas interchangeables.

Le groupe indépendant AGMAI recommande que les auteurs humains comprennent, vérifient et assument la responsabilité des résultats assistés par IA. Lorsque la compréhension humaine existe, il préconise le parcours habituel des prépublications, séminaires et revues. Lorsqu’elle manque encore, la priorité devrait être de financer le travail nécessaire pour transformer une sortie de modèle en connaissance humaine transmissible, plutôt que d’utiliser le nombre de résultats comme argument publicitaire.

Une grille simple pour évaluer une annonce d’IA

Commencez par retrouver la source primaire et la date exacte de l’événement. Demandez ensuite si l’objet annoncé est accessible : dépôt, données, code, version ou démonstration. Une affirmation impossible à examiner doit être présentée avec davantage de prudence, même si elle provient d’un acteur reconnu.

Distinguez ensuite les parties contrôlées de celles qui ne le sont pas. Dans le cas présent, environ 42 % des résultats principaux sont formalisés ; cela ne signifie pas que 42 % de tout le contenu, des citations et de la portée scientifique ont reçu une validation complète. Cherchez les limites déclarées par les auteurs, puis une évaluation indépendante. Enfin, identifiez la personne ou l’institution qui assume le résultat. Une machine peut participer au raisonnement ; elle ne porte pas la responsabilité professionnelle de sa diffusion.

  • Source primaire et date précises ;
  • artefact consultable et versionné ;
  • périmètre exact de la vérification ;
  • limites et erreurs possibles déclarées ;
  • examen par des spécialistes indépendants ;
  • responsabilité humaine ou institutionnelle identifiable.

Conséquences pour apprendre et travailler avec l’IA

Pour un étudiant, la bonne pratique consiste à utiliser l’IA pour explorer une piste, puis à reconstruire le raisonnement avec le cours et des sources fiables. Pour un créateur ou un journaliste, il faut éviter de transformer « publié par un laboratoire » en « vérité reconnue ». Pour une entreprise, toute conclusion ayant un impact financier, juridique ou opérationnel doit conserver une trace des données, des hypothèses et de la validation humaine.

Le vocabulaire compte. « Vérifié automatiquement », « relu par un expert » et « confirmé par plusieurs travaux indépendants » décrivent trois niveaux différents. Les préciser protège le public et améliore la crédibilité. Une formulation prudente n’affaiblit pas une annonce : elle indique exactement ce que l’on sait et ce qu’il reste à établir.

Conclusion : transformer un résultat en connaissance

La publication d’OpenAI montre que les modèles peuvent produire et formaliser des raisonnements mathématiques à une échelle nouvelle. Elle montre aussi pourquoi la supervision humaine devient plus importante, pas moins. Avant de partager une percée annoncée par une IA, vérifiez la source, le périmètre du contrôle, les limites et la responsabilité. Le bon indicateur n’est pas seulement qu’une machine accepte la preuve, mais qu’une communauté puisse la comprendre, la discuter, l’attribuer et décider de sa valeur.