1. Une technologie puissante, aux capacités inégales
L’intelligence artificielle regroupe des méthodes permettant à des machines de reconnaître des régularités, de prévoir, de générer du contenu ou de choisir des actions. Les modèles génératifs produisent du texte, des images, du son ou du code. Les grands modèles de langage sont une partie de cet ensemble.
Les assistants
Ils expliquent, rédigent, traduisent, programment et analysent des documents. La qualité dépend de la tâche, du modèle et du contexte fourni.
Les systèmes multimodaux
Ils combinent plusieurs types d’information : texte, image, voix, parfois vidéo. Lire un graphique suppose aussi d’interpréter ses axes et ses unités.
Les agents
Ils enchaînent des étapes avec des outils : chercher, exécuter du code, modifier un fichier, contrôler un résultat. Leurs erreurs peuvent se propager entre étapes.
Cette page présente un panorama sélectif, sans classement universel. Les annonces de laboratoires sont signalées comme telles ; les perspectives sont des scénarios argumentés.
2. Les acteurs : plusieurs étages, plusieurs stratégies
Une application visible à l’écran repose sur un modèle, une infrastructure de calcul et souvent des services externes. Une entreprise peut intervenir à plusieurs étages.
| Étage | Acteurs représentatifs | Rôle et enjeu |
|---|---|---|
| Modèles et assistants | OpenAI : ChatGPT / familles GPT Google DeepMind : Gemini Anthropic : Claude | Modèles généralistes, raisonnement, programmation et outils. Le produit grand public et le système de recherche ne sont pas toujours identiques. [1–4] |
| Modèles à poids accessibles | Mistral AI ; DeepSeek ; écosystèmes de modèles ouverts | Possibilité de déploiement et d’adaptation selon la licence. « Poids ouverts » ne signifie pas que données, code et entraînement sont intégralement publics. [5–6] |
| Calcul et hébergement | NVIDIA ; concepteurs de puces ; fournisseurs de centres de données et de cloud | Accélérateurs, mémoire, réseaux, électricité et capacités d’hébergement rendent l’entraînement et l’usage possibles. |
| Intégration et diffusion | Éditeurs de logiciels, moteurs de recherche, entreprises et développeurs | Ils relient les modèles aux documents et aux métiers. Une application peut utiliser plusieurs modèles. |
| Recherche et validation | Universités, laboratoires, communautés mathématiques, développeurs de Lean | Ils étudient les limites, évaluent les résultats et construisent des outils de preuve vérifiable. |
La concurrence porte sur la qualité, mais aussi sur le coût, la rapidité, la confidentialité, la langue et le contrôle du déploiement. Aucun score unique ne résume ces critères.
3. Comment passe-t-on d’une question à une réponse ?
Le modèle apprend des régularités pendant son entraînement. Lors de l’utilisation, il produit une réponse à partir de votre question et du contexte. Certains systèmes consacrent davantage de calcul à explorer ou comparer plusieurs pistes.
Comprendre la demande
Construire une piste
Calculer ou rechercher
Tester puis répondre
Lancez l’animation ou avancez étape par étape. C’est un schéma pédagogique ; tous les assistants n’effectuent pas systématiquement ces opérations.
4. Les mathématiques : des progrès spectaculaires, à interpréter
IMO 2024
AlphaProof et AlphaGeometry 2 atteignent un score de niveau médaille d’argent. Ce dispositif spécialisé s’appuyait sur des méthodes formelles. [2]
IMO 2025
Une version avancée de Gemini Deep Think résout cinq problèmes sur six : niveau médaille d’or, avec évaluation certifiée par les coordinateurs de l’IMO selon Google DeepMind. [2]
Ces résultats concernent des systèmes et protocoles précis. Ils ne constituent pas des médailles d’élèves et ne mesurent pas les performances de tous les assistants. La comparaison 2024–2025 illustre des jalons, pas une expérience contrôlée à protocole identique.
En 2026, la recherche devient un terrain d’application
Google DeepMind décrit Aletheia, un agent qui propose, vérifie et révise des solutions pour des problèmes de recherche. L’annonce de février 2026 rapporte plusieurs contributions, avec des degrés d’intervention humaine différents ; elle ne revendique alors ni avancée majeure ni percée historique dans sa propre classification. [3]
En octobre 2026, OpenAI publie des résultats mathématiques d’un modèle interne, accompagnés de formalisations de nombreuses preuves en Lean et d’informations sur les tentatives et le calcul employé. La publication de ces travaux doit être distinguée de leur validation complète par la communauté. [4]
| Type de tâche | Apport possible | Contrôle utile |
|---|---|---|
| Collège et lycée | Expliquer, proposer des exercices, montrer plusieurs méthodes | Vérifier calculs, hypothèses et adéquation au niveau de l’élève |
| Calcul numérique ou algébrique | Écrire un programme, employer un outil de calcul formel | Comparer avec une valeur connue, contrôler unités et précision |
| Olympiades | Explorer une preuve inventive sur un problème fermé | Faire corriger chaque étape selon le protocole du concours |
| Recherche | Chercher un contre-exemple, une conjecture, une preuve ou un lien bibliographique | Évaluer nouveauté, portée, bibliographie et validité avec des spécialistes |
| Preuve formelle | Traduire une démonstration dans un langage tel que Lean | Contrôler l’énoncé formalisé et les hypothèses ; le noyau vérifie les étapes formelles |
Pourquoi un score élevé peut-il tromper ?
Il faut connaître le jeu de questions, leur éventuelle présence dans les données d’entraînement, le nombre d’essais, le budget de calcul, les outils autorisés et le mode de correction. Une réponse numérique juste peut cacher un raisonnement faux ; un long raisonnement peut contenir une seule étape fatale.
Lean garantit-il toute la vérité d’un résultat ?
Le vérificateur contrôle une preuve relativement à l’énoncé formalisé et aux axiomes utilisés. Il reste à s’assurer que cet énoncé correspond bien à la question originale. Vérifier une preuve et découvrir une preuve sont deux opérations différentes.
5. Atelier : l’apparence d’une preuve ne suffit pas
Étudions l’affirmation : « Pour tous les réels a et b, √(a² + b²) = a + b. »
Une seconde expérience : tester n’est pas démontrer
Le polynôme n² + n + 41 donne un nombre premier pour tous les entiers n de 0 à 39. Peut-on en déduire qu’il en donne toujours ?
Déplacez le curseur jusqu’à 40. Une expérimentation aide à découvrir ; une preuve doit couvrir tous les cas de l’énoncé. Les calculs de cet atelier sont exécutés localement, sans appel à une IA.
6. Évolution prévisible : des directions, pas un calendrier certain
Les scénarios ci-dessous sont une analyse prospective à partir des capacités observées. Ils ne sont ni des annonces de produits ni des probabilités mesurées.
Les tendances les plus plausibles
Des outils intégrés
Le calcul, la recherche documentaire et la vérification pourraient devenir plus systématiques. L’enjeu est d’orchestrer ces outils et de repérer les échecs.
Des modèles adaptés
Petits modèles locaux et grands modèles distants pourraient coexister. Le choix dépendra du coût, des données et de la difficulté du travail.
Une collaboration scientifique
Des équipes pourraient déléguer davantage de calculs, de recherches de preuves et de vérifications, tout en évaluant la portée des résultats.
Que surveiller pour juger les progrès ?
- Des réussites reproduites sur des problèmes nouveaux, avec le nombre d’échecs publié.
- Le coût et le temps nécessaires pour obtenir un résultat vérifié.
- La capacité à reconnaître une incertitude et à se corriger.
- La validation indépendante et l’utilité réelle au-delà des tests.
7. Bien utiliser l’IA pour apprendre les mathématiques
- Donner le contexte : niveau, énoncé exact, notations et méthode déjà tentée.
- Demander un indice avant la solution complète.
- Exiger les hypothèses : domaine de définition, cas limites, divisions et changements de signe.
- Faire contrôler autrement : exemple numérique, autre démonstration, calcul formel ou preuve vérifiée.
- Reformuler soi-même : expliquer pourquoi chaque étape est justifiée.
8. Sources et limites de ce panorama
Sources consultées le 29 octobre 2026. Les pages des éditeurs décrivent leurs propres systèmes ; elles ne constituent pas un comparatif indépendant. Les modèles et leur disponibilité évoluent rapidement.
- Anthropic — notes de version : évolution de Claude et des fonctions d’agent.
- Google DeepMind — résultat IMO 2025, 21 juillet 2025 : score, correction et rappel du résultat 2024.
- Google DeepMind — recherche mathématique avec Deep Think, 11 février 2026 : Aletheia et contributions rapportées.
- OpenAI — Sharing AI progress in mathematics, 6 octobre 2026, mise à jour le 15 octobre : travaux publiés et formalisations Lean.
- Mistral AI — documentation des modèles : modèles ouverts et commerciaux.
- DeepSeek — Transparency Center : modèles et rapports techniques.
Les animations illustrent les concepts ; elles ne simulent pas le fonctionnement interne d’un modèle. Aucun palmarès chiffré des modèles actuels n’est déduit de ces sources. Ce panorama porte surtout sur l’IA générative et le raisonnement ; la robotique, la médecine et les autres branches de l’IA ne sont pas traitées en détail.