L'intelligence artificielle change l'échelle de la recherche mathématique. Cédric Villani alerte sur le risque d'une génération privée du temps nécessaire à la construction du raisonnement. Son diagnostic est juste. La limite qu'il pose ouvre pourtant une autre question : comment protéger l'effort formateur tout en apprenant à maîtriser l'outil qui transforme désormais le métier ?
En bref
L'annonce d'une solution au problème de Navier-Stokes révèle un risque qui dépasse les mathématiques. Lorsque l'IA produit une réponse avant que l'humain ait construit son jugement, la capacité de comprendre, de vérifier et de contredire peut s'éroder. La gouvernance consiste alors à décider quelles étapes restent humaines, quels usages sont autorisés et quelles preuves sont exigées.
J'ai regardé l'entretien de Cédric Villani sur Radio Classique avec un premier mouvement d'irritation.
Pourquoi s'étonner qu'un système informatique puisse dépasser les capacités humaines dans l'exploration d'un problème ? Depuis l'origine de l'informatique, nous construisons des machines pour étendre notre puissance de calcul, de recherche et de combinaison. L'intelligence artificielle porte aujourd'hui cette logique à une échelle nouvelle.
Mais l'alerte de Villani est plus subtile. Elle porte moins sur la performance de la machine que sur ce que cette performance risque de faire disparaître chez ceux qui apprennent.
C'est là que commence le véritable débat.
Pourquoi Navier-Stokes change le débat sur l'IA et les mathématiques
Le 8 septembre 2026, OpenAI a annoncé qu'un système interne avait produit une solution au problème de Navier-Stokes, l'un des sept problèmes du millénaire. L'entreprise indique que ses agents ont exploré le problème pendant 88 heures, avant 17 heures supplémentaires de formalisation et de vérification dans Lean.
Le Clay Mathematics Institute considère que le problème a « apparemment été résolu ». Il maintient un processus d'examen volontairement lent avant toute reconnaissance officielle.
Validité mathématique
Une machine peut produire une preuve formellement vérifiée dans un système comme Lean.
Intelligibilité de la démonstration
La communauté doit encore comprendre ce qui a été découvert, et identifier les méthodes mobilisées.
Attribution des contributions
Relier le résultat aux travaux antérieurs et aux auteurs dont il prolonge la ligne.
Intégration dans le savoir collectif
Rendre le résultat transmissible, enseignable, et utilisable par d'autres.
La réponse arrive plus vite. Le travail de compréhension demeure.
Ce que Cédric Villani redoute vraiment
Dans son entretien, Cédric Villani rappelle que les mathématiques progressent grâce à trois ressources : les idées, les étudiants et les problèmes.
Les problèmes servent à chercher une solution. Ils servent aussi à former ceux qui les affrontent. L'étudiant construit une hypothèse, rencontre une impasse, reformule sa question, apprend à douter et développe progressivement son jugement.
Selon Villani, un outil capable de livrer immédiatement la solution risque d'assécher cette matière première. L'étudiant obtient le résultat avant que la recherche ait produit sa transformation intellectuelle.
La déclaration publiée le 11 septembre par 25 médaillés Fields étend cette inquiétude à l'ensemble du travail intellectuel. Elle rappelle que la résolution d'un problème constitue un moyen au service d'un objectif plus profond : comprendre, transmettre et faire émerger de nouvelles idées.
Cette alerte doit être prise au sérieux. Une société capable de produire toujours plus de réponses peut simultanément perdre les compétences nécessaires pour les juger.
« Le chemin est souvent encore plus important que le résultat lui-même. »
Cédric Villani, Radio Classique, 15 septembre 2026
Interdire l'IA pendant une thèse protège-t-il l'apprentissage ?
Pour protéger la formation de son doctorant, Cédric Villani lui a demandé d'écarter les outils génératifs pendant toute la durée de sa thèse.
Ce choix possède les caractéristiques initiales d'une décision de gouvernance. Il identifie un risque, fixe une limite, précise une durée et poursuit un objectif : préserver le travail intellectuel qui forme le chercheur.
Cette cohérence mérite d'être reconnue. Elle ne clôt pourtant pas l'arbitrage.
Une interdiction couvrant toute une thèse et tous les outils génératifs reste une règle très large. Elle traite de la même manière la recherche documentaire, l'exploration d'hypothèses, la confrontation d'un raisonnement, la formalisation d'une preuve, la vérification et la rédaction.
Or ces usages ne produisent ni les mêmes bénéfices, ni les mêmes risques pour l'apprentissage.
La question devient plus précise : quelles étapes doivent rester entièrement humaines pour construire le jugement du chercheur ? À quel moment l'IA peut-elle devenir un contradicteur, un outil d'exploration ou un instrument de vérification ? Quelles preuves permettront de s'assurer que l'étudiant comprend réellement ce que la machine a contribué à produire ?
Protéger la formation reste indispensable. Former les chercheurs à travailler dans leur futur environnement scientifique l'est tout autant.
Cette tension rejoint une décision que les établissements d'enseignement supérieur instruisent déjà : choisir leur IA tout en préservant l'autonomie intellectuelle et technique de leurs étudiants.
L'intelligence artificielle déplace-t-elle l'effort intellectuel ?
L'expression « no pain, no gain » décrit une réalité : une capacité intellectuelle se construit par l'effort. Elle devient trompeuse lorsque la difficulté elle-même devient l'objectif.
Toute lenteur ne forme pas. Toute assistance n'appauvrit pas.
L'IA peut court-circuiter l'apprentissage lorsqu'elle livre une réponse à la place de l'étudiant. Elle peut aussi lui permettre de rencontrer plus tôt des problèmes plus complexes, de confronter plusieurs méthodes, de chercher les failles d'une démonstration ou de développer une nouvelle question à partir d'un résultat établi.
La difficulté du travail se déplace alors. Elle réside davantage dans la formulation du problème, la qualité des hypothèses, la capacité de contradiction, l'évaluation des résultats et la création de nouveaux territoires de recherche.
Le nouveau monde intellectuel se caractérise par une abondance croissante de réponses. La valeur se déplace vers la qualité des questions et la solidité du jugement.
Ce déplacement prolonge un enjeu déjà visible dans les instances dirigeantes : l'IA entre désormais sur le terrain même où se forme le jugement.
Ce que l'affaire Navier-Stokes révèle aux entreprises
Une organisation peut obtenir en quelques secondes une synthèse, une recommandation, une analyse contractuelle, un diagnostic ou une proposition de décision.
Cette accélération crée un gain immédiat. Elle peut aussi produire une dette de capacité.
Lorsque les collaborateurs juniors accèdent directement au résultat, qui apprend encore à construire le raisonnement ? Lorsque la production devient automatisée, qui conserve la compétence nécessaire pour détecter une erreur ? Lorsque l'outil devient meilleur, qui saura encore lui opposer une objection fondée ?
À dix ans, le risque le plus important pourrait résider moins dans le remplacement des experts que dans l'absence de leur relève.
Chaque automatisation engage ainsi une capacité que l'organisation choisit de préserver, de transformer ou de laisser disparaître. Automatiser, c'est choisir ce que l'on accepte d'oublier.
L'entreprise doit donc décider quels apprentissages elle veut protéger, quelles tâches elle accepte de déléguer et quelles capacités de vérification elle entend maintenir. Elle doit organiser des temps de raisonnement autonome, des usages assistés, des contrôles indépendants et une reprise humaine des décisions engageantes.
Elle doit aussi conserver un pouvoir d'arrêt.
La trajectoire mondiale de l'intelligence artificielle échappe largement à une organisation isolée. Chaque organisation garde pourtant la maîtrise de ses usages, de son rythme d'intégration, de ses exigences de preuve et de ses limites de délégation.
Cette frontière constitue le prolongement concret de la doctrine Décider avant de déléguer. Un usage de l'IA devient gouverné lorsque son objectif, son périmètre, ses contrôles, sa durée et son pouvoir d'action ont été décidés avant son exécution.
Gouverner le passage vers le nouveau monde
Le débat oppose moins les partisans de l'intelligence artificielle à ceux qui voudraient préserver le passé que deux manières d'entrer dans le nouveau monde.
La première protège les capacités humaines par une mise à distance générale de l'outil. La seconde organise une délégation graduée selon les capacités à construire, les risques encourus et les preuves attendues.
Cédric Villani pose la bonne question : que perdons-nous lorsque la réponse arrive avant l'apprentissage ?
La réponse exige davantage qu'un principe général d'autorisation ou d'interdiction. Elle exige de décider où l'effort humain reste irremplaçable, où l'outil peut l'élever et qui possède l'autorité pour tracer cette frontière.
L'intelligence artificielle continuera d'évoluer. La décision sur ce que nous choisissons de lui déléguer nous appartient encore.
Décider avant d'intégrer.
Christophe Picou est le fondateur de VEIA.AI, cabinet de conseil indépendant en gouvernance de l'intelligence artificielle pour comités de direction et conseils d'administration, en France et en Suisse romande. Doctrine : décider avant d'intégrer. Pour situer votre organisation, le diagnostic de gouvernance IA donne une première lecture en quelques minutes.