OpenAI continue d’écraser les mathématiciens, même lorsqu’elle essaie de les écouter

OpenAI continue d’écraser les mathématiciens malgré la création d’un groupe consultatif de neuf membres destiné à réparer ses relations avec eux. L’entreprise affirme qu’un modèle non publié a résolu plus de 100 problèmes anciens, mais son annonce a immédiatement semé la confusion parmi les chercheurs sur la question de savoir qui contrôle le groupe.

Cette confusion importe, car le Groupe consultatif sur les mathématiques et l’intelligence artificielle, ou AGMAI, est censé aider à évaluer et à communiquer les résultats émergents de l’IA. Ses membres insistent sur le fait que l’organisation est indépendante, non rémunérée et libre de critiquer OpenAI. Toutefois, OpenAI a présenté cette relation de manière si visible que certains chercheurs ont d’abord supposé que l’entreprise avait désigné le groupe.

Cet épisode prolonge un conflit qui s’est intensifié après l’annonce par OpenAI d’une solution générée par machine au problème d’existence et de régularité de Navier-Stokes. Cette affirmation a révélé l’ampleur des ambitions mathématiques de l’entreprise. Les différends qui ont suivi, concernant l’attribution, les normes de publication et la compréhension humaine, ont mis en évidence la faible compatibilité de son mode de fonctionnement avec les mathématiques universitaires.

OpenAI a désormais besoin de mathématiciens pour interpréter les résultats produits par ses systèmes. Les mathématiciens ont besoin d’accès, de temps et d’informations fiables avant de pouvoir évaluer ces résultats. Le nouveau groupe consultatif se situe entre ces besoins, mais il fournit des conseils plutôt qu’il n’exerce une autorité.

Le groupe consultatif d’OpenAI sur les mathématiques est arrivé avec un problème d’identité

AGMAI a été conçu comme un pont indépendant, mais le lancement d’OpenAI l’a fait paraître inconfortablement proche de l’entreprise qu’il pourrait devoir contester.

AGMAI a annoncé sa création le 21 septembre 2026. Le groupe compte neuf mathématiciens et est hébergé par l’Institute for Advanced Study à Princeton, dans le New Jersey.

Ses premiers membres sont François Charles, Camillo De Lellis, Timothy Gowers, Martin Hairer, Nikhil Srivastava, Ulrike Tillmann, Ravi Vakil, Edward Witten et Melanie Matchett Wood. Ils sont affiliés à des institutions telles que Harvard, Stanford, Oxford, Cambridge, Berkeley, Imperial College London et EPFL.

Selon sa déclaration de groupe indépendant, AGMAI peut conseiller OpenAI et d’autres laboratoires d’IA de pointe. Son mandat comprend l’examen des résultats émergents, la coordination de la communication et l’élaboration de normes pour la recherche mathématique assistée par IA.

Le groupe affirme pouvoir travailler avec n’importe quel laboratoire d’IA. Martin Hairer, membre d’AGMAI et lauréat de la médaille Fields, a déclaré à The Verge que des discussions avec d’autres laboratoires de pointe avaient déjà commencé. Il n’a pas identifié ces entreprises.

Hairer a également souligné qu’AGMAI ne reçoit aucun soutien financier ou technique d’OpenAI. Ses membres n’ont signé aucun accord limitant leurs commentaires publics, à l’exception des conditions de confidentialité nécessaires pour obtenir un accès anticipé à des travaux non publiés.

L’annonce d’OpenAI comprenait des garanties similaires. L’entreprise a indiqué que les membres pourraient publier leurs conseils, critiquer son impact et proposer des orientations qu’OpenAI n’avait pas sollicitées. Elle a également précisé qu’ils resteraient non rémunérés et contrôleraient la composition du groupe.

Ces dispositions instaurent une distance organisationnelle significative. Elles n’effacent pas les circonstances confuses de la naissance d’AGMAI.

OpenAI avait initialement approché certains mathématiciens pour former un conseil consultatif. Ces mathématiciens ont plutôt créé une organisation indépendante et recruté des membres supplémentaires. Aucune des deux parties n’a publiquement identifié les membres d’AGMAI ayant reçu l’approche initiale.

OpenAI a ensuite donné au groupe une visibilité bien supérieure à celle que ses propres canaux de lancement auraient pu lui offrir. De nombreux observateurs ont découvert AGMAI par l’annonce de l’entreprise, et non par la déclaration du groupe ou le blog de mathématiques de Terence Tao.

Cette chronologie a encouragé une impression inexacte mais prévisible. AGMAI semblait être un panel d’OpenAI parce que l’entreprise avait initié les discussions et dominé la présentation publique.

Hairer a décrit les jours suivant l’annonce comme frustrants et intenses. Il a déclaré à The Verge que la formulation n’avait pas aidé le groupe à établir son indépendance.

Le calendrier a ajouté au désordre. Interrogé sur les projets d’AGMAI peu après sa création, Hairer a souligné que l’organisation n’avait que deux jours. Elle ne disposait pas encore d’un cadre opérationnel complet pour répondre aux demandes qui lui arrivaient.

La confusion est plus qu’un désagrément de marque. AGMAI doit gagner en crédibilité auprès de chercheurs qui se méfient déjà des pratiques de publication d’OpenAI. Chaque formulation ambiguë rend cette crédibilité plus difficile à obtenir.

L’annonce consultative d’OpenAI reconnaît explicitement les préoccupations soulevées par les mathématiciens. Pourtant, elle fait aussi la promotion des résultats revendiqués par l’entreprise avant que des évaluateurs indépendants aient expliqué leur portée ou leur importance.

Ce mélange résume le problème central. OpenAI souhaite un jugement extérieur, mais elle veut aussi annoncer immédiatement l’ampleur de sa réussite.

Pourquoi OpenAI continue d’écraser les mathématiciens

OpenAI considère les problèmes résolus comme une preuve des capacités du modèle, tandis que les mathématiciens considèrent les démonstrations comme des contributions exigeant contexte, attribution, examen et compréhension durable.

OpenAI indique avoir commencé à entraîner son dernier modèle interne le 28 août. Le 21 septembre, l’entreprise affirmait que le modèle avait résolu plus de 100 problèmes ouverts de longue date dans la plupart des domaines des mathématiques.

L’entreprise n’a pas publié de catalogue complet de ces problèmes. Les chercheurs indépendants ne peuvent donc pas évaluer la difficulté globale, la nouveauté, l’exactitude ou l’importance de cet ensemble.

Le nombre lui-même est également difficile à interpréter. Un « problème ouvert » peut être une question célèbre qui résiste aux spécialistes depuis des décennies. Il peut aussi s’agir d’un énoncé non résolu étroit dont la solution combine des méthodes existantes sans transformer son domaine.

Les travaux antérieurs d’OpenAI montrent pourquoi cette distinction importe. Dans un rapport de janvier, l’entreprise a affirmé que GPT-5.2 avait contribué à des solutions de plusieurs problèmes associés à Paul Erdős. Terence Tao a validé les travaux sur quatre problèmes répertoriés, bien que l’entreprise ait reconnu que les problèmes d’Erdős diffèrent fortement en difficulté.

Le même rapport traçait une limite utile autour des capacités actuelles. OpenAI indiquait que ses modèles peuvent parfois assembler des méthodes connues pour former un argument correct. Elle affirmait aussi que l’invention d’un cadre mathématique entièrement nouveau reste hors de portée des systèmes actuels.

Cette distinction survit rarement à un titre. Un modèle qui résout une conjecture obscure par une technique connue et un modèle qui crée une nouvelle branche des mathématiques peuvent tous deux devenir « l’IA résout des mathématiques non résolues ».

Pour les chercheurs universitaires, une démonstration doit faire plus qu’atteindre une conclusion formellement correcte. Elle doit situer le résultat dans les travaux antérieurs, identifier les idées sous-jacentes, reconnaître les contributeurs pertinents et aider d’autres personnes à s’appuyer sur lui.

Les communications d’OpenAI ont plutôt souvent mis l’accent sur le résultat final. Cette approche est logique lorsque les problèmes ouverts servent de tests de performance pour les modèles. Elle entre en conflit avec une communauté qui valorise la manière dont une démonstration élargit la compréhension collective.

Álvaro Lozano-Robledo, professeur de mathématiques à l’Université du Connecticut, a critiqué le langage de l’entreprise sur le fait de disposer de nombreux résultats sans savoir comment les publier. Il a soutenu que les universitaires ne font normalement pas la promotion d’un stock de résultats avant d’en avoir établi l’importance.

Les chercheurs s’opposent également aux affirmations de « progrès substantiels » sur des problèmes non résolus. En mathématiques, un argument incomplet peut contenir des intuitions précieuses. Il peut aussi s’effondrer à cause d’une seule lacune cachée.

Cette sensibilité n’est pas du pédantisme. Les démonstrations mathématiques tirent leur force de chaque étape logique. Un récit convaincant ne peut se substituer à un argument valide.

La vérification formelle offre une réponse. Des systèmes tels que Lean encodent une démonstration dans un langage que le logiciel peut vérifier étape par étape. Ce processus détecte les lacunes susceptibles de se cacher dans une prose fluide et plausible.

Toutefois, l’exactitude formelle ne règle pas toutes les questions académiques. Une démonstration vérifiée mécaniquement peut toujours masquer son idée centrale. Elle peut négliger des travaux connexes ou présenter un résultat sous une forme que les chercheurs humains peinent à réutiliser.

Le défi comporte donc deux niveaux. Le premier consiste à déterminer si la démonstration est correcte. Le second consiste à décider si elle améliore les connaissances mathématiques plutôt qu’à ajouter un autre artefact vérifié.

OpenAI a accéléré la première étape de la production de résultats. Elle n’a pas démontré que le système universitaire environnant puisse traiter ses productions à la même vitesse.

Ce déséquilibre explique pourquoi OpenAI continue d’écraser les mathématiciens même lorsque ses affirmations techniques se révèlent substantielles. L’entreprise peut générer, financer, conditionner et médiatiser des résultats plus rapidement que les chercheurs ne peuvent en examiner la signification.

Le différend sur Navier-Stokes a détruit le bénéfice du doute

Le groupe consultatif s’est engagé dans une relation déjà dégradée par des accusations impliquant l’appropriation de travaux, l’attribution, une publication précipitée et des révisions opaques.

Le contexte immédiat est l’annonce faite par OpenAI en septembre au sujet du problème d’existence et de régularité de Navier-Stokes. Les équations de Navier-Stokes décrivent le mouvement des fluides, tandis que la célèbre question ouverte demande si certaines solutions tridimensionnelles restent régulières.

Ce problème est l’un des problèmes du prix du millénaire désignés par le Clay Mathematics Institute en 2000. Seule la conjecture de Poincaré avait auparavant reçu une solution acceptée parmi les sept problèmes initiaux.

OpenAI a affirmé qu’un système impliquant 10 000 agents avait produit une solution en moins de quatre jours. Dans ce contexte, un agent est une instance de modèle chargée de poursuivre, évaluer ou affiner une partie d’une tâche plus vaste.

L’affirmation de l’entreprise demeure lourde de conséquences même indépendamment du différend qui l’entoure. Une solution valide marquerait un changement majeur dans la capacité de l’IA à participer aux mathématiques de niveau recherche.

Toutefois, les mathématiciens Tristan Buckmaster et Levent Alpöge travaillaient sur des idées connexes depuis environ un an. Buckmaster a allégué qu’OpenAI avait appris l’existence de leurs avancées et s’était empressée de publier la première.

Il a également exprimé des inquiétudes selon lesquelles des interactions avec des systèmes d’OpenAI auraient pu exposer des informations sur leur approche. OpenAI a déclaré ne pas avoir examiné les entrées de Buckmaster lors de la poursuite de son résultat.

Les récits contradictoires n’ont pas été résolus de manière indépendante. Ils doivent donc être considérés comme des allégations, et non comme des faits établis.

OpenAI a déclaré avoir commencé à cibler les problèmes du prix du millénaire après avoir entendu des rumeurs selon lesquelles Anthropic en aurait résolu deux. Elle aurait alloué d’importantes ressources informatiques à l’ensemble avant de se concentrer sur Navier-Stokes.

Cette histoire d’origine a alarmé les mathématiciens parce qu’elle ressemblait à une compétition entre laboratoires d’IA, et non à un programme de recherche organisé autour d’un besoin scientifique. Un problème célèbre apportait du prestige, une difficulté mesurable et une ligne d’arrivée susceptible d’attirer l’attention.

La démonstration résultante compterait 166 pages. Les chercheurs ont alors dû accomplir le travail lent consistant à évaluer l’argument, à retracer son lien avec les méthodes antérieures et à extraire des idées que les humains pourraient comprendre.

La valeur d’une démonstration peut aller bien au-delà de son théorème final. Les outils développés pour résoudre le dernier théorème de Fermat, par exemple, ont influencé d’autres domaines de la théorie des nombres et des applications ultérieures.

Une longue démonstration générée par machine peut également contenir des idées réutilisables. Pourtant, ces idées ne deviennent pas utiles simplement parce que les dernières pages aboutissent à la bonne conclusion. Des spécialistes doivent les trouver, les expliquer et les relier aux connaissances existantes.

Ce travail crée une asymétrie. Une entreprise d’IA paie pour générer le résultat et reçoit l’attention associée à l’affirmation. La communauté académique fournit ensuite une grande partie du travail non rémunéré nécessaire pour établir ce que signifie ce résultat.

La controverse Navier-Stokes s’est intensifiée parce que les chercheurs percevaient cette asymétrie en parallèle du différend sur l’attribution. Les critiques ne voyaient pas seulement une démonstration impressionnante. Ils voyaient une entreprise transformer les connaissances de la communauté et sa puissance de calcul en publicité.

Les précédentes publications d’OpenAI avaient déjà suscité des inquiétudes. Des chercheurs ont déclaré à The Verge que certains manuscrits étaient mal rédigés et traitaient trop superficiellement de la littérature pertinente.

Ils ont également allégué qu’OpenAI modifiait des documents après leur publication sans consigner clairement chaque révision. Hairer a qualifié certains aspects de cette pratique de travail académique négligé.

Des historiques de révision transparents sont particulièrement importants pour les recherches générées par l’IA. Ils permettent aux lecteurs de distinguer l’affirmation d’origine des corrections apportées après des critiques externes.

Sans cette trace, les évaluateurs ne peuvent pas facilement déterminer si une erreur était mineure, si l’argument a changé de manière substantielle ou si les descriptions publiques correspondent encore au document le plus récent.

OpenAI a créé AGMAI en partie pour éviter un nouvel échec de ce type. Pourtant, l’annonce de l’entreprise a elle-même ravivé ce schéma en faisant la promotion de plus de 100 résultats revendiqués avant que le groupe n’ait élaboré son processus.

C’était là le renversement. L’effort de réparation est devenu une nouvelle démonstration du comportement qu’il était censé corriger.

L’affirmation d’OpenAI sur 100 problèmes transfère la charge au monde académique

Un arriéré de plus de 100 solutions revendiquées n’est pas seulement une étape technique. C’est une file d’évaluation que les universités n’ont jamais accepté de traiter.

L’évaluation par les pairs dépend déjà d’une attention spécialisée rare. Les résultats de pointe exigent des spécialistes qui comprennent le domaine concerné, sa littérature et les subtils modes de défaillance d’une démonstration.

L’affirmation d’OpenAI couvre la plupart des domaines des mathématiques. Son évaluation nécessiterait donc de nombreuses communautés, et non un unique comité centralisé de neuf chercheurs distingués.

AGMAI peut aider à trier les résultats. Le groupe peut identifier les évaluateurs appropriés, recommander des pratiques de divulgation et conseiller OpenAI sur la question de savoir si un résultat mérite une large attention.

Il ne peut pas valider personnellement chaque démonstration. Neuf membres ne peuvent pas davantage absorber le travail d’interprétation produit par un système industriel fonctionnant à la vitesse des machines.

Cela crée un décalage d’échelle. OpenAI peut faire fonctionner des milliers d’agents simultanément. Le jugement mathématique reste réparti entre des personnes ayant des responsabilités d’enseignement, de mentorat, de publication et institutionnelles.

Le volume peut aussi déformer les priorités de recherche. Si OpenAI annonce des résultats dans un domaine particulier, les spécialistes peuvent se sentir contraints de suspendre leurs propres travaux pour examiner les résultats de l’entreprise.

Colva Roney-Dougal, professeure de mathématiques à l’Université de St Andrews, a décrit les annonces à venir comme angoissantes. Elle a déclaré que les chercheurs sont confrontés à l’incertitude quant à l’opportunité d’accélérer leurs articles, d’attendre les divulgations d’OpenAI ou de poursuivre normalement.

Cette incertitude touche les doctorants autant que les professeurs établis. Un étudiant peut passer des années à développer une expertise autour d’un problème. Une vague allusion d’entreprise peut soudainement jeter le doute sur le projet sans fournir suffisamment d’informations pour changer intelligemment de direction.

Le danger ne réside pas simplement dans le fait que l’IA résolve le problème choisi par un chercheur. Le travail scientifique a toujours été confronté à la possibilité qu’une autre personne publie en premier.

La différence tient à la combinaison de l’échelle, du secret et de la publicité. OpenAI peut poursuivre en privé de nombreuses pistes, laisser entrevoir des progrès spectaculaires et publier certains résultats sous une marque reconnue mondialement.

Les chercheurs extérieurs à l’entreprise ne peuvent pas savoir quels domaines font face à une concurrence immédiate. Ils ne peuvent pas non plus égaler la puissance de calcul ou la portée médiatique disponibles.

La lettre ouverte des mathématiciens signée par 25 lauréats de la médaille Fields décrit cette structure d’incitation comme gravement désalignée. Elle soutient que l’utilisation de problèmes ouverts comme critères d’évaluation de l’IA peut nuire aux mathématiques et à leur communauté.

Cette préoccupation n’est pas une demande d’arrêt de la recherche assistée par l’IA. De nombreux mathématiciens utilisent déjà des modèles pour les recherches bibliographiques, l’expérimentation, la formalisation et le développement de démonstrations.

La lettre remet plutôt en cause la pratique consistant à traiter les problèmes prestigieux comme des trophées. Cet objectif récompense la vitesse et la visibilité, alors que les mathématiques universitaires reposent aussi sur l’attribution, l’exposition, le mentorat et la compréhension cumulative.

Les laboratoires d’IA sont incités à annoncer le résultat le plus vaste et le plus reconnaissable. Les chercheurs sont incités à consacrer du temps à vérifier si ce résultat mérite cette qualification. Ces incitations poussent le travail dans des directions opposées.

OpenAI affirme qu’AGMAI l’aidera à évaluer l’importance avant toute communication. Ce serait une amélioration significative si l’entreprise suivait systématiquement les conseils du groupe.

Cependant, AGMAI ne dispose d’aucun pouvoir décisionnel au sein d’OpenAI. L’entreprise reste responsable de ce qu’elle publie, de la rapidité avec laquelle elle le publie et de l’importance qu’elle donne à chaque affirmation.

OpenAI affirme également que le groupe ne conseillera pas l’entreprise sur le rythme de ses progrès mathématiques internes. Cette limite protège l’autonomie de recherche de l’entreprise, mais elle laisse intacte la plus grande source de pression.

La production peut continuer à s’accélérer. Le groupe consultatif ne peut que recommander la manière dont la vague qui en résulte atteint le rivage.

L’indépendance sans autorité est le compromis central

AGMAI ne peut apporter de crédibilité qu’en contestant OpenAI, mais OpenAI peut accepter cette crédibilité sans renoncer au contrôle.

L’indépendance du groupe est réelle à plusieurs égards pratiques. Ses membres ne sont pas rémunérés, peuvent publier leurs opinions et peuvent travailler avec des laboratoires concurrents.

Ces conditions distinguent AGMAI d’un conseil consultatif d’entreprise classique. Elles réduisent le risque qu’OpenAI puisse contrôler directement sa composition ou ses conclusions publiques.

L’indépendance ne garantit toutefois pas l’influence. OpenAI peut consulter le groupe sans accepter ses recommandations. L’entreprise peut également décider quelles informations les membres reçoivent et à quel moment.

L’accès confidentiel en amont crée une autre tension. Les évaluateurs ont besoin d’un accès avant publication s’ils sont censés empêcher des annonces trompeuses. Pourtant, la confidentialité peut temporairement limiter leur capacité à alerter la communauté élargie.

L’accord dépend donc du processus. AGMAI a besoin de règles claires concernant la récusation, la divulgation, la publication, les corrections et les désaccords avec les laboratoires participants.

Le groupe doit également distinguer l’examen préliminaire de l’approbation. Si AGMAI examine un manuscrit, les observateurs extérieurs ne devraient pas supposer que chaque membre a vérifié chaque ligne ou approuvé la présentation publique d’OpenAI.

L’annonce d’OpenAI indique que le groupe aidera à évaluer l’importance. L’importance n’est pas une propriété mécanique, comme le fait qu’une démonstration passe un vérificateur.

Elle dépend du contexte, de la nouveauté, des méthodes et des conséquences pour un domaine. Des mathématiciens raisonnables peuvent diverger sur ces facteurs même s’ils conviennent qu’un argument est correct.

AGMAI doit communiquer ces distinctions avec précision. Sinon, son nom risque de devenir un label général apposé sur des affirmations n’ayant fait l’objet que d’une consultation limitée.

Le groupe fait également face à un problème de légitimité au sein des mathématiques. Un seul membre initial aurait signé la lettre ouverte avant le lancement d’AGMAI, bien que Hairer ait ensuite ajouté son nom aux signataires.

Cela ne rend pas, à lui seul, la composition du groupe non représentative. Cela met toutefois en lumière l’écart entre le fait de conseiller une entreprise et celui de représenter une vaste communauté de recherche décentralisée.

Les mathématiques ne disposent d’aucun organe directeur unique capable d’autoriser AGMAI à parler au nom de tous. Le groupe doit gagner la confiance par ses actes, et non par le prestige de sa composition.

OpenAI doit aussi éviter d’utiliser la réputation de ses membres comme substitut à des preuves transparentes. Une relation consultative ne peut pas valider des démonstrations non divulguées.

C’est ici que l’argument sceptique devient le plus fort. OpenAI peut sincèrement vouloir de meilleures normes académiques tout en bénéficiant de l’apparence d’une supervision externe.

Ces deux affirmations peuvent être vraies. L’entreprise peut mettre en place un processus de consultation sérieux tout en présentant ce processus de manière à servir son récit public.

Hairer semblait reconnaître ce risque. Il a admis que les entreprises d’IA chercheraient à présenter favorablement l’implication du groupe, tout en insistant sur le fait qu’AGMAI pouvait malgré tout protéger la communauté mathématique au sens large.

Cet arrangement mérite une chance de fonctionner. Les capacités d’OpenAI progressent assez vite pour qu’une structure de coordination soit préférable à une succession d’annonces surprises.

Pourtant, la mesure du succès ne peut pas être de savoir si OpenAI évite un nouveau titre embarrassant. Il faut que les chercheurs reçoivent suffisamment de préavis, de documentation et de crédit pour comprendre chaque résultat sans supporter des coûts déraisonnables.

Pour les développeurs et les acheteurs d’IA en entreprise, ce différend offre une leçon plus large sur l’évaluation. Le résultat d’un système n’est pas automatiquement utile parce qu’il passe un test de correction.

Les organisations doivent préserver les sources, les révisions, les hypothèses et les décisions humaines entourant le travail généré. Une base de connaissances IA interrogeable peut soutenir cette traçabilité, mais un logiciel ne peut pas remplacer une évaluation responsable.

Le même principe s’applique, qu’il s’agisse d’une démonstration, d’un mémo juridique, d’une analyse de marché ou de code de production. La vitesse de génération n’a d’importance que lorsque la vérification et la compréhension institutionnelle peuvent suivre le rythme.

La suite montrera si le groupe compte réellement

Trois signaux détermineront si AGMAI modifie le comportement d’OpenAI ou aide simplement à présenter la prochaine vague d’affirmations.

Le premier signal concerne le protocole de publication de l’arriéré signalé par OpenAI. L’entreprise affirme que son modèle a résolu plus de 100 problèmes ouverts, mais les chercheurs ne disposent toujours pas d’un inventaire complet.

Un protocole crédible classerait les résultats par domaine, difficulté, statut de vérification, nouveauté et dépendance à des travaux antérieurs. Il éviterait également de présenter l’ensemble de la collection comme uniformément important.

Une coordination en amont devrait donner aux spécialistes concernés le temps d’examiner les manuscrits et de résoudre les problèmes d’attribution. Elle ne devrait pas devenir un aperçu privé suivi d’une nouvelle annonce précipitée.

Si OpenAI publie les résultats par lots gérables avec une documentation claire, cela renforcera l’idée qu’AGMAI exerce une influence concrète. Une campagne publicitaire soudaine bâtie autour du nombre total l’affaiblira.

Le deuxième signal est la manière dont l’entreprise gère les corrections. Les manuscrits assistés par IA contiendront des erreurs, des passages peu clairs et des citations incomplètes, tout comme les manuscrits rédigés par des humains.

La question importante est de savoir si OpenAI consigne publiquement les modifications. Chaque révision devrait indiquer ce qui a changé, pourquoi cela a changé et si la correction modifie l’affirmation principale.

Cette pratique répondrait à l’une des critiques les plus concrètes concernant les publications antérieures. Elle donnerait également aux chercheurs l’assurance qu’ils examinent un document stable et traçable.

Il faudra observer si AGMAI publie des normes que les laboratoires participants peuvent suivre. Des normes publiques rendraient le travail du groupe utile au-delà d’une seule entreprise et permettraient aux observateurs extérieurs d’en évaluer le respect.

Le troisième signal sera la réponse d’AGMAI au désaccord. Un groupe indépendant ne prouve pas sa valeur en étant d’accord avec OpenAI.

La preuve la plus forte de son indépendance serait une objection publique à une présentation exagérée, à une attribution insuffisante, à une publication prématurée ou à une affirmation d’importance insuffisamment étayée.

Ce test n’exige pas d’hostilité. Il exige une séparation visible entre l’analyse du groupe et les communications de l’entreprise.

D’autres laboratoires d’IA façonneront également l’issue. Anthropic fait déjà partie du contexte concurrentiel autour des mathématiques de niveau recherche. Google et des projets spécialisés en mathématiques formelles continuent de développer leurs propres approches.

Si AGMAI collabore avec plusieurs laboratoires, il peut devenir une infrastructure partagée pour le domaine. Si son rôle public reste principalement lié à OpenAI, les doutes sur son indépendance persisteront.

La capacité sous-jacente ne disparaîtra pas pendant que ces questions de gouvernance se développent. Les modèles d’OpenAI ont déjà contribué à des travaux que des mathématiciens experts considèrent comme légitimes et intéressants.

L’incertitude centrale est de savoir si l’entreprise peut transformer cette capacité en travaux académiques sans submerger les personnes dont le jugement donne un sens aux résultats.

Pour l’instant, OpenAI continue de bousculer les mathématiciens, car l’entreprise contrôle la vitesse, l’ampleur et la publicité de l’opération. AGMAI peut conseiller à côté des commandes, mais ne peut pas prendre le volant.

Les lecteurs devraient surveiller le prochain lot de démonstrations plutôt que la prochaine promesse. Les documents sont-ils lisibles, attribués, évalués de manière indépendante et accompagnés d’historiques de révision transparents ?

Ces détails révéleront si OpenAI a modifié ses pratiques de recherche. Ils montreront aussi si les mathématiques générées par l’IA deviennent un savoir partagé ou simplement une pile croissante d’affirmations en attente de réparation humaine.

Conservez une trace des annonces, des manuscrits, des corrections et des réactions externes. Comparez la première description de l’entreprise avec les conclusions des spécialistes quelques semaines plus tard. Cet écart, davantage que le nombre de gros titres, mesurera si cette expérience inconfortable fonctionne.