OpenAI vient de faire une annonce inhabituelle : plutôt qu'un lancement produit classique, l'entreprise a publié dix démonstrations mathématiques inédites, générées par Astra, son prochain modèle encore non disponible au public. Coût total de l'opération : environ 2 000 dollars de calcul API. Le message est clair, et il ne concerne pas seulement les mathématiciens.
Un lancement par la preuve, pas par le produit
Depuis le 1er août 2026, OpenAI communique sur Astra sans donner ni date de sortie, ni tarification, ni model card, ni disponibilité dans ChatGPT. À la place, l'entreprise a mis en ligne un manuscrit de 249 pages et des certificats de preuve Lean 4 sur GitHub, sous licence Apache 2.0.
Le détail qui compte pour n'importe quel développeur : le dépôt affiche un compteur de « sorry » à zéro. En Lean, un « sorry » est un trou dans une démonstration, une étape non prouvée que l'assistant accepte temporairement pour continuer. Zéro « sorry » sur dix preuves formalisées signifie que chaque étape, du premier au dernier lemme, a été vérifiée mécaniquement par un logiciel, sans intervention humaine pour combler les manques.
C'est une différence fondamentale avec la génération précédente de résultats IA en mathématiques, où les modèles produisaient des raisonnements plausibles mais rarement vérifiables de bout en bout.
Dix problèmes ouverts depuis dix ans ou plus
Les dix résultats couvrent des champs très différents : théorie des groupes, algèbres de von Neumann, géométrie de haute dimension, complexité quantique, cryptographie sur réseaux euclidiens et combinatoire extrémale. Deux exemples illustrent l'ampleur du travail.
Premier exemple : une construction explicite de groupe non sofique, qui répond à une question restée ouverte depuis que le mathématicien Mikhail Gromov a formalisé la notion de sofic en 1999. Second exemple : Astra a réfuté la conjecture de rigidité de Connes sur les algèbres de von Neumann, un résultat qui va à l'encontre de ce que de nombreux chercheurs pensaient probable.
Le modèle a aussi démontré la conjecture du volume d'Ehrhart et résolu trois problèmes issus du catalogue de Paul Erdős, dont le problème 183 sur les nombres de Ramsey multicolores. Autant de questions que des générations de chercheurs ont attaquées sans succès.
Pourquoi ce n'est pas qu'une prouesse académique
Je vois trois raisons pour lesquelles cette annonce dépasse le cercle des mathématiciens purs.
D'abord, le coût. Deux mille dollars pour dix résultats qui auraient chacun pu justifier une thèse ou une carrière, c'est un ordre de grandeur qui change la façon dont on doit penser la recherche fondamentale assistée par IA. Ce n'est plus un mégaprojet de calcul façon AlphaFold, c'est un budget à la portée d'un labo universitaire moyen.
Ensuite, la vérifiabilité. En publiant des preuves Lean plutôt que du texte en langage naturel, OpenAI évite le piège classique des « hallucinations mathématiques » : un modèle qui sonne convaincant mais se trompe sur une étape. Ici, soit la preuve compile, soit elle ne compile pas. Pas de zone grise.
Enfin, le signal stratégique. Annoncer un modèle par ses résultats sur des problèmes non résolus depuis dix, vingt ou même vingt-sept ans pour la question de Gromov, plutôt que par un benchmark de chat ou de code, positionne Astra directement comme un outil de recherche scientifique, pas seulement comme un successeur de GPT-5.6.
Ce que ça dit sur la suite
OpenAI n'a toujours pas précisé si Astra sortira sous le nom de GPT-6 ou comme une déclinaison de la famille GPT-5.6, qui vient elle-même d'être mise à jour avec les variantes Sol et Luna dans ChatGPT. Cette ambiguïté volontaire laisse penser que l'entreprise teste la réception du marché avant de fixer le positionnement commercial du modèle.
Ce qui est certain, c'est que la barre vient de monter pour la concurrence. Démontrer sa capacité de raisonnement sur des problèmes que la communauté mathématique elle-même reconnaît comme difficiles, avec vérification formelle publique, est un argument nettement plus solide qu'un énième score de benchmark contestable.
Reste à voir si Astra, une fois disponible en API ou dans ChatGPT, tiendra la même promesse sur des tâches de raisonnement plus proches du quotidien des entreprises. La théorie des groupes et le développement logiciel n'exigent pas le même type de rigueur, même si les deux reposent sur une logique formelle.
