10 000 agents, 88 heures, 5 millions de messages : Navier-Stokes lu comme un rapport de projet

Le 8 septembre 2026, OpenAI a annoncé une solution au problème de Navier-Stokes, l'un des six problèmes du prix du millénaire encore ouverts. Le tweet a dépassé les vingt-deux millions de vues en vingt-quatre heures.

Disons-le tout de suite : je ne suis pas mathématicien, je ne jugerai pas cette démonstration, et méfiez-vous de ceux qui le feront cette semaine sur les réseaux. Le papier fait 165 pages et sa validation prendra des mois à des gens dont c'est le métier.

Mais l'annonce contient autre chose qu'une preuve. Elle contient un rapport de projet : un effectif, une durée, un volume de communication, un coût, une phase de recette. Ça, je sais le lire, et je crois que c'est la partie la plus transposable de l'histoire.

Le minimum à comprendre pour suivre

Les équations de Navier-Stokes décrivent le mouvement des fluides. On s'en sert tous les jours pour l'aérodynamique d'un avion, pour la météo, pour la circulation sanguine. Elles fonctionnent très bien en pratique.

La question restée ouverte pendant environ quatre-vingt-dix ans est théorique : ces équations peuvent-elles, en partant d'une situation parfaitement régulière, produire au bout d'un temps fini un résultat absurde ? OpenAI affirme avoir construit un tel cas, avec un tourbillon qui se resserre jusqu'à ce que la vitesse prédite devienne infinie.

Un point que je tiens à souligner parce qu'il est mal repris : ça ne veut pas dire que de l'eau réelle atteindrait une vitesse infinie. Ça veut dire que le modèle mathématique atteint sa limite de validité. C'est une découverte sur notre façon de décrire les fluides, pas sur les fluides.

Second point, et celui-là est devenu le cœur du débat. L'énoncé officiel du problème, rédigé par Charles Fefferman pour le Clay Mathematics Institute, comporte quatre variantes. Les deux premières portent sur un fluide livré à lui-même, sans force extérieure. Les deux autres autorisent un contre-exemple obtenu avec une force extérieure régulière, à condition qu'elle respecte des contraintes précises.

La preuve d'OpenAI relève de cette seconde catégorie : elle applique une force extérieure au fluide. C'est une voie que le texte officiel autorise, et c'est aussi celle que la plupart des mathématiciens écartent de la question qui les intéresse vraiment. Dire « OpenAI a résolu Navier-Stokes » est donc trop rapide, et dire « c'est une escroquerie » l'est tout autant. La formulation exacte est plus ennuyeuse : le résultat répond à une version du problème que le règlement prévoit, pas à celle que le domaine considère comme centrale.

Voilà, je m'arrête là. C'est le niveau nécessaire pour la suite, et c'est aussi la limite de ce que je peux affirmer sans raconter n'importe quoi.

Le rapport de projet

Les chiffres publiés, repris par Quanta Magazine, dessinent une opération d'un genre nouveau.

Environ 10 000 agents autonomes, tournant sur un modèle non public présenté comme nettement plus capable que celui commercialisé. 88 heures entre le démarrage et la preuve, puis 17 heures de formalisation. Près de 5 millions de messages échangés entre agents. Un coût estimé à plusieurs millions de dollars. Un papier de 165 pages, public, accompagné de sa formalisation.

Pendant l'opération, les équipes ont réorienté les ressources et fait circuler les résultats intermédiaires entre les groupes d'agents.

Relisez cette dernière phrase. C'est de l'arbitrage de ressources et de la circulation d'information en cours de projet. C'est mon métier, à une échelle que personne n'a jamais pilotée.

Ce qu'un chef de projet y lit

Le cadrage était humain, et il est antérieur

La stratégie mathématique de fond n'a pas été inventée par les agents. Elle est due à deux chercheurs, Diego Córdoba et Luis Martínez-Zoroa, dont les travaux ont ouvert la voie. Les agents ont exécuté à une échelle inatteignable, sur un chemin que des humains avaient tracé.

C'est la chose la plus familière du rapport, et la plus souvent oubliée dans les commentaires. Une capacité d'exécution massive ne remplace pas le cadrage, elle le rentabilise. J'ai décrit ailleurs pourquoi la plupart des pilotes d'agents échouent en entreprise, et la cause est presque toujours là : on lance l'exécution sans avoir tranché la direction.

Le goulot d'étranglement s'est déplacé

88 heures pour produire, 17 heures pour formaliser, et ensuite des mois de relecture humaine.

La production n'est plus la contrainte. La vérification l'est devenue, et elle ne suit pas la même courbe de coût. Vous pouvez multiplier les agents par dix, vous ne multiplierez pas par dix la capacité des relecteurs compétents, qui se compte en dizaines de personnes dans le monde sur ce sujet.

Tout chef de projet reconnaît cette configuration : quand une étape accélère et que la suivante ne bouge pas, la file d'attente se déplace, elle ne disparaît pas. C'est ce que je vois arriver dans les équipes où le développement est assisté par IA mais où la revue de code est restée manuelle.

Le seul risque qui reste est celui qu'on n'automatise pas

Voici le point qui m'intéresse le plus, et il est d'une banalité rassurante pour qui fait du delivery.

La preuve a été vérifiée formellement en Lean, un langage qui permet à un logiciel de contrôler chaque déduction. C'est ce qui distingue radicalement cette annonce des précédentes : il y a un artefact contrôlable par machine, pas seulement une affirmation.

Mais Quanta pose la limite exacte : la vérification qui reste aux humains consiste à s'assurer que l'énoncé démontré dans Lean est bien équivalent à celui du problème officiel.

Autrement dit : la machine prouve impeccablement ce qu'on lui a demandé de prouver, et personne ne peut automatiser la question de savoir si c'était la bonne demande.

Et c'est exactement là que se joue le débat sur le forçage. L'énoncé formalisé est celui d'un fluide soumis à une force extérieure. Il est valide, il est vérifié, il correspond à une variante prévue par le règlement. Reste à savoir si c'est la question qui intéressait la communauté. Aucun outil ne tranche ça, et le Clay Mathematics Institute a d'ailleurs choisi de prendre son temps : son président Martin Bridson annonce une évaluation « délibérément sans précipitation » et « absolument rigoureuse ». L'institut continue de lister le problème parmi les non résolus.

C'est mot pour mot l'écart entre conformité à la spécification et conformité au besoin. Une recette automatisée valide que le logiciel fait ce que le cahier des charges décrit. Elle ne dit jamais si le cahier des charges décrivait le bon problème. Tous les projets ratés que j'ai vus étaient conformes à leur spécification.

Que ce problème survive intact à dix mille agents et cinq millions de messages en dit long sur sa nature. Ce n'est pas un manque d'outillage, c'est une propriété de la traduction d'une intention en énoncé.

Le livrable est arrivé, le chemin a disparu

Terence Tao, sans doute le mathématicien vivant le plus écouté, a formulé une objection qui n'est pas technique et qui m'a frappé par sa familiarité. Selon les comptes rendus de presse, il compare l'expérience à un film dont on regarderait les dix premières minutes puis les dix dernières : toutes les intrigues sont résolues, mais l'essentiel de ce qu'on était venu chercher a disparu.

Il ajoute deux choses qui dépassent largement les mathématiques. Que repérer les bonnes questions est en soi un travail de recherche, souvent le plus précieux. Et que voir une équipe mobiliser des moyens massifs dès qu'elle capte l'indice d'une piste prometteuse chez d'autres risque de dissuader les chercheurs de partager leurs directions de travail.

Je n'ai jamais lu de meilleure description de ce qui arrive à une équipe quand on lui livre une solution sans le raisonnement qui y mène. Le livrable est là, conforme, et personne ne sait le faire évoluer parce que personne n'a parcouru le chemin. C'est vrai d'un composant sous-traité dont on n'a que le résultat, et ça devient la norme quand une IA produit en quelques heures ce qu'une équipe aurait mis des mois à comprendre en le construisant.

La question n'est donc pas seulement « est-ce que le livrable est bon ». C'est « qui, chez nous, saura le reprendre dans six mois ».

Le coût de coordination n'a pas disparu

Cinq millions de messages pour dix mille agents, c'est environ cinq cents messages par agent. La coordination a coûté cher, et une part du budget de plusieurs millions de dollars est allée là plutôt que dans la recherche elle-même.

On connaît la règle côté humain : ajouter des gens à un projet en retard le retarde davantage, parce que le coût de communication croît plus vite que la capacité ajoutée. Je n'ai pas les données pour dire si les agents échappent à cette loi ou s'ils la subissent avec un seuil plus élevé, et c'est une des questions les plus intéressantes que pose ce projet. Personne ne l'a documentée publiquement.

La question que tout professionnel devrait pouvoir poser

Une controverse accompagne l'annonce, largement couverte par Scientific American, Fortune et TechCrunch. Je ne vais pas arbitrer, mais un point m'a arrêté parce qu'il dépasse complètement le cas particulier.

Deux mathématiciens travaillaient sur le même problème : Tristan Buckmaster, à l'université de New York, et Levent Alpöge, employé chez Anthropic. Pour avancer, ils se servaient de plusieurs assistants IA, dont Claude et les outils d'OpenAI. Leurs brouillons passaient donc par ces outils.

Buckmaster raconte avoir posé la question directement lors d'un échange téléphonique. Sa formulation, telle que rapportée : il a demandé si le modèle avait été entraîné sur leurs sessions Codex, où ils déposaient tous leurs brouillons depuis le début du projet, ou s'il y avait eu accès. On lui aurait répondu que le modèle ne consulte pas les données des utilisateurs. Il dit avoir reposé la question sur l'entraînement, et n'avoir pas obtenu de réponse.

Sébastien Bubeck, qui dirige l'équipe mathématiques d'OpenAI, répond sans ambiguïté : « nous n'avons utilisé ni leur prompt, ni leurs modèles, ni leur preuve », et qualifie le récit de Buckmaster de « faux et incendiaire ».

Je n'ai aucun moyen de savoir qui décrit exactement la conversation. Mais la question posée est bonne, et n'importe quel professionnel devrait pouvoir y répondre pour ses propres outils. Ce que vous déposez dans un assistant IA sert-il à l'entraînement ? La réponse dépend du produit, de l'offre et des réglages, elle n'est pas la même sur un compte grand public et sur un contrat d'entreprise, et elle se vérifie dans les conditions d'utilisation plutôt qu'au téléphone.

Si vous faites passer par un assistant une stratégie commerciale, un code propriétaire ou un dossier client, c'est la question à trancher avant, pas au moment où un doute surgit. Le cas Buckmaster est spectaculaire parce que l'enjeu est un prix d'un million de dollars, mais il ne fait qu'éclairer une question qui se pose à tout le monde.

Un second cas, posé en des termes plus précis

Le 1er août 2026, OpenAI avait déjà annoncé qu'Astra avait produit dix résultats mathématiques, dont la construction du premier groupe non sofique connu, un problème ouvert depuis les travaux fondateurs de Gábor Kun et Andreas Thom en 2016 et 2019. Thom, professeur de théorie des groupes à l'université technique de Dresde, pose depuis début septembre la même question que Buckmaster, en plus précis.

Il a écrit aux chercheurs d'OpenAI Mark Sellke et Sebastien Bubeck : lui et un collègue de Dresde avaient passé des mois, dans ChatGPT, à travailler sur le problème du couplage d'expandeurs et sur des prolongements de ses travaux avec Kun. Ses échanges avaient-ils nourri l'entraînement, et le système y avait-il eu accès pendant qu'il construisait la preuve ?

Sellke a répondu en une phrase, selon ce que Thom en rapporte : que cela ne s'était pas produit. Thom, qui avait désactivé l'entraînement sur ses conversations dès le 29 juin, un réglage qu'aucun utilisateur ne peut vérifier de l'extérieur, juge la réponse trompeuse plutôt que fausse : elle couvre l'accès direct, pas la question de l'entraînement, qui est celle qu'il avait posée. Il relève aussi que l'approche Kun-Thom n'était pas celle que la communauté jugeait la plus prometteuse sur ce problème, d'autres pistes passant par les jeux quantiques semblaient mieux placées, ce qui rend à ses yeux plus notable qu'Astra ait convergé précisément vers sa méthode à lui.

OpenAI n'a pour l'instant pas répondu publiquement aux billets de Thom. Mais l'entreprise a, dans sa réponse au cas Buckmaster, écrit texto : « bien que ce soit improbable, nous ne pouvons pas exclure que des données dépersonnalisées issues de leur usage de nos produits aient contribué à améliorer nos modèles. » C'est exactement la nuance que soulève Thom : dépersonnaliser une donnée retire un nom, pas le contenu intellectuel d'une idée mathématique. Deux cas indépendants, posant la même question à deux semaines d'intervalle, ça commence à ressembler à un motif plutôt qu'à un incident isolé.

La gouvernance a lâché avant la technique

Le reste de la controverse porte sur la signature. Buckmaster affirme qu'on lui a proposé de publier seul, sans mentionner son coauteur, et rapporte deux répliques qu'il juge menaçantes, dont « pourquoi gâcheriez-vous votre carrière ? ».

Bubeck a publié un récit détaillé en réponse. Il conteste avoir demandé le retrait d'Alpöge de la signature, explique que la discussion portait sur le fait de confier à Buckmaster la réécriture de la preuve d'OpenAI, et que l'appartenance d'Alpöge à une entreprise concurrente rendait selon lui cette participation inappropriée. Il reconnaît la formule sur la carrière, s'en excuse, affirme l'avoir retirée immédiatement, et soutient de son côté que Buckmaster menaçait d'aller voir la presse.

Un point est acquis, et il n'est pas anodin : OpenAI a déclaré ne pas réclamer le prix d'un million de dollars.

Ce que je retiens n'est pas qui a raison. C'est que le premier point de rupture d'un projet de cette ampleur n'a pas été technique. Les agents ont tenu, l'infrastructure a tenu, la formalisation a tenu. Ce qui a cédé, c'est la question de savoir à qui appartient le travail et qui figure sur le papier.

Quiconque a piloté un projet multi-partenaires reconnaît le motif : la propriété des livrables et la paternité des idées se règlent au cadrage, ou se règlent mal.

Ce qui se transpose à un projet ordinaire, et ce qui ne se transpose pas

Ce qui ne se transpose pas, d'abord, pour éviter les faux espoirs. Vous n'aurez pas dix mille agents, et vous n'en avez pas besoin : ce dimensionnement répondait à un problème où il fallait explorer un très grand nombre de pistes dont presque toutes étaient sans issue. Votre refonte de site ne ressemble pas à ça. Le coût non plus n'est pas transposable, même si Noam Brown, chercheur chez OpenAI, avance que ce type de capacité devrait devenir beaucoup moins cher, en rappelant qu'une performance qui coûtait environ 500 000 dollars de calcul sur un test de raisonnement il y a un an s'obtient aujourd'hui pour une vingtaine de dollars. C'est son pronostic, pas une mesure.

Ce qui se transpose, en revanche, tient en trois questions à poser sur n'importe quel projet où vous ajoutez de l'IA.

Qui tient le cadrage ? Si la réponse est personne, l'exécution rapide vous mènera plus vite au mauvais endroit.

Où est passé le goulot d'étranglement ? Il ne disparaît jamais, il se déplace. Si vous accélérez la production sans toucher à la revue, vous avez déplacé l'attente, pas réduit le délai.

Quel artefact permet de vérifier ? C'est la vraie leçon de cette annonce. Ce qui la rend crédible n'est pas la puissance du modèle, c'est l'existence d'une formalisation contrôlable et d'un papier public. Face à un livrable produit par IA, la question utile n'est pas de savoir quel modèle l'a produit, mais ce qui permet de le contrôler. J'avais formulé la même idée à propos des annonces d'AGI qu'aucune définition ne permet de vérifier : la valeur d'une affirmation est celle de son mécanisme de vérification.

Ce que je retiens

Si le résultat tient, et sur la variante qu'il traite réellement, ce sera la démonstration mathématique la plus importante jamais produite avec une IA. Il faudra des années pour en mesurer la portée, et c'est très bien ainsi : le Clay Mathematics Institute impose une publication en revue à comité de lecture puis deux ans d'acceptation par la communauté, et il a fait savoir qu'il ne se pressait pas.

Je note au passage que Charles Fefferman, qui a rédigé l'énoncé officiel du problème, s'est dit ravi tout en rappelant que les héros de l'histoire sont les deux mathématiciens dont les travaux antérieurs ont ouvert la voie. Venant de l'auteur du texte, la remarque vaut cadrage.

En attendant, ce que ce projet m'apprend ne relève pas des mathématiques. Il montre qu'à une échelle inédite, avec des moyens que presque personne n'a, les problèmes qui subsistent sont ceux que je rencontre sur des projets de quinze personnes : le cadrage, le déplacement du goulot d'étranglement, l'écart entre la spécification et le besoin, et la paternité du travail.

C'est une nouvelle plutôt rassurante pour le métier.

Sources : Quanta Magazine, AI Has Solved One of Math's $1 Million Millennium Prize Problems ; OpenAI, page de la solution Navier-Stokes ; Clay Mathematics Institute, règlement des prix du millénaire ; Scientific American, sur la portée du résultat et la controverse ; TechCrunch, le récit du mathématicien de NYU ; Engadget, récapitulatif de la controverse ; Notebookcheck, sur le cas Andreas Thom et le groupe non sofique.

Pour aller plus loin : Pourquoi la plupart des projets d'agents IA en entreprise échouent en pilote et AGI : pourquoi aucune annonce ne peut aujourd'hui être vérifiée