convaincante.
Vous la lisez. Vous la copiez peut-être. Puis vous passez à autre chose. Mais l’avez-vous comprise ?
C’est la question que posent, à leur manière, des mathématiciens inquiets de voir l’intelligence artificielle résoudre des problèmes longtemps considérés comme hors de portée.
Leur inquiétude ne concerne pas seulement les mathématiques. Elle concerne l’école, le travail, la recherche et notre manière d’apprendre.
Quand les machines bousculent les mathématiciens
Des IA ont récemment produit des solutions à des problèmes mathématiques réputés très difficiles. OpenAI a notamment publié des solutions à plus de 370 défis mathématiques non résolus, provoquant une vive controverse chez de nombreux mathématiciens.
Le problème n’était pas seulement l’ampleur du résultat, mais sa vitesse : des solutions ont été publiées avant que la communauté mathématique ait pu les examiner, les discuter et les faire siennes.
Certains chercheurs ont même appelé à cesser toute collaboration avec l’entreprise, estimant que les règles habituelles de la recherche scientifique étaient bousculées.
Sur les réseaux, la réaction a souvent été caricaturale.
D’un côté : « Les savants sont jaloux, ils veulent empêcher le progrès. »
De l’autre : « Les IA ne devraient pas résoudre tous les problèmes de la Terre. »
Pourtant, le fond du débat est beaucoup plus intéressant.
Ce que les savants reprochent vraiment
Les mathématiciens critiques ne disent pas que les IA n’ont pas le droit de travailler sur des problèmes difficiles. Beaucoup reconnaissent même leur potentiel : explorer des pistes, vérifier des calculs, formaliser des raisonnements ou aider à démontrer des résultats.
Leur inquiétude porte ailleurs : sur la manière dont certains résultats sont produits, publiés et reçus.
Une démonstration mathématique n’est pas qu’un ticket donnant accès à un résultat. C’est une carte du territoire. Elle montre par quels chemins on est passé, quels outils ont été mobilisés, quelles idées se rencontrent et comment le résultat pourrait être prolongé.
Certains résultats produits par IA peuvent être vérifiés par des systèmes de preuve formelle, comme Lean. Mais une vérification logicielle ne remplace pas la compréhension humaine. Elle peut établir qu’une étape logique tient, sans nécessairement expliquer pourquoi cette stratégie est féconde ni comment la réutiliser ailleurs.
Des mathématiciens de premier plan, dont vingt-cinq médaillés Fields, ont précisément alerté sur ce point :
Résoudre des problèmes n’est qu’un moyen.
La finalité des mathématiques reste la compréhension conceptuelle, la réflexion et la transmission.
Trouver, comprendre, apprendre : trois choses différentes
Ici se trouve le cœur du sujet.
Nous confondons souvent trois choses qui n’ont rien d’équivalent.
- Trouver une réponse, c’est arriver à un
résultat.
- Comprendre une solution, c’est pouvoir
expliquer pourquoi elle fonctionne.
- Apprendre, c’est devenir capable de reconnaître, d’adapter ou de reconstruire une démarche dans une situation nouvelle.
Une IA peut très bien fournir la première sans nous aider à obtenir les deux autres.
Prenons une image simple. Un GPS peut nous mener à une adresse. Mais si nous suivons la voix synthétique sans jamais regarder la route, nous n’apprenons rien de la ville, ni même du chemin qui y mène. Nous arrivons, certes. Mais nous restons dépendants de l’outil.
Avec l’IA, c’est pareil.
Le devoir parfait qui n’apprend rien
Un élève peut rendre, grâce à l’IA, un devoir impeccable sans savoir refaire l’exercice seul. La note mesure peut-être une production. Elle ne mesure pas forcément un apprentissage.
- L’élève a-t-il acquis la notion ?
- Saurait-il expliquer son
raisonnement ?
- Pourrait-il le refaire dans un autre contexte ?
Si la réponse est non, alors quelque chose d’important a été perdu. Non pas parce que l’IA a été utilisée, mais parce qu’elle a été utilisée comme un raccourci plutôt que comme un outil de compréhension.
Le rapport convaincant qui ne repose sur rien
Le même mécanisme existe au travail.
Un salarié peut produire un rapport convaincant, une présentation soignée, une analyse détaillée ou un code qui fonctionne. Mais s’il ne comprend pas les choix effectués, il ne pourra ni détecter une erreur, ni répondre à une objection, ni adapter le résultat lorsque la situation changera.
Il aura produit quelque chose. Il n’aura pas nécessairement progressé.
C’est là que l’usage de l’IA peut devenir dangereux : non parce qu’elle remplace notre intelligence, mais parce qu’elle nous habitue à ne plus l’exercer.
Quand la recherche produit plus vite qu’elle ne comprend
Dans la recherche, le risque est d’un autre ordre.
Si les réponses arrivent plus vite que la capacité des humains à les examiner, à les relier aux travaux antérieurs et à les transmettre, la science risque de produire des résultats sans véritable culture commune.
Une découverte n’a pleinement de valeur que lorsqu’elle peut être expliquée, discutée, critiquée et transmise. Sinon, elle reste un résultat isolé : exact, peut-être, mais sans descendance.
Ce n’est pas seulement une question de vitesse. C’est une question de transmission.
L’illusion de comprendre
Une réponse claire, fluide et bien formulée peut donner l’impression que nous avons compris.
Pourtant, la forme d’une explication ne garantit pas la compréhension.
L’IA peut nous faire croire que le savoir tombe tout fait. Or il se construit : par l’effort, l’erreur, la reformulation et la mise à l’épreuve.
Comme le rappelait Gaston Bachelard qui a beaucoup aidé à faire progresser notre pensée avec, entre autres, l'indispensable débat contradictoire : « Rien n’est donné, rien ne va de soi, tout est construit. » (Lire : "IA et Gaston Bachelard : la méthode pour penser "contre la machine")
C’est précisément ce travail lent et parfois frustrant que l’IA peut nous faire croire pouvoir éviter.
Une société de réponses abondantes et de compréhension rare
Le problème dépasse largement les mathématiques.
Face à une information, une recommandation médicale, financière ou politique générée par une IA, la compétence essentielle n’est plus seulement de recevoir une réponse. C’est de savoir poser les bonnes questions, identifier les limites et ne pas confondre assurance du ton et fiabilité du raisonnement.
L’IA pourrait donc contribuer à créer une société de réponses abondantes et de compréhension rare.
La bonne question n’est pas "donne-moi la réponse"
Il serait faux, et injuste, d’en conclure que l’IA est nuisible par nature.
Bien utilisée, elle peut être un remarquable outil d’apprentissage. Elle peut expliquer une notion autrement, générer des exercices progressifs, proposer plusieurs raisonnements, aider à identifier une erreur ou traduire un concept difficile en langage simple.
Tout se joue dans la question que nous posons à la machine.
« Donne-moi la réponse » et « explique-moi pourquoi » ne produisent pas le même apprentissage.
Deux façons d’utiliser l’IA
Il existe une utilisation qui développe l’intelligence, et une autre qui l’appauvrit.
Demander une explication, puis essayer de la reformuler, développe la compréhension. Demander seulement la réponse finale, puis la copier, ne développe rien.
- Comparer plusieurs raisonnements apprend à
reconnaître les stratégies. Accepter la première réponse fluide
apprend surtout à se soumettre à la machine.
- Faire expliquer une erreur transforme l’échec
en leçon. Faire disparaître l’erreur sans la comprendre la laisse
intacte, prête à revenir.
- Utiliser l’IA comme tuteur permet d’apprendre
à son rythme. L’utiliser comme substitut de réflexion produit une
dépendance.
- Vérifier, tester, reformuler construit une compétence réelle. Déléguer sans contrôle produit une apparence de compétence.
La méthode des trois temps pour apprendre avec l’IA
Comment utiliser l’IA sans se priver de ce qui fait apprendre ?
Une méthode simple suffit : produire, questionner, reprendre.
1°) Produire d’abord
Essayer seul, même imparfaitement. Formuler le problème, tenter une piste, écrire ce que l’on comprend et ce qui bloque.
C’est ce premier effort qui donne du sens à l’aide que l’IA pourra apporter.
2°) Questionner ensuite
Ne pas demander seulement une solution. Demander le raisonnement, les alternatives possibles, les erreurs fréquentes, les limites de la réponse.
Une bonne question à l’IA n’est pas : « Quelle est la
réponse ? »
C’est : « Pourquoi cette réponse
fonctionne-t-elle, et quelles autres pistes existent ? »
3°) Reprendre la main
Reformuler la solution avec ses propres mots, refaire un exemple, expliquer la démarche à quelqu’un d’autre ou la tester dans un cas différent.
C’est à ce moment-là que la réponse devient connaissance.
La réponse n’est pas le savoir
Les mathématiciens qui s’inquiètent ne défendent pas un privilège corporatiste. Ils défendent quelque chose qui nous concerne tous : le droit de comprendre ce que nous utilisons, décidons et transmettons.
Leur message peut se résumer ainsi : un résultat n’a de valeur durable que s’il peut devenir compréhension, méthode et transmission.
La vraie question n’est donc pas : « L’IA va-t-elle résoudre tous les problèmes ? »
Elle est plutôt : "Allons-nous accepter de vivre dans un monde où les problèmes sont résolus sans que personne ne comprenne plus comment ?"
Les IA peuvent nous aider à travailler et à apprendre. Encore faut-il ne pas les utiliser, par facilité ou goût du succès immédiat, pour fabriquer des succès factices et fragiles.
La prochaine fois que vous demandez une réponse à une IA, essayez ceci : avant de l’utiliser, demandez-lui de vous expliquer son raisonnement. Puis expliquez-le à votre tour, avec vos mots.
C’est là que commence l’apprentissage.
Parce qu’une réponse que nous ne pouvons pas expliquer n’est pas encore un savoir.
Post-scriptum : L’IA, les géants du numérique et la loi du plus fort
Il faut ajouter à cette réflexion une dimension plus brutale : celle des rapports de force.
La publication massive, en octobre 2026, de plus de 700 manuscrits mathématiques générés avec l’aide de l’IA n’a pas seulement bousculé des habitudes de recherche. Elle a eu des conséquences concrètes sur des carrières et des programmes scientifiques.
Plusieurs mathématiciens ont rapporté que des projets de recherche entiers, parfois portés par de jeunes chercheurs, doctorants ou postdoctorants, avaient été « anéantis » en quelques jours : des résultats sur lesquels ils travaillaient depuis longtemps se retrouvaient publiés simultanément, sans qu’ils aient pu contribuer, discuter ou être reconnus. ("OpenAI vient de soumettre les mathématiques à un véritable tapis de bombes". The Atlantic)
Des collègues ont également évoqué des demandes de financement rendues caduques : lorsque l’objet d’une bourse ou d’un projet devient soudainement « résolu » par une IA, le travail collectif qui devait le mener à bien perd une partie de son sens, avant même que la communauté ait pu vérifier et assimiler les résultats. (theverge)
Le paradoxe est frappant. OpenAI avait annoncé, après les premières critiques, la création d’un groupe consultatif indépendant, l’AGMAI, chargé de faire le lien avec la communauté mathématique, d’accompagner l’évaluation des résultats et de proposer des normes de diffusion. Mais ce groupe n’a pas le pouvoir de fixer le rythme des travaux internes de l’entreprise.
Autrement dit : le dialogue existe, mais la décision reste ailleurs.
L’Association for Human Mathematics a dénoncé une publication qui, selon elle, méprisait les normes de la recherche scientifique, et a appelé les mathématiciens à cesser de collaborer avec OpenAI.
Sentant les dégâts produits à son image, quelques jours plus tard, l’entreprise a annoncé un financement de 5 millions de dollars en faveur de la Simons Foundation, dans le cadre d’une initiative de 15 millions de dollars destinée à aider les chercheurs à analyser et comprendre les résultats produits par IA. ("OpenAI promet 5 millions de dollars à une fondation maths après polémique" euronews)
On peut y voir une forme de réparation. On peut aussi y voir la logique d’un rapport de domination : produire d’abord un choc massif, puis financer ensuite les moyens de le digérer sous la forme et dans la dépendance imposées.
Car le vrai danger n’est peut-être pas que l’IA progresse. Il est qu’elle progresse selon le rythme, les intérêts et les stratégies commerciales de quelques mégaentreprises, sans que les communautés scientifiques puissent décider du tempo, des priorités ou des règles du jeu.
Une IA peut résoudre des problèmes. Encore faut-il demander : au service de qui, à quel rythme, et au prix de quels dégâts ?
Un rendez-vous le 18 novembre
Le mercredi 18 novembre, j'animerai une conférence en ligne organisée par l'association Philotechnique : « Passez des IA répondeuses aux IA questionneuses ! »
Et si nous pouvions utiliser les IA autrement que pour obtenir des réponses, en leur donnant un rôle différent dans notre réflexion ?
Je vous en reparlerai prochainement.
Découvrir la visioconférence du 18 novembre
Quand une réponse ne suffit pas
Quand vous posez une question à une IA, obtenez-vous simplement une réponse ou êtes-vous réellement aidé à réfléchir ?
C'est l'une des questions que nous examinerons lors de ma conférence en ligne « Passez des IA répondeuses aux IA questionneuses ! », organisée par l'association Philotechnique le mercredi 18 novembre, de 18 h 30 à 20 h.
Les inscriptions ouvrent le lundi 2 novembre.
