OpenAI réfute la conjecture d'Erdős sur les distances unitaires : ce que cette percée change pour l'IA en entreprise

Ce qu'il faut retenir

• Le 20 mai 2026, OpenAI a annoncé qu'un de ses modèles de raisonnement avait réfuté la conjecture d'Erdős sur le problème des distances unitaires planaires, posée en 1946 et restée ouverte pendant 80 ans.
• Le modèle n'est pas spécialisé en mathématiques : c'est un système de raisonnement généraliste, sans scaffolding dédié au problème, qui a produit la construction et la preuve.
• La méthode utilise des outils inattendus de théorie algébrique des nombres (tours de corps de classes, théorème de Golod–Shafarevich), là où on attendait de la géométrie combinatoire.
• Le résultat a été vérifié indépendamment par neuf mathématiciens dont Tim Gowers (médaille Fields), Noga Alon et Thomas Bloom — qui ont jugé la preuve digne d'être publiée dans Annals of Mathematics.
• Pour les entreprises, l'intérêt n'est pas mathématique : c'est la démonstration que le raisonnement long et autonome sur des arguments multi-pages devient réellement opérationnel, avec des applications possibles en R&D, ingénierie, biologie computationnelle.

Que s'est-il passé le 20 mai 2026 ?

OpenAI a publié un billet de blog annonçant qu'un nouveau modèle de raisonnement, encore interne, avait produit une preuve qui réfute la conjecture d'Erdős sur les distances unitaires. Cette conjecture, formulée par le mathématicien hongrois Paul Erdős en 1946, est l'un des problèmes ouverts les plus célèbres de la géométrie combinatoire. Erdős avait offert un prix de 500 dollars pour sa résolution.

Le résultat est doublement notable. D'abord parce qu'il s'agit d'une vraie percée mathématique : la preuve a été examinée et validée par neuf mathématiciens reconnus, dont Tim Gowers, médaille Fields, qui a déclaré qu'il l'aurait recommandée à la publication dans Annals of Mathematics sans hésitation. Ensuite parce qu'elle vient clore l'épisode embarrassant d'octobre 2025, où un dirigeant d'OpenAI avait prétendu à tort que GPT-5 avait "résolu" dix problèmes d'Erdős — alors qu'il s'agissait simplement de retrouver des résultats déjà publiés. Yann LeCun et Demis Hassabis avaient à l'époque vivement critiqué la communication. Cette fois, le résultat est inédit et vérifié.

Le problème des distances unitaires d'Erdős, c'est quoi exactement ?

Une question simple à énoncer, redoutable à résoudre

Le problème des distances unitaires planaires se formule ainsi : si vous placez n points dans un plan, combien de paires de points peuvent être exactement à distance 1 les unes des autres ?

L'image en tête d'article illustre le concept : chaque sommet est un point, chaque trait relie deux points séparés d'exactement une unité. Plus on multiplie les points, plus on peut créer de paires à distance unitaire — mais jusqu'à quel maximum ?

La conjecture d'Erdős et ce qu'on savait déjà

Erdős avait conjecturé en 1946 que ce nombre maximal g(n) croît presque linéairement : g(n) = O(n^(1+o(1))), c'est-à-dire à peine plus vite que n.

À l'appui de cette intuition, il avait construit un exemple basé sur une grille carrée atteignant n^(1 + C/log log n) paires unitaires — une croissance extrêmement lente, presque linéaire en pratique. Depuis 80 ans, cette construction restait la meilleure connue par le bas. Côté borne supérieure, le résultat de Spencer, Szemerédi et Trotter (1984) établissait que g(n) ≤ O(n^(4/3)), et cette borne supérieure n'a jamais été améliorée depuis.

Le mystère : où se situe la vérité, près de n (comme le pensait Erdős) ou plus près de n^(4/3) ?

Ce que le modèle d'OpenAI a démontré

Le modèle a construit un contre-exemple prouvant que g(n) croît au moins comme n^(1+δ) pour une constante δ > 0 fixe. Cela peut sembler subtil, mais la différence est fondamentale : 1 + o(1) signifie "tend vers 1 quand n grandit", tandis que 1 + δ signifie "reste strictement supérieur à 1, peu importe la taille de n". La conjecture d'Erdős est donc fausse.

Quelques jours après l'annonce, Will Sawin (Princeton) a publié un papier compagnon améliorant la borne à δ = 0,014. La vraie valeur reste inconnue et se situe quelque part entre 1,014 et 4/3 ≈ 1,333 — un large champ de recherche désormais ouvert.

Borne inférieure              Vérité ?              Borne supérieure
    n^1,014                 ?─────────?                  n^(4/3)
   (Sawin, 2026)                                    (Spencer-Szemerédi
                                                     -Trotter, 1984)
   ───────────────────────────────────────────────────────────────▶
                       Avant 2026 : on croyait ≈ n
                       Depuis 2026 : on sait que c'est > n^(1+δ)

Pourquoi cette percée est différente de l'épisode GPT-5 d'octobre 2025

Sept mois plus tôt, Kevin Weil, alors vice-président d'OpenAI, avait communiqué que GPT-5 avait "résolu dix problèmes d'Erdős". L'enthousiasme avait rapidement tourné court : les mathématiciens avaient constaté que le modèle avait simplement retrouvé des solutions déjà publiées dans la littérature, sans produire la moindre nouveauté. Yann LeCun (Meta) avait parlé d'"AI slop", Demis Hassabis (Google DeepMind) avait également critiqué. OpenAI avait dû reformuler ses claims.

L'annonce du 20 mai 2026 est d'une nature radicalement différente, pour quatre raisons.

Premièrement, le résultat est nouveau : il n'existe nulle part dans la littérature mathématique avant la preuve du modèle. Personne n'avait jamais réfuté la conjecture.

Deuxièmement, la preuve a été vérifiée par neuf mathématiciens externes : Tim Gowers (Cambridge, médaille Fields), Noga Alon (Princeton), Arul Shankar, Jacob Tsimerman, Thomas Bloom (qui maintient erdosproblems.com), Melanie Wood et trois autres. Les commentaires sont publics et explicites.

Troisièmement, le modèle utilisé est généraliste. Il ne s'agit pas d'un système spécialisé en mathématiques, ni d'un agent scaffolded spécifiquement pour ce problème. C'est un modèle de raisonnement testé sur une collection de problèmes d'Erdős, parmi lesquels celui-ci a émergé comme percée.

Quatrièmement, la méthode est inattendue et créative. C'est probablement le point le plus significatif.

Théorie algébrique des nombres appliquée à la géométrie : la vraie surprise

La géométrie combinatoire — domaine dont relève le problème des distances unitaires — utilise traditionnellement des outils de combinatoire, d'algèbre linéaire et d'analyse réelle. On s'attendait, si percée il devait y avoir, à ce qu'elle vienne de cette boîte à outils.

Or le modèle a mobilisé deux concepts beaucoup plus exotiques :

• Les tours de corps de classes (class field towers), un objet central de la théorie algébrique des nombres qui étudie les extensions de corps de nombres.
• Le théorème de Golod–Shafarevich (1964), un résultat profond qui garantit, sous certaines conditions, l'existence de tours de corps de classes infinies.

Le modèle a construit une configuration géométrique de points dans le plan en s'appuyant sur les propriétés arithmétiques de ces tours. La connexion est non triviale et n'avait pas été identifiée avant. Arul Shankar, un des vérificateurs, a déclaré : "Les modèles d'IA dépassent désormais le simple rôle d'assistant des mathématiciens humains — ils sont capables d'idées originales et ingénieuses."

C'est précisément cette transversalité créative entre sous-domaines qui distingue cette percée d'une simple recherche dans la littérature. Le modèle a "vu" un pont entre deux disciplines que peu d'humains auraient pensé à relier.

Quel impact concret pour les entreprises ?

À court terme, aucun sur les opérations directes : aucune PME industrielle ne va déployer demain un modèle qui réfute des conjectures de Paul Erdős. Le modèle utilisé n'est pas publié, n'est pas accessible via API, et son coût d'inférence n'est pas connu publiquement.

Mais à moyen terme, ce résultat a trois implications pratiques pour les entreprises qui investissent dans l'IA.

1. Le raisonnement long devient opérationnel

La preuve produite occupe plusieurs pages d'arguments mathématiques cohérents et corrects. C'est l'équivalent, en complexité de raisonnement, d'un audit technique approfondi, d'une analyse de défaillance produit, ou d'une étude de design industriel. Si un modèle peut tenir une chaîne de raisonnement cohérente sur cette longueur dans un domaine aussi exigeant que les mathématiques, il peut probablement le faire — avec un scaffolding adapté — sur des problèmes industriels structurés : analyse de modes de défaillance, optimisation de processus, design d'expériences.

C'est l'évolution qui distingue les agents IA récents des chatbots classiques : la capacité à raisonner longtemps avant de répondre, et à vérifier son propre travail.

2. La créativité algorithmique change de nature

Le fait qu'un modèle ait identifié un pont entre théorie des nombres et géométrie combinatoire ouvre une question : où d'autres ponts existent-ils dans les domaines industriels ? En R&D matériaux, en chimie computationnelle, en optimisation logistique, en cryptographie post-quantique, des problèmes ouverts attendent souvent qu'on les regarde depuis un sous-domaine inattendu.

Les entreprises qui financent de la R&D — y compris les PME industrielles avec un service BE ou méthodes — pourraient bénéficier de modèles de raisonnement pour explorer ces transversalités. Pas pour remplacer les ingénieurs, mais pour leur suggérer des connexions qu'ils n'auraient pas vues seuls.

3. La vérifiabilité reste l'enjeu central

Ce résultat n'aurait aucune crédibilité sans les neuf mathématiciens qui ont vérifié la preuve. C'est un rappel essentiel : la valeur des sorties d'un modèle de raisonnement dépend de la capacité à les vérifier. Dans une entreprise, cela suppose de garder des humains compétents capables d'évaluer ce que produit l'IA — pas l'inverse. Un projet IA sans expert métier en boucle de validation est un projet à risque.

C'est précisément l'approche que nous portons dans nos missions : définir une stratégie IA qui garde l'expertise interne au cœur du dispositif, et prototyper sur des cas d'usage où la vérification est possible et organisée.

Les limites à garder en tête

Cette annonce, aussi importante soit-elle, ne change pas tout. Plusieurs précautions sont nécessaires.

• Un seul problème. Le modèle a réfuté une conjecture parmi des milliers de problèmes ouverts. Il a aussi été testé sur d'autres problèmes d'Erdős sans produire de percée. Il ne s'agit pas d'une machine à théorèmes universelle.
• Modèle interne, non reproductible. Aucune entreprise tierce ne peut aujourd'hui exécuter le même modèle sur ses propres problèmes. Ce n'est ni open weight, ni disponible via API publique.
• Vérification humaine indispensable. La preuve a tenu parce que neuf experts l'ont décortiquée. Aucun mécanisme automatique n'a validé le résultat — la confiance vient des humains.
• Transposabilité industrielle à prouver. Réfuter une conjecture mathématique mobilise un raisonnement formel pur. Les problèmes industriels mêlent contraintes physiques, données bruitées, exigences réglementaires. Le saut n'est pas trivial.
• Coût économique inconnu. OpenAI n'a pas communiqué le coût d'inférence. Selon les standards des modèles de raisonnement actuels (o3, Claude Opus avec extended thinking), une tâche de cette complexité peut coûter des centaines voire des milliers de dollars en compute.

Conclusion : un signal fort, sans surinterprétation

L'annonce du 20 mai 2026 est l'un des résultats les plus significatifs de l'IA appliquée aux mathématiques depuis AlphaProof (DeepMind, médaille d'argent IMO 2024). Elle franchit un seuil : ce n'est plus de l'assistance à un mathématicien humain, c'est une production autonome d'un résultat inédit, vérifiée et publiable.

Pour les entreprises, l'enseignement n'est pas qu'il faut "déployer de l'IA en R&D demain". C'est que la trajectoire des modèles de raisonnement est désormais clairement orientée vers des tâches longues, créatives et vérifiables — et que les organisations qui sauront identifier les problèmes structurés de leur métier où ces capacités sont utiles, et organiser la vérification humaine de ce que l'IA produit, en tireront un avantage compétitif tangible. Les autres regarderont passer le train.

Lire aussi : Agent IA, orchestrateur, chatbot : comprendre les différences pour bien choisir

Votre PME a un problème de R&D, d'ingénierie ou d'analyse complexe que vous pensez peut-être hors de portée de l'IA ? Vous voulez identifier les cas d'usage où le raisonnement IA apporte une vraie valeur, sans surinvestir ? Parlons-en — nous vous aidons à qualifier votre stratégie IA et à prototyper vos cas d'usage en gardant vos experts métier au cœur du dispositif.