Lors du Congrès international des mathématiciens de Philadelphie, le 24 juillet 2026, le lauréat du prix Fields Terence Tao a présenté une conférence inaugurale analysant l’impact structurel de l’intelligence artificielle sur la recherche mathématique. Plutôt que de passer en revue les succès algorithmiques, il y a décrit un changement de paradigme : les mathématiques entrent dans une phase dite industrielle, caractérisée par une production massive de preuves et une redéfinition des rôles humains. Tao souligne que les systèmes d’IA commencent à résoudre des problèmes de recherche authentique à un coût et à une vitesse croissants. Cette tendance a été illustrée en mai 2026 par le projet First Proof, où quatre modèles ont fourni sept réponses jugées recevables par des pairs sur dix exercices inédits. Parallèlement, en juillet 2026, le modèle Claude Fable 5 d’Anthropic a aidé le mathématicien Levent Alpöge à identifier un contre-exemple à la conjecture de Jacob, rapidement vérifié par des outils formels. Si ces avancées confirment la faisabilité technique, elles révèlent aussi une lacune fondamentale : les modèles génèrent des démonstrations correctes mais manquent souvent de profondeur explicative, de contexte et de liens avec la littérature existante. Cette capacité accrue plonge la communauté face à un risque de surabondance. Tao met en garde contre une surconsommation de preuves qui submergerait les processus de relecture et empêcherait l’intégration des nouveaux résultats dans les théories établies. Selon lui, la valeur d’une découverte ne réside pas uniquement dans sa vérification, mais dans sa capacité à être comprise, enseignée et réutilisée. Optimiser strictement le nombre de théorèmes résolus revient à tomber dans le travers de la loi de Goodhart, où l’indicateur quantitatif remplace l’objectif qualitatif de compréhension collective. Pour adapter le milieu académique à cette réalité, Tao propose plusieurs orientations. La divulgation de l’usage des outils d’IA devrait devenir une norme dans les publications. Les systèmes d’évaluation devraient valoriser davantage le travail d’explication, de validation formelle et de synthèse que la priorité de découverte. Les revues scientifiques devront revoir leurs processus pour s’assurer que les manuscrits sont non seulement exacts, mais aussi pédagogiques et contextualisés. En cas d’insuffisance, les résultats ne devraient pas être publiés prématurément. Ces évolutions se reflètent déjà dans les carrières : d’anciens lauréats du prix Fields et chercheurs intègrent désormais des laboratoires comme OpenAI et Anthropic pour travailler sur la sécurité algorithmique ou l’exploration mathématique assistée. À l’avenir, le rôle des mathématiciens consistera moins à générer des démonstrations qu’à concevoir des cadres de vérification, à interpréter les sorties des modèles et à façonner les protocoles de collaboration homme-machine. La transition numérique du domaine dépendra donc moins de la puissance des algorithmes que de la capacité de la communauté à structurer, valider et transmettre un savoir toujours plus volumineux.