Claude résout en 3 secondes ce que les mathématiciens mettent des heures à démontrer

Un doctorant a posté une démonstration sur X. Claude l'a corrigée en moins de 5 minutes.

Ce n'était pas un problème trivial. C'était une preuve de topologie algébrique que l'étudiant avait passé trois semaines à construire. L'IA avait trouvé l'erreur au paragraphe 4, proposé deux alternatives de démonstration, et suggéré une littérature connexe. Le tout avant que son directeur de thèse n'ait même lu le mail d'envoi.

Ce type d'anecdote circule désormais dans les départements de mathématiques du monde entier. Et derrière le malaise qu'elle suscite se cache une question que personne ne formule vraiment à voix haute : à quoi sert un mathématicien professionnel quand Claude ou GPT-4o peut raisonner formellement à ce niveau ?

Ce que les IA font désormais — et qu'on pensait impossible

Pendant des décennies, la communauté technologique a utilisé les mathématiques comme un bouclier rassurant. "L'IA peut jouer aux échecs, mais elle ne peut pas comprendre une preuve." Ce rempart s'effondre méthodiquement depuis 2023.

Voici ce que les grands modèles de langage actuels accomplissent concrètement :

• Vérification de preuves formelles : Claude et GPT-4o identifient des erreurs logiques dans des démonstrations complexes avec une fiabilité croissante.
• Résolution de problèmes olympiques : En 2024, AlphaProof de DeepMind a résolu quatre problèmes sur six de l'Olympiade Internationale de Mathématiques, dont deux de niveau argent.
• Génération de conjectures : FunSearch, également de DeepMind, a produit de nouvelles solutions à des problèmes ouverts en mathématiques combinatoires — des problèmes sur lesquels aucun humain n'avait progressé depuis des années.
• Traduction vers des assistants de preuve : Des outils comme Lean ou Coq, utilisés pour formaliser les mathématiques, commencent à être alimentés automatiquement par des LLMs.

Ce n'est plus de l'assistance. C'est de la collaboration — parfois de la concurrence.

La crise silencieuse dans les amphithéâtres

Les mathématiciens professionnels ne crient pas. Ils observent. Et ce qu'ils observent les trouble profondément, pour des raisons que les discours sur "l'IA partenaire de l'humain" ne capturent pas vraiment.

Le problème n'est pas que l'IA fasse les mêmes choses qu'eux. Le problème, c'est qu'elle court-circuite le processus par lequel un mathématicien devient mathématicien. La lutte avec un problème pendant des heures — ce qu'on appelle mathematical struggle — n'est pas une inefficacité à éliminer. C'est le mécanisme même par lequel l'intuition mathématique se construit.

Quand un étudiant utilise Claude pour débloquer chaque étape difficile, il obtient la solution. Mais acquiert-il le raisonnement ? La question divise profondément les facultés. Certains professeurs interdisent désormais tout outil IA dans leurs cours. D'autres ont radicalement revu leur pédagogie pour se concentrer sur la formulation des problèmes plutôt que sur leur résolution.

Deux visions irréconciliables — ou presque

Face à cette réalité, deux camps se dessinent avec une clarté croissante.

Camp 1 : l'IA comme microscope électronique des mathématiques

Pour certains chercheurs, notamment autour de Terence Tao (médaille Fields 2006), les LLMs représentent un outil de productivité sans précédent. Tao a lui-même décrit l'utilisation de Claude pour explorer rapidement des pistes de recherche, qualifier des intuitions, et accélérer la phase exploratoire. Dans cette vision, l'IA ne remplace pas le mathématicien — elle lui donne des superpouvoirs.

Camp 2 : la fin d'une certaine forme de pensée

D'autres, plus discrets mais nombreux, s'inquiètent d'une perte bien plus profonde. Si les mathématiques ont toujours été le dernier bastion du raisonnement pur et vérifiable — indépendant de l'expérience sensorielle, imperméable au biais culturel — que reste-t-il de ce bastion quand une machine peut l'habiter aussi bien qu'un humain ? La question n'est pas économique. Elle est épistémologique.

Ce que ça change concrètement pour vous

Que vous soyez étudiant, ingénieur, enseignant ou simplement curieux, cette transformation a des implications très pratiques :

• Si vous enseignez : les examens basés sur la résolution mécanique de problèmes sont obsolètes. La compétence à évaluer devient la capacité à poser les bonnes questions — pas à exécuter les bonnes étapes.
• Si vous utilisez des maths dans votre travail : Claude et ses concurrents peuvent déjà vous assister sur la modélisation, les statistiques et la vérification de raisonnements. Ne pas les utiliser devient un désavantage compétitif réel.
• Si vous êtes chercheur : l'exploration automatisée de l'espace des conjectures va accélérer certains domaines de façon spectaculaire. Les mathématiciens qui sauront diriger ces outils auront un avantage considérable sur ceux qui les ignorent.

La vraie question n'est pas "l'IA va-t-elle remplacer les mathématiciens ?"

Cette question est mal posée — et elle sert surtout à éviter d'en affronter une autre, plus inconfortable : qu'est-ce que nous valorisons vraiment dans l'activité mathématique ?

Si c'est la production de résultats formellement corrects, alors oui, l'IA est une concurrente directe. Si c'est la compréhension profonde, la beauté du raisonnement, l'acte de voir pourquoi quelque chose est vrai — alors l'IA est un miroir qui nous oblige à clarifier ce que nous faisons vraiment quand nous "faisons des maths".

Cette crise existentielle n'est peut-être pas une menace. C'est une invitation — brutale, urgente — à redéfinir ce que signifie penser rigoureusement dans un monde où les machines peuvent désormais imiter le résultat de ce processus avec une précision déconcertante.

La prochaine grande découverte mathématique sera-t-elle faite par un humain, une IA, ou les deux ensemble ? La réponse à cette question dira beaucoup sur ce que nous choisissons de devenir.

— Reservoir Live