En mars 2026, Anthropic a présenté une avancée permettant de convertir les raisonnements mathématiques complexes de Claude en langage naturel. Cette évolution marque une transition : après avoir atteint le niveau des compétitions en 2025, l’intelligence artificielle s’impose désormais comme un assistant de recherche capable de soutenir les mathématiciens dans leurs travaux.
Le rythme de l’évolution technologique dépasse les prévisions les plus optimistes. Alors que le secteur de l’intelligence artificielle se concentrait jusqu’ici sur la génération de texte ou l’analyse d’images, les mathématiques — souvent considérées comme le dernier rempart de la cognition humaine pure — font l’objet d’une accélération que peu d’observateurs avaient anticipée. En l’espace de deux ans, la frontière entre la simple exécution de calculs et l’assistance à la recherche théorique s’est considérablement déplacée.
De la résolution de problèmes à l’assistance de recherche
Pour comprendre l’ampleur de ce changement, il faut observer la trajectoire tracée par les capacités de raisonnement des modèles récents. Selon l’analyste David Shapiro, l’année 2025 a marqué l’étape où l’intelligence artificielle est devenue capable de rivaliser avec des humains lors de compétitions mathématiques. Cependant, l’année 2026 a ouvert un nouveau chapitre : celui de l’assistant de recherche.
Cette montée en puissance s’est concrétisée le 27 mars 2026, lorsque la société Anthropic a dévoilé une avancée majeure concernant son modèle Claude. Cette technologie permet de traduire les étapes de raisonnement mathématique complexe en un langage compréhensible par l’humain. Ce n’est plus seulement un outil qui donne un résultat, mais un système capable d’expliquer sa démarche, facilitant ainsi la collaboration entre l’homme et la machine dans des contextes de recherche de haut niveau.
Le piège de la récupération d’informations : l’épisode Erdős
Toutefois, cette progression rapide ne doit pas être confondue avec une véritable capacité de découverte scientifique. La distinction entre le raisonnement et la simple recherche documentaire est cruciale pour éviter les erreurs d’interprétation. Un exemple frappant est survenu à la fin de l’année 2025 lors de la controverse entourant les problèmes d’Erdős.
À cette époque, des affirmations circulaient selon lesquelles le modèle GPT-5 aurait « résolu » plusieurs problèmes mathématiques d’Erdős. L’analyse ultérieure a montré une réalité bien moins spectaculaire : l’IA avait simplement effectué des recherches documentaires extrêmement efficaces, retrouvant des solutions déjà publiées que le gestionnaire de la base de données n’avait pas encore répertoriées. Pour David Shapiro, cette situation illustrait parfaitement le risque de confusion, qualifiant l’événement de simple recherche documentaire présentée sous les traits d’une découverte révolutionnaire
.
Le mathématicien Terence Tao a d’ailleurs apporté un éclairage nécessaire sur ce phénomène. Il souligne que de nombreux problèmes d’Erdős sont restés sans étude systématique pendant des décennies. Si une IA parvient à les résoudre aujourd’hui, ce n’est pas nécessairement parce qu’elle a inventé une nouvelle méthode, mais parce qu’elle a exploré des zones de la littérature mathématique que les humains avaient délaissées par manque de temps ou de ressources.
La critique de François Chollet : au-delà de la reconnaissance de formes
Face à cet enthousiasme, certains chercheurs appellent à une plus grande prudence concernant la nature réelle de l’intelligence de ces modèles. François Chollet, chercheur reconnu dans le domaine, a exprimé des réserves sur la manière dont nous mesurons les progrès de l’IA. Il soutient que les tests de référence utilisés depuis 2019 se concentrent trop sur la reconnaissance de formes et la connaissance de domaines spécifiques, plutôt que sur la capacité d’abstraction pure.
En mars 2026, Chollet a présenté un nouveau test de référence, conçu pour être plus exigeant et pour mieux distinguer l’intelligence véritable de la simple capacité de mémorisation ou de manipulation de données. Il alerte également sur une tendance observée en avril 2026 : le risque que la recherche en intelligence artificielle ne s’enferme dans une approche unique et dominante, limitant ainsi l’émergence de méthodes de raisonnement réellement innovantes.
Les frontières infranchissables de l’intelligence artificielle
Malgré ces avancées qui transforment les méthodes de travail des chercheurs, les sommets les plus élevés de la discipline mathématique restent, pour l’heure, hors de portée des machines. Aucun système d’intelligence artificielle n’a réussi à résoudre l’un des sept problèmes du prix du millénaire.
Le domaine reste marqué par des énigmes qui résistent aux approches actuelles, qu’elles soient humaines ou artificielles. L’hypothèse de Riemann demeure intacte, tout comme le problème P versus NP. De même, l’existence et la régularité des solutions pour les équations de Navier-Stokes continuent de défier toute tentative de résolution automatisée. Si l’IA est devenue un assistant capable de parcourir la littérature et d’expliquer des étapes de calcul, la création de concepts mathématiques totalement nouveaux et la résolution de ces conjectures fondamentales constituent toujours le véritable défi de l’intelligence.