Tech & AI
Think Tank

Qui peut encore prouver que les machines ont raison ?

Les agents d'IA produisent des hypothèses, des preuves et des pistes expérimentales à un rythme sans précédent. Le goulot d'étranglement s'est déplacé de la génération vers la vérification, l'expérience et la confiance. Le point n'est pas de savoir si les machines pensent, mais qui peut encore prouver qu'elles ont raison.

Par Hervé Bath ·

Illustration : Qui peut encore prouver que les machines ont raison ?

La production ne suffit plus

Le 6 octobre 2026, OpenAI a déposé sur GitHub 722 manuscrits de mathématiques, regroupés en 372 familles de résultats. Trois manuscrits ont été retirés dès le lendemain, quatorze autres révisés, et environ 42 % des résultats principaux disposent d'une formalisation vérifiable par machine. Le choc n'est pas la production, c'est la capacité à vérifier [1]. Les mathématiciens interrogés évoquent plusieurs années de relecture, et des études montrent que les agents IA surestiment leurs propres résultats [1]. Je le notais déjà il y a deux mois: un agent produit des hypothèses, pas des faits, et le chercheur qui prétend continuer à faire ce qu'un agent fait plus vite devient un goulot d'étranglement [2].

Depuis AlphaFold et son Nobel de chimie 2024, la prédiction de structures protéiques est devenue une infrastructure scientifique. Cette infrastructure ne vaut que si les données qui la nourrissent sont fiables, ouvertes et correctement documentées [3]. Un modèle entraîné sur des jeux de données lacunaires ou mal annotés reproduira fidèlement leurs défauts, avec le vernis trompeur de la précision statistique [3].

Un cas donne la mesure du débit. OpenAI revendique une solution au problème de Navier-Stokes, avec environ 10 000 agents coordonnés, 130 milliards de tokens de sortie et 88 heures de calcul. Il aurait fallu 17 heures supplémentaires pour réécrire la preuve en Lean afin qu'elle soit vérifiable par machine [4]. La paternité est contestée, et le Clay Mathematics Institute maintient une exigence simple: publication, puis deux ans d'examen avant toute reconnaissance [4].

La preuve formelle ne vérifie pas le monde

Lean confirme qu'une preuve suit un énoncé formalisé, pas que l'énoncé correspond au problème posé. Formalisé ne veut pas dire relu [1]. En mathématiques, une réponse fausse peut être détectée en quelques secondes une fois le problème écrit dans un langage vérifiable. DeepMind a pu concentrer la recherche d'algorithmes sur les survivants parce qu'un évaluateur automatisé testait chaque programme ; Axiom a traité plus de 500 millions de requêtes de vérification Lean [4]. Chaque évaluation, chaque benchmark, chaque simulateur ne confirme que ce que quelqu'un a pensé à spécifier [4]. Mais la plupart des sciences n'ont pas d'équivalent de Lean. Un candidat médicament peut sembler idéal in silico et s'avérer toxique chez la souris ; une cathode prédite peut se dégrader après deux cents cycles [4]. On peut classer les disciplines par leur élasticité de vérification, c'est-à-dire la quantité de contrôle supplémentaire que l'on obtient quand le calcul devient moins cher [4].

Sept heures gagnées, un raz-de-marée d'hypothèses

Une étude Google-MIT sur 15 millions d'interactions et 637 chercheurs aux États-Unis et au Royaume-Uni constate un gain individuel d'environ sept heures par semaine. Près de la moitié des participants signalent une accumulation croissante d'hypothèses non testées [5]. Le déplacement est mesurable: 88 % des chercheurs consacrent plus de 10 % du temps gagné à vérifier les résultats produits par l'IA, et près de la moitié plus du quart [5]. Le principal goulot d'étranglement se situe dans les phases ultérieures, comme l'expérimentation physique et la collecte de données [6]. En sciences de la vie, cela passe par des tests en laboratoire ; en sciences physiques, par des expériences ; en médecine, par des essais cliniques [6].

Les simulations ne sont pas des faits

En octobre 2026, Microsoft a publié dans Science un système multi-agents qui atteint 83 % de bonnes réponses sur des cas cliniques difficiles, contre 36 % pour des médecins de premier recours travaillant seuls ; aucun patient n'était dans la pièce. Sur quatre percées annoncées en trois semaines par Microsoft, OpenAI, Google DeepMind et Anthropic, deux seulement sont passées par une revue à comité de lecture, et aucune ne rapporte de résultat expérimental obtenu en laboratoire ou sur des patients réels [7]. Le point est rarement en tête des communiqués [7].

Le biais du facile

Quand l'IA sélectionne les hypothèses selon la faisabilité, la nouveauté et la valeur attendue, elle peut privilégier les projets à faible risque et faciles à réaliser. C'est l'effet réverbère: chercher ses clés sous la lumière, simplement parce que c'est là qu'on y voit [5]. La collaboration entre scientifiques et IA doit servir à ne pas sacrifier les questions plus audacieuses [5].

Le vérificateur devient central

Un modèle peut repérer des structures mathématiques similaires en physique, en écologie ou en génétique, là où les communautés scientifiques restent cloisonnées [8]. En écologie, Claude a appliqué une équation existante à une forêt du Panama suivie depuis des décennies, et a conclu que la part de chaque espèce y change 4,5 fois plus vite que sous l'effet du seul hasard [8]. En génétique, l'analyse de 5,7 milliards de paires de mutations voisines a mis en évidence la conversion génique, souvent ignorée [8]. Mais la valeur se déplace surtout vers les protocoles de contrôle. Claude a réécrit la démonstration du théorème de Fermat en onze jours pour qu'un ordinateur puisse en contrôler automatiquement l'exactitude [8]. Le même modèle a vérifié automatiquement 4 452 articles d'économie, refait les calculs et contrôlé la correspondance avec les chiffres publiés [8]. Ces exemples ne sont pas des découvertes nouvelles, mais des infrastructures de relecture.

La science comme problème d'infrastructure

Ce qui se joue n'est pas la fin de la méthode scientifique, mais un déplacement de sa rareté. La génération d'hypothèses devient massivement parallèle ; la validation reste séquentielle, physique et institutionnelle. Le coût de production d'une hypothèse s'effondre, le coût de sa réfutation reste lié aux paillasses, aux instruments et aux comités de lecture [4]. Le chercheur ne survit pas en calculant plus vite, mais en maîtrisant l'infrastructure, les protocoles de vérification et la confrontation au réel. La prochaine décennie dépend moins de la qualité des modèles que de la construction d'un réseau de laboratoires à côté des centres de données [4]. Une hypothèse ne vaut que par la mise à jour qu'elle autorise ; un raz-de-marée d'hypothèses sans expérience ne fait que déplacer l'incertitude. Ceux qui refusent de voir ce déplacement risquent de finir comme des artisans du calcul, chers et lents, face à des machines de quelques centaines d'euros par mois [2].


Sources

  1. Mathieu Bocquillon, « 722 manuscrits d'un coup : l'IA déplace le goulot de la science », Le Fil IA, 14 octobre 2026. lefilia.fr/analyse/722-manuscrits-dun-coup-ia-goulot-science
  2. Hervé Bath, « Le chercheur est-il devenu un goulot d'étranglement ? », The Readiness Project, 8 septembre 2026. thereadinessproject.com/articles/le-chercheur-est-il-devenu-un-goulot-d-etranglement
  3. Clément, « L'IA accélère la découverte scientifique : promesse et vertiges », Sciences et Démocratie, 1 juillet 2026. sciences-et-democratie.net/intelligence-artificielle-33106-ia-accelere-decouverte-scientifique-promesse-vertiges
  4. Meg McNulty, « When Hypotheses Become Cheap - by Meg McNulty », CipherTalk, 7 octobre 2026. ciphertalk.substack.com/p/when-hypotheses-become-cheap
  5. Jean-Claude Heudin, « « L'IA accélère la recherche, mais pas forcément les découvertes » : le paradoxe qui devrait nous faire réfléchir », Futura, 8 novembre 2026. futura-sciences.com/tech/actualites/intelligence-artificielle-ia-accelere-recherche-mais-pas-forcement-decouvertes-paradoxe-devrait-nous-faire-reflechir-139149
  6. Jean-Claude Heudin, Enseignant chercheur, « « L'IA accélère la recherche, mais pas forcément les découvertes » : le paradoxe qui devrait nous faire réfléchir », Yahoo Style France, 8 novembre 2026. fr.style.yahoo.com/lia-acc%C3%A9l%C3%A8re-recherche-forc%C3%A9ment-d%C3%A9couvertes-112120905.html
  7. « L'IA accélère-t-elle la recherche scientifique ? », digital-m.fr, 25 octobre 2026. digital-m.fr/horizon-geo/ia-recherche-scientifique
  8. Gilbert Azoulay, « Comment les travaux de Claude impactent la production du savoir ? », Parlons Politique, 9 octobre 2026. parlons-politique.fr/economie-societe/comment-les-travaux-de-claude-impactent-la-production-du-savoir_29030

À lire aussi

Commentaires

Aucun commentaire pour l'instant.

Écrire un commentaire

Votre commentaire n'est pas publié à l'envoi : il attend votre confirmation, puis une relecture.