Les mathématiciens demandent aux laboratoires d'IA de financer la compréhension de leurs preuves

Le 29 septembre 2026, un groupe de mathématiciens a publié des recommandations sur la manière dont les laboratoires d'IA devraient diffuser les résultats mathématiques, en s'appuyant sur plus de 600 réponses de la communauté mathématique. Une ligne se détache : les auteurs demandent aux laboratoires de pointe de cesser de tester des problèmes mathématiques avancés sur des modèles propriétaires auxquels la communauté scientifique au sens large n'a pas accès. Ils reconnaissent que les laboratoires continuent malgré tout à le faire, et ont rédigé le reste du document en en tenant compte.

Le signal : la compréhension est devenue la ressource rare

Ce document est le symptôme d'un basculement. Pendant des siècles, les mathématiques ont fonctionné selon une norme simple : les auteurs d'un article comprennent l'argument, l'ont vérifié eux-mêmes et en répondent. Les recommandations s'ouvrent sur le constat que l'IA peut désormais produire des arguments mathématiques que la personne qui l'a sollicitée ne peut ni comprendre, ni vérifier, ni assumer.

Cela rompt l'ancienne chaîne d'approvisionnement. Autrefois, produire un résultat était la partie difficile, et la compréhension venait avec. Aujourd'hui, la production peut être bon marché et la compréhension coûteuse. L'enquête à l'origine du document a été déclenchée par un épisode précis : OpenAI a annoncé l'existence de nombreux résultats sans en donner le détail. Il faut lire ce texte comme une tentative de fixer les conditions avant que ce schéma ne devienne routinier, et comme un aperçu de ce que d'autres domaines pourraient exiger des laboratoires lorsque les modèles commenceront à produire des travaux que leurs utilisateurs ne peuvent pas auditer.

Comment fonctionne le processus de diffusion proposé

Les recommandations distinguent deux types de résultats. Si un mathématicien comprend pleinement un article et en assume la responsabilité, la voie traditionnelle s'applique : déposer un preprint, le soumettre à une revue, donner des exposés. Le cas plus difficile est celui d'une production que personne ne comprend encore, où les auteurs estiment que le laboratoire lui-même doit faire le travail de remise en ordre, plutôt que de le laisser aux mathématiciens après coup.

• Attribution : rechercher dans la littérature et citer les articles qui ont les premiers introduit des idées apparentées, même si le modèle les a redécouvertes de manière indépendante.
• Rédactions lisibles : produire des preuves dans le style conventionnel d'un article, avec des introductions accessibles et des énoncés précis, et non des raisonnements verbeux dans une terminologie non standard.
• Dépôts neutres : déposer les résultats dans un lieu qu'aucun laboratoire ne contrôle, avec des identifiants pérennes et citables, un historique des modifications et, idéalement, la possibilité de commenter.
• Provenance : publier le nom du modèle, les prompts, un résumé de la chaîne de raisonnement, le temps écoulé et une estimation du coût de calcul.
• Formalisation : lorsque c'est possible, fournir une version de la preuve vérifiable par machine. La formalisation consiste à traduire un argument en code qu'un programme de vérification de preuves peut contrôler pas à pas. Lorsque cela entraîne un retard inacceptable, indiquer clairement le statut, par exemple « formalisé modulo des résultats standard admis ».
• Dénominateurs : documenter comment l'IA en est venue à être utilisée sur chaque problème. Pour les publications par lots, indiquer combien de problèmes comparables les modèles ont tentés sans succès, et comment les problèmes ont été choisis.

Le dernier point est le plus important. Une liste de problèmes résolus sans la liste des échecs est un biais de sélection, et les auteurs exhortent aussi les laboratoires à ne pas utiliser la publication de résultats comme un outil de marketing.

Qui paie, et qui décide

La seconde moitié du document porte sur l'argent. Les laboratoires qui diffusent des résultats sans compréhension humaine immédiate doivent s'assurer que cette compréhension suivra, notamment par un financement substantiel. Les usages suggérés sont des conférences ou des écoles d'été, des ateliers et des groupes de travail, des postdoctorants et des étudiants financés, ainsi que des ouvrages ou de longs articles d'exposition rédigés par des experts.

Les garde-fous sont délibérés. Les décisions de financement devraient passer par des institutions à but non lucratif existantes, dotées de processus établis, et le développement de la compréhension devrait rester piloté par la communauté, et non dirigé par les laboratoires, même pour leurs propres résultats. Les auteurs ajoutent qu'accepter ce soutien ne conférerait aucune légitimité aux pratiques des laboratoires. Ils avertissent également que les modèles internes propriétaires risquent de créer un système à deux vitesses, et que l'accès inégal aux modèles publics pourrait aggraver les inégalités existantes.

Les questions à vous poser

• Lorsqu'un fournisseur annonce des résultats générés par l'IA, quelqu'un d'extérieur à l'entreprise peut-il les reproduire, et le fournisseur a-t-il publié les prompts, le coût et la chaîne de raisonnement ?
• Combien de problèmes comparables le système a-t-il tentés sans succès ? Sans ce dénominateur, que signifie réellement le taux de réussite ?
• Qui, au sein de notre organisation, est responsable d'une analyse ou d'une preuve produite par l'IA que personne dans l'équipe ne peut vérifier ?
• Existe-t-il une étape de vérification par machine et, sinon, est-ce indiqué clairement ou noyé dans les détails ?
• Si la production de l'IA dépasse la compréhension humaine, qui finance le travail de rattrapage, et qui contrôle l'usage de ces fonds ?

Ce qu'il faut surveiller ensuite

Le signal à guetter est de voir si un laboratoire adopte publiquement ne serait-ce qu'une partie de ces recommandations : un dénominateur d'échecs accompagnant une publication par lots, ou un financement acheminé par un organisme à but non lucratif indépendant. Le document est un ensemble de demandes, non une règle contraignante ; l'adoption serait donc volontaire. Si les laboratoires l'ignorent, il faut s'attendre à ce que la prochaine démarche de la communauté mathématique porte sur l'accès et la reconnaissance du travail plutôt que sur les bonnes pratiques.