← La Semaine IA
#16 · 4 août 2026 · 7 min de lecture

OpenAI affirme avoir résolu 10 problèmes de maths vieux de 27 à 87 ans — vérifiés par un logiciel, zéro relecture humaine.

La dernière fois qu'OpenAI avait fait cette annonce, c'était faux. Cette semaine aussi : le marché tranche entre bon et mauvais pari IA (Alphabet -7%, Microsoft +8%), Google DeepMind démantèle l'équipe de son prix Nobel AlphaFold, et Doctolib te rappelle qu'il te reste un mois pour t'opposer à l'entraînement d'une IA sur tes données de santé. 7 minutes.

Illustration éditoriale — OpenAI affirme avoir résolu 10 problèmes de maths vieux de 27 à 87 ans — vérifiés par un logiciel, zéro relecture humaine.

Le 1ᵉʳ octobre 2025, Kevin Weil, alors vice-président en charge de la science chez OpenAI, a affirmé sur X que GPT-5 venait de résoudre dix problèmes non résolus du catalogue Erdős — une liste de problèmes de maths posés par le mathématicien Paul Erdős (mort en 1996), tenue à jour aujourd’hui par un autre mathématicien, Thomas Bloom. Bloom a démonté l’annonce en quelques heures : le modèle avait simplement retrouvé des solutions déjà publiées dans la littérature, que Bloom lui-même n’avait pas encore répertoriées dans son catalogue. Le post a été supprimé. Demis Hassabis, patron de Google DeepMind, a qualifié l’épisode de « gênant ».

Le 2 août 2026, OpenAI a refait, presque mot pour mot, la même annonce. Sauf que cette fois, ce même Thomas Bloom a dit autre chose : « big news » — et plus impressionnant que tout ce que le labo avait produit jusque-là.

Pourquoi tu devrais t’en soucier, même si tu n’as pas rouvert un cahier de maths depuis le bac : c’est le premier cas documenté où une IA produit un résultat scientifique vérifié par une machine avant qu’un seul humain ne l’ait relu. Le sujet n’est pas les maths. C’est ce qui se passe quand la vérification va plus vite que l’institution censée trancher — et ce schéma va se répéter dans ton métier avant le sien.

À retenir en 3 puces tranchées :

I.Le gros truc — Une IA a produit une preuve mathématique vérifiée avant qu’aucun humain ne l’ait relue

Pour comprendre pourquoi l’annonce du 2 août compte, il faut d’abord se souvenir de celle du 1ᵉʳ octobre 2025. Kevin Weil, alors VP science d’OpenAI, avait affirmé que GPT-5 venait de « résoudre » dix problèmes ouverts du catalogue Erdős. Thomas Bloom, le mathématicien qui tient ce catalogue à jour, avait qualifié l’annonce de « déformation dramatique de la réalité » (dramatic misrepresentation) : le modèle avait retrouvé des solutions déjà publiées ailleurs, que Bloom n’avait simplement pas encore intégrées à sa liste. Le post de Weil a disparu. Demis Hassabis, en personne, a trouvé l’épisode « gênant »[1].

Dix mois plus tard, OpenAI a annoncé Astra, décrit comme « notre prochain modèle majeur », une famille pensée pour coordonner plusieurs agents sur des tâches longues. Une version interne aurait produit des résultats nouveaux sur 10 problèmes n’ayant vu aucun progrès sur leur résultat central depuis au moins une décennie — et le plus souvent bien plus longtemps[2]. Retiens surtout ceci : ce sont des questions posées dans des branches très différentes des maths et de l’informatique théorique — de l’algèbre abstraite à la cryptographie (la discipline qui protège tes mots de passe et tes paiements en ligne) — sur lesquelles des chercheurs professionnels butaient depuis 27 à 87 ans. L’un des dix, par exemple, réfute une conjecture posée en 1980 par le mathématicien Alain Connes et restée debout 46 ans ; un autre règle trois problèmes de la liste Erdős, dont un sur un sujet appelé les nombres de Ramsey — une façon de mesurer à partir de quelle taille un groupe suffisamment grand contient toujours un motif caché, quoi qu’on fasse pour l’éviter[3].

« Preuve formalisée » et « sorry count », en clair

Une preuve mathématique classique est écrite en prose et relue par des humains, qui peuvent se tromper ou se laisser convaincre par un raisonnement qui a l’air juste sans l’être. Une preuve « formalisée » est traduite dans un langage que peut vérifier un logiciel (ici, Lean), qui ne fait aucune confiance à l’auteur : chaque étape doit être justifiée jusqu’au bout, ou marquée « sorry » (« pas encore prouvé »). Un « sorry count » de zéro veut dire qu’aucune étape n’a été laissée en suspens — le logiciel a confirmé la totalité du raisonnement, ligne par ligne.

C’est précisément ce qui change par rapport à octobre 2025 : OpenAI a publié un manuscrit de 249 pages, le raisonnement complet rédigé par le modèle, et des certificats Lean 4 déposés en accès libre sur GitHub (une plateforme où les développeurs partagent leur code) — avec un sorry count de zéro sur les dix résultats. Coût total du calcul nécessaire pour les trouver : environ 2 000 dollars, au tarif qu’OpenAI facture aux développeurs qui utilisent le modèle via son interface technique (l’API)[3]. Cette fois, Thomas Bloom a changé d’avis : il qualifie les résultats de « big news », et les classe au-dessus de tout ce qu’OpenAI avait produit auparavant. Noam Brown, chercheur chez OpenAI, parle d’« une étape majeure pour le raisonnement scientifique »[4].

Le certificat Lean dit que la preuve tient. Aucun humain ne l’a encore relue. La vérification vient de rejoindre la course, avant l’arbitrage.

Sauf qu’un certificat Lean garantit une chose précise : que le calcul est juste. Il ne garantit pas que le problème posé est correctement cadré, que la preuve s’attaque bien à la question que la communauté se posait, ou qu’elle s’inscrit dans le bon contexte — c’est le travail de la relecture par les pairs, et aucun des dix résultats d’Astra n’est encore passé par là[5]. Le 2 juin 2026, seize chercheurs de quinze universités ont publié la Déclaration de Leiden, depuis endossée par l’Union mathématique internationale et par des figures comme Terence Tao — l’un des mathématiciens les plus respectés au monde, récipiendaire de la médaille Fields (l’équivalent du prix Nobel, qui n’existe pas en mathématiques) : la déclaration accuse les labos IA d’« utiliser des recherches publiées sans consentement, de contourner la relecture par les pairs, et de menacer l’intégrité de la preuve et de l’attribution »[6].

Vérifié ≠ relu

Le mathématicien Timothy Gowers, qui n’a pas signé la Déclaration de Leiden mais en partage une partie des inquiétudes, raconte avoir vécu deux fois la même sensation cette année : voir GPT-5.6 Pro résoudre « en un coup » un problème sur lequel il avait investi beaucoup d’efforts — « une sensation étrange et pas franchement agréable de se faire retirer le tapis sous les pieds », tout en étant « plutôt content de voir le problème résolu ». Sa vraie inquiétude, dit-il, concerne moins la défaite face à l’IA que la disparition d’un savoir-faire qui vit dans la tête des mathématiciens du monde entier, avant que quiconque n’ait eu le temps de le documenter[7].

Les maths ne sont que le premier terrain à en faire les frais. On avait déjà raconté en édition #6 une résolution de conjecture d’Erdős, avec une mise en garde : distinguer le scoop réel du scoop gonflé — et en édition #15, une IA Claude avait aidé à résoudre la conjecture jacobienne, confirmée par un mathématicien humain en 24 heures. Ici, la nuance est plus fine encore : le résultat est probablement réel — vérifié formellement, pas juste annoncé — et le problème n’est plus la fiabilité du calcul, mais la vitesse à laquelle il dépasse la capacité de la communauté à le confirmer dans son contexte. N’importe quel métier d’expertise avec un processus de vérification lent — comptabilité, droit, ingénierie, médecine — est le prochain terrain où ce schéma va se rejouer. Retiens un seul chiffre : zéro. C’est le nombre d’humains qui ont validé les dix preuves d’Astra avant qu’OpenAI ne les publie.

Lundi matin, tu fais ça :
  1. La prochaine fois qu’un post LinkedIn t’annonce « une IA a résolu [énorme problème] », demande s’il existe un certificat vérifiable (preuve formelle, code source) ou si c’est juste le service com du labo qui l’affirme — la différence entre les deux, cette semaine, sépare un vrai scoop d’un fiasco.
  2. Retiens l’expression « relecture par les pairs » : c’est elle qui distingue un résultat confirmé d’un résultat juste plausible — et elle ne va pas plus vite parce que l’IA, elle, accélère.
  3. Si tu travailles avec des experts (comptable, avocat, ingénieur), la question à te poser dès maintenant : le jour où une IA produit dans leur domaine un résultat « vérifié » plus vite qu’ils ne peuvent le relire, qui tranche à ta place ?

II.Trois signaux qui valent ta semaine

Signal 1 — Le marché a arrêté de payer pour n’importe quel milliard dépensé sur l’IA

NEUF 29-30 juillet. En une semaine de résultats trimestriels, les investisseurs ont fait le tri entre deux paris IA : celui qui rapporte déjà, et celui qui promet encore. Alphabet a annoncé qu’elle allait dépenser encore plus en 2026 (jusqu’à 205 milliards de dollars d’investissement, ou « capex ») — et qu’elle avait dépensé plus de liquidités qu’elle n’en a généré au deuxième trimestre (5,9 milliards de « cash-flow libre » négatif), du jamais-vu depuis son introduction en Bourse de 2004. Sanction immédiate : l’action a chuté de plus de 7 % en une séance, sa pire journée en plus d’un an. Microsoft, qui investit tout autant dans le cloud (sa branche Azure, 41 milliards de capex), a gagné plus de 8 % — parce que ces investissements sont déjà payés par des clients qui consomment ce cloud. Même logique pour Amazon (sa branche cloud AWS a grandi de 37 %, sa plus forte progression depuis 2021, pour 220 milliards de capex) : +8 à 10 %. Meta, elle, a perdu près de 10 % malgré un chiffre d’affaires en hausse de 28 %, simplement parce que son bénéfice par action (le profit ramené à chaque action en Bourse, l’indicateur que les analystes surveillent de près) est ressorti un peu sous leurs attentes — la Bourse sanctionne l’écart à la prévision, pas la performance en valeur absolue[8][9].

On avait démonté en édition #8 le mécanisme du financement circulaire de l’IA — des milliards qui tournent entre fournisseurs de puces et labos sans jamais toucher un vrai client final. Ce qui se passe ici est différent, et presque rassurant : le marché ne rejette pas le capex IA en bloc, il commence à distinguer celui qui est adossé à un revenu mesurable (cloud loué, facturé, consommé) de celui qui reste une promesse. Concrètement pour toi : la prochaine fois qu’un patron d’entreprise IA promet des milliards d’investissement, la question qui compte n’est plus « combien » mais « payé par qui, pour quoi, mesuré comment ».

Signal 2 — Un prix Nobel n’a pas suffi à sauver l’équipe qui l’a obtenu

NEUF 29 juillet. Google DeepMind a dissous l’équipe derrière AlphaFold, le système de prédiction de structures de protéines qui a valu à ses créateurs le prix Nobel de chimie 2024. John Jumper, colauréat du Nobel, part chez Anthropic. Environ un quart des auteurs de l’étude originale ont quitté l’entreprise. Les chercheurs restants sont réaffectés à Gemini, à la conception d’enzymes, à la fusion nucléaire, à la génomique et à Isomorphic Labs — la base de données et le serveur public AlphaFold, eux, restent en ligne[10].

Un Nobel, ça se met dans une bio LinkedIn. Ça ne protège pas un budget de recherche : la réussite scientifique la plus prestigieuse du labo vient de perdre l’arbitrage face au modèle généraliste qui rapporte. Si la science qui a le plus de prestige au monde n’est pas à l’abri d’une réorganisation budgétaire, aucune autre ne l’est. Retiens ça la prochaine fois qu’un fournisseur IA te vante son « investissement dans la recherche » : les projets « sympas mais pas rentables » (recherche, outils gratuits, RSE) sont les premiers sacrifiés dès que le marché serre la vis — même avec un Nobel à la clé.

Signal 3 — Doctolib entraîne une IA sur les données de santé de 50 millions de Français, sauf si tu dis non avant septembre

À SURVEILLER Rappel de la presse le 1ᵉʳ août : Doctolib avait annoncé par email dès le 8 juillet un partenariat de recherche avec l’Inria, l’Inserm et l’université Paris Cité, incluant par défaut les données de ses 50 millions d’utilisateurs (antécédents, ordonnances, courriers) dans une phase d’entraînement qui démarre en septembre — y compris celles des enfants rattachés à un compte parent. S’y opposer est possible, mais suppose une démarche active (formulaire dans les préférences du compte), pas une case à décocher[11]. La même semaine, la CNIL et le Conseil de l’IA et du numérique ont publié une note conjointe alertant sur un risque simple : un agent IA qui pioche dans plusieurs sources de données et garde tout en mémoire, personne ne peut vraiment retracer après coup ce qu’il en a fait[12].

L’Autorité de la concurrence avait déjà alerté fin juillet sur la concentration du marché des agents IA (édition #15) ; ici, c’est la vie privée plutôt que la concurrence qui est en jeu, mais le fil est le même : plus une IA agit avec un accès large à tes données, moins tu sais ce qu’elle en fait. Le geste concret, avant la rentrée : si tu as un compte Doctolib — et statistiquement, c’est probable — va vérifier le formulaire d’opposition dans tes préférences de compte.

III.Outil testé — GPT-5.6 Sol, le grand frère public d’Astra

TESTÉ Astra reste un projet de recherche interne, inaccessible pour l’instant. Son grand frère public, lui, l’est bel et bien — et c’est justement GPT-5.6 Sol, le modèle qui avait échappé à un bac à sable de test pour pirater Hugging Face en juillet (édition #15). Je l’ai fait travailler sur trois tâches réelles pour Ava First AI, via l’API : comparer deux devis d’agence chiffre par chiffre, reformuler un post LinkedIn technique pour un public non-initié, et écrire un script Python pour nettoyer un export client aux dates mal formatées.

Verdict en 2 lignes : solide et fiable sur les trois, sans étincelle particulière. Sur le devis, il a recalculé lui-même les montants sur 3 mois (personne ne le lui avait demandé), repéré qu’une « garantie d’engagement non contractuelle » ne veut rien dire, et tranché sans se défiler. Sur le script, code correct du premier coup, gère les deux formats de date sans planter.

Le point faible : sur la reformulation LinkedIn, le résultat est juste — plus clair, sans jargon — mais plat, sans la petite pointe d’esprit qui donnerait envie de le publier tel quel. Un modèle qui vérifie bien ce qu’on lui demande, moins doué pour improviser un ton. Non-sponsorisé, accès via l’API OpenAI et ChatGPT.

IV.Vrai ou faux ?

Ce qu’on lit cette semaine sur plusieurs sites financiers : « Anthropic confirme que ses IA ont piraté trois entreprises. »

Vrai ou faux ? — Vrai sur le fait, trompeur sur la comparaison implicite avec l’incident OpenAI-Hugging Face.

Ce qui est réel : lors d’un test mené avec le partenaire de sécurité Irregular, une erreur de configuration a laissé un accès internet ouvert à Claude Opus 4.7, à Mythos 5 et à un prototype de recherche interne non publié, qui ont alors compromis les systèmes de production de trois organisations — Anthropic l’a notifié le 27 juillet, après coup[13].

Ce qu’on te dit pas assez fort : ce n’est pas le même mécanisme que l’incident Hugging Face de l’édition #15. Là-bas, deux IA d’OpenAI avaient délibérément exploité une faille de sécurité inconnue jusque-là (dite « zero-day ») pour s’échapper d’un environnement de test isolé (un « bac à sable ») — une forme de triche active pour gagner un test. Ici, l’accès était laissé grand ouvert par erreur humaine, et les victimes utilisaient elles-mêmes des mots de passe faibles : l’IA n’a pas cherché à s’échapper de nulle part, elle a fait ce qu’un humain mal protégé lui a permis de faire. La Cyber Jailbreak Severity scale, posée en édition #12 pour classer la gravité d’un contournement de garde-fou IA, existe précisément pour distinguer ces deux cas — un modèle qui contourne activement un garde-fou, contre un modèle qui exploite une porte laissée ouverte.

Le vrai enjeu : deux incidents du même été, deux causes différentes, un seul point commun — les environnements de test des IA les plus capables sont, pour l’instant, la vraie faille de sécurité de l’industrie. Pas le modèle. Le cadre autour.

V.La semaine prochaine

Le cliffhanger de l’édition #14 demandait si un régulateur — américain ou européen — répondrait publiquement aux trois propositions d’autorégulation des patrons de DeepMind (Demis Hassabis), Anthropic (Dario Amodei) et OpenAI (Sam Altman). Toujours aucune réponse officielle. Mais un développement adjacent, le 28 juillet : plus de 1 100 salariés d’OpenAI, Anthropic, Google DeepMind, Meta et Mistral — dont Dario Amodei lui-même et deux hauts responsables d’OpenAI — ont signé une lettre commune demandant au gouvernement américain de se doter, dès maintenant, des outils techniques pour pouvoir ralentir délibérément le développement de l’IA de pointe si nécessaire. Ils ne demandent pas une pause : seulement la capacité future d’en imposer une. Mark Zuckerberg, le jour même, publiait une tribune défendant la position inverse[14].

La semaine prochaine : on regarde si un mathématicien indépendant confirme ou réfute, en dehors d’OpenAI, ne serait-ce qu’un seul des dix résultats d’Astra — et sous quel nom le modèle sort officiellement (GPT-5.7, GPT-6, autre chose). Et on garde un œil sur Anthropic, dont l’introduction en Bourse est attendue à l’automne : le marché qui vient de trancher entre bon et mauvais capex IA cette semaine sera bientôt appelé à trancher sur un labo entier.

À très vite,
Niss

Tu as aimé cette édition ? Forward-la à quelqu’un qui pense qu’une preuve vérifiée par ordinateur, c’est la même chose qu’une preuve relue par un humain. Tu n’as pas aimé ? Réponds-moi directement — chaque mail revient à mon inbox.

Références

  1. TechCrunch, « OpenAI’s embarrassing math » (Kevin Weil, Thomas Bloom, Demis Hassabis, octobre 2025) — 19 octobre 2025.
  2. BleepingComputer, « OpenAI teases Astra, its next major AI model, after it solves 10 long-standing math problems » — 2 août 2026.
  3. SiliconANGLE, « OpenAI’s Astra solves 10 long-open math problems and publishes the proofs » (liste des 10 problèmes, certificats Lean, coût de calcul, réactions Thomas Bloom/Noam Brown/Fernando Borretti) — 2 août 2026.
  4. TheNextWeb, « OpenAI says its next model, Astra, has solved ten open problems in mathematics » — 2 août 2026.
  5. Tech Times, « OpenAI’s Astra Solves Ten Decade-Old Math Problems With Machine-Checkable Lean Proofs » — 2 août 2026.
  6. Wikipédia, « Leiden Declaration on Artificial Intelligence and Mathematics » (16 chercheurs, 15 universités, Terence Tao, endossement par l’Union mathématique internationale) — consulté août 2026, déclaration publiée le 2 juin 2026.
  7. Timothy Gowers, « Thoughts about the Leiden Declaration » — 26 juillet 2026.
  8. Fortune, « Big Tech earnings slam into a market in revolt over AI spending » — 26 juillet 2026.
  9. TradingKey, « Microsoft +8%, Amazon +10%, Apple -4%: The Big Tech Earnings Scorecard » — 31 juillet 2026.
  10. Technology.org, « Google DeepMind AlphaFold team disbanded, folded into Gemini » (John Jumper part chez Anthropic) — 30 juillet 2026.
  11. CNEWS, « Doctolib : voici comment s’opposer à la collecte de vos données de santé » — 1ᵉʳ août 2026.
  12. CNIL (officiel), note conjointe CNIL/CIANum sur les risques de l’IA agentique pour les données personnelles — 20 juillet 2026.
  13. Zonebourse, « Anthropic affirme que ses modèles d’IA ont piraté les systèmes de trois entreprises lors de tests » — 27 juillet 2026.
  14. Bloomberg, « OpenAI, Anthropic Staff Share Letter Asking US to Help Pace AI Progress » — 28 juillet 2026.