Pendant qu'OpenAI mobilisait 10 000 agents et des millions de dollars pour « résoudre » Navier-Stokes, un développeur anonyme a battu une borne de combinatoire qui tenait depuis 1979. Ses outils : six sous-agents grand public et une paranoïa méthodique. Sa facture : zéro. Et une preuve formelle vérifiée par Lean.
Le 8 septembre 2026, OpenAI annonce en grande pompe une solution au problème de Navier-Stokes, l'un des sept problèmes du millénaire. Dix mille agents, 88 heures de calcul, 166 pages, 2,7 millions de messages échangés, 130 milliards de tokens crachés. Coût estimé : entre 2 et 22,5 millions de dollars, New Scientist penchant pour 15.
Un mois plus tard, un type qui se fait appeler James Chang fait mieux. Pas sur Navier-Stokes, non. Sur un problème plus modeste, mais un vrai : une borne de combinatoire qui n'avait pas bougé depuis 1979. Ses outils ? Sept agents Dots d'OpenAI, l'essaim « always-on » lancé au DevDay le 29 septembre. Sa facture ? Zéro dollar, l'accès étant inclus dans son abonnement et ne consommant pas son quota Codex. Trois jours de calcul, du 1er au 3 octobre.
Le résultat tient en une ligne : C(24,14,4) est supérieur ou égal à 20, alors qu'on plafonnait à 19 depuis Schönheim (1964) et Mills (1979). Et par ricochet, C(25,15,5) passe de 32 à 34. Un point gagné. Un seul. Mais il a fallu quarante-sept ans pour l'arracher.
Une loterie à 10 626 tirages
Le nombre de recouvrement C(24,14,4), c'est une histoire de loterie. Imaginez un tirage qui sort 4 numéros sur 24. Chaque ticket vous laisse cocher 14 numéros. Combien de tickets faut-il acheter pour être certain que, quel que soit le tirage, l'un de vos tickets contienne les quatre numéros ?
La meilleure réponse connue, c'est 23 tickets. Personne ne sait si on peut faire mieux, ni même si 20, 21 ou 22 suffisent. Ce qu'on savait, c'est qu'avec 19 tickets, c'était impossible. Depuis 1979, cette borne n'avait pas bougé.
Les agents de Chang ont démontré qu'une famille de 19 blocs ne peut pas couvrir les 10 626 quadruplets possibles. La borne monte donc à 20. Pas de quoi pavoiser, dira-t-on. Sauf que le site compagnon déroule la preuve en huit étapes, et que ça touche au graphe de Petersen, aux designs doublés et aux arguments matriciels. Ce n'est pas du brute force débile. C'est de la vraie combinatoire, avec des structures qui se plient. La démonstration montre que les recouvrements à 11 blocs réguliers de 22 points sont rigides, que le quadruple mène au graphe de Petersen et à un conflit de coloration, et que la forme exceptionnelle exigerait 18 paires de blocs pour 15 disponibles. Les deux cas échouent, donc aucun recouvrement à 19 blocs n'existe.
Le résultat ne s'arrête pas là. Grâce à la borne de Schönheim, il remonte mécaniquement cinq entrées de la table des recouvrements : C(26,16,6), C(27,17,7) et C(28,18,8) se recalculent à la main. Un seul point gagné en bas, toute une colonne qui se déplace.
Sept agents, une armée du doute
L'architecture que décrit Chang sur son billet Substack est volontairement paranoïaque. Sept agents : un coordinateur et six sous-agents GPT-6 Astra, effort de raisonnement réglé sur « ultra ». Des rôles séparés. La recherche mathématique d'un côté, la formalisation Lean de l'autre, la recherche computationnelle, la revue adversariale, la coordination.
Le principe tient en une phrase : un agent seul ne vaut rien. La preuve d'un agent n'était qu'un « argument plausible » tant qu'un autre ne l'avait pas revérifiée et qu'une formalisation Lean n'avait pas été produite. Chaque argument jugé prometteur partait vers un agent chargé de chercher les hypothèses manquantes ou les contre-exemples, pendant qu'un autre le traduisait en Lean. Chang appelle ça son « armée du doute ».
Vers la fin, les agents sont passés d'assignations fixes à un pool de tâches partagé, chacun réclamant ce qui était proche de son « cache KV chaud », ce qu'il venait de travailler. Détail savoureux : les agents s'acharnaient à chercher une preuve élégante là où une machine pouvait tester 100 000 combinaisons en moins d'une seconde. Ils estimaient le calcul à 20 secondes. Chang a ajouté un agent de force brute : il l'a exécuté en 0,6 seconde.
La leçon est limpide : ce n'est pas l'intelligence des agents qui a produit le résultat. C'est l'organisation. La méfiance installée comme méthode.
La machine virtuelle s'est évaporée
En cours de route, l'espace de travail partagé des agents a disparu. Tout a été supprimé par OpenAI, sans préavis. Les agents ont reconstruit les fichiers manquants à partir de ce qui avait survécu et de leurs propres échanges.
Chang en tire ce qu'il appelle « la connaissance la plus généralisable » de l'expérience : oui, OpenAI supprimera la machine virtuelle sous vos pieds. Et les agents y survivent plutôt bien.
Ça en dit long sur le « cloud » qu'on vous vend comme stable.
Lean, Comparator, Palomar : le tribunal
Le résultat n'est pas une affirmation lancée sur un blog. Il est enregistré au registre Palomar le 4 octobre, sous l'identifiant PALOMAR-2026-10-04-000003, niveau de confiance « high ». La preuve formelle tient en environ 80 fichiers Lean 4, 8 800 lignes, sans un seul « sorry », ce mot-clé qui marque un trou dans une preuve.
L'outil Comparator vérifie que le fichier Solution.lean démontre exactement les énoncés du Challenge.lean, et rejoue la preuve dans le noyau de Lean plus deux noyaux indépendants. Chaque module a été reconstruit depuis les sources et revérifié sur deux versions de Lean.
Et pourtant. La page officielle écrit noir sur blanc : « La preuve et ces explications ont été écrites par des agents IA et n'ont pas été examinées par un mathématicien. » Chang lui-même insiste : un fichier Lean qui compile prouve que l'énoncé formalisé est correct, pas que l'énoncé correspond au problème que les humains croyaient poser. C'est toute la nuance, et elle est de taille.
Le fantôme de Navier-Stokes
Ce modeste record n'existe que dans l'ombre d'un géant. Le 8 septembre, OpenAI annonce sa « solution » de Navier-Stokes. Douze heures avant, le mathématicien Tristan Buckmaster (Courant Institute, NYU) avait déclaré, pour lui et Levent Alpöge (Anthropic), que leurs travaux sur Euler avaient été transmis à OpenAI quelques jours plus tôt. Guerre de priorité, soupçons d'entraînement sur les sessions Codex des chercheurs. OpenAI nie l'accès direct, reconnaît du bout des lèvres la possibilité de données dérivées.
Le 11 septembre, une lettre ouverte intitulée « A Severe Misalignment of AI in Mathematics » est signée par 24 médaillés Fields, puis quatre autres : Avila, Tao, Scholze, Villani. Terence Tao compare la pratique à un « strip-mining » des problèmes ouverts, qui détruit l'écosystème qui engendre les mathématiciens de demain. Toute la chronologie est sur Wikipédia.
Le contraste est presque gênant. OpenAI aligne 10 000 agents et des millions de dollars, et récolte une guerre de priorité et une lettre ouverte de la crème des mathématiciens. Chang aligne six sous-agents grand public et récolte une borne qui monte d'un cran, sans drame, sans communiqué.
Sur Hacker News, le fil Navier-Stokes a engrangé 1 346 points et 1 137 commentaires. Le billet de Chang : 3 points et un commentaire. Personne, ou presque, n'a eu le temps de lire la preuve. C'est peut-être ça, le vrai sujet.
Ce que « zéro dollar » veut vraiment dire
Faut pas déconner avec le « gratuit ». Dots, c'est inclus dans les abonnements ChatGPT Pro à 100, 200 ou 500 dollars par mois, ou dans un siège Business Premium. Les offres Free, Go et Plus n'y donnent pas accès. Et les utilisateurs Pro de l'Espace économique européen, du Royaume-Uni et de la Suisse sont tout bonnement exclus : il faut un siège Business Premium pour en profiter en Europe.
En face, Meta Muse est gratuit jusqu'à un plafond hebdomadaire, et Grok Bot démarre à 20 dollars par mois via un plan Cursor Pro. Dots coûte cinq fois l'entrée de gamme de Grok, et infiniment plus que Muse. L'argument du dossier n'est pas le prix, mais ce que ces agents permettent de faire entre les mains d'un particulier.
Le « 0 dollar » de Chang est donc doublement situé. Il habite hors d'Europe, et il était déjà abonné. Le gars n'a rien payé de plus, mais l'accès illimité à une grappe d'agents de modèle frontière reste une ressource coûteuse, subventionnée par OpenAI en pleine conquête de marché. Et le résultat lui-même n'est pas relu par un mathématicien. Pas sur arXiv, volontairement, en attendant l'aval de spécialistes. Chang est en contact avec le Covering Repository pour une relecture. La prudence est affichée.
Verdict
Le problème n'est pas qu'une IA ait trouvé une preuve. C'est que plus personne n'a eu le temps de la lire.
Ce qu'il faut retenir de ce week-end d'octobre, c'est un changement d'ordre de grandeur. Là où un labo mobilise 10 000 agents et des millions de dollars pour un coup d'éclat, un particulier avec six sous-agents grand public et une paranoïa méthodique arrache un résultat vérifié. La vérification formelle, via Lean et des registres comme Palomar, devient un service de masse : un inconnu peut y inscrire un théorème le lendemain de l'avoir produit.
Ce que ça ne règle pas, c'est la question que la lettre des 28 médaillés Fields pose sans détour : si les théorèmes ouverts deviennent des benchmarks, que reste-t-il aux humains ? Rien de neuf, sans doute. Mais la démonstration de force d'OpenAI sur Navier-Stokes sort de cette histoire un peu plus ridée.
Un amateur a fait avec six agents ce que les labos annoncent à coups de milliers d'agents et de millions de dollars. Soit la force brute était surdimensionnée, soit les problèmes ne sont pas comparables. Les deux sont probablement vrais. Et c'est exactement ça qui devrait inquiéter les comités d'investissement.
Sources
- I Used OpenAI Dots as an Agent Swarm to Break a 47 Year Old Math Record For Free — billet de l'auteur, 5 octobre 2026
- jamesyc.com/covering — site compagnon : preuve en 8 étapes, avertissement « non relu par un mathématicien »
- github.com/jamesyc/covering — dépôt du code et de la preuve Lean (Apache-2.0)
- Registre Palomar — PALOMAR-2026-10-04-000003
- OpenAI : Navier-Stokes solution — annonce du 8 septembre 2026
- Navier–Stokes priority controversy — Wikipédia
- Fil Hacker News de l'annonce Navier-Stokes
Auteur
Krugz
Développeur fullstack
Développeur fullstack qui tente, tant bien que mal, de suivre l'actualité de l'IA au milieu d'une marée d'informations imbuvables et des milliers d'outils et de modèles qui sortent chaque jour.
