l’IA coauteur

Le 4 mai 2026, Jeffrey Kuan a publié sur arXiv un article au titre révélateur : Using Large Language Models as a Co-Author in Undergraduate Quantum Group Research. Derrière ce titre se cache une expérience fascinante : utiliser un grand modèle de langage, Claude CLI avec Claude Opus 4.6, non pas seulement pour corriger un texte ou expliquer une notion, mais pour participer à la production d’un véritable article de recherche en mathématiques.

Le sujet est très spécialisé : les groupes quantiques, l’algèbre quantique et certains modèles probabilistes de particules en interaction. Pourtant, l’intérêt de l’article dépasse largement les mathématiques pures. Il pose une question beaucoup plus large :

Jusqu’où l’intelligence artificielle peut-elle contribuer à la recherche scientifique?

Une recherche en mathématiques avancées

L’article porte sur un objet mathématique appelé U q (so12), lié à l’étude des groupes quantiques. Ces structures apparaissent dans des domaines comme l’algèbre, la physique mathématique et la probabilité intégrable. Pour un lectorat non spécialiste, on peut les voir comme des outils permettant d’étudier des systèmes complexes avec beaucoup de symétries.

Le résultat principal de l’expérience est une nouvelle formule explicite pour un élément central de cette structure. Un élément central, en algèbre, est un objet qui commute avec tous les autres : peu importe l’ordre dans lequel on le combine avec d’autres éléments, le résultat reste le même. Cette propriété est précieuse, car elle permet souvent de simplifier l’étude de systèmes très complexes.

Dans ce cas, le résultat peut être utilisé pour étudier des systèmes de particules en interaction, notamment dans des contextes où l’on cherche des relations de dualité. Ces relations permettent parfois de transformer un problème difficile en un problème plus facile à analyser.

Une démarche volontairement expérimentale

L’objectif de Jeffrey Kuan n’était pas seulement de produire un résultat mathématique. Il voulait aussi tester la capacité actuelle des grands modèles de langage à participer à une démarche de recherche comparable à celle d’étudiants avancés de premier cycle dans un programme intensif de recherche d’été.

C’est ce qui rend l’article particulièrement intéressant. L’auteur ne présente pas l’IA comme un simple outil de rédaction. Il la traite plutôt comme un assistant de recherche capable de proposer une méthode, de produire du code, d’effectuer des calculs symboliques et de contribuer à structurer un article scientifique.

Le projet a été réalisé avec Claude CLI, une interface permettant d’utiliser Claude dans un environnement de travail orienté fichiers, code et commandes. L’IA a été utilisée avec SageMath, un logiciel libre de calcul mathématique. SageMath est particulièrement utile pour manipuler des objets algébriques complexes, faire du calcul symbolique et travailler avec des structures mathématiques avancées.

Le passage clé : du calcul lent au calcul efficace

Un des résultats les plus frappants de l’article concerne l’optimisation du calcul. Une approche précédente, réalisée en Python, avait demandé environ 60 heures de calcul pour un cas plus difficile, sans donner un résultat satisfaisant. Le problème venait notamment de matrices de grande taille et d’erreurs liées aux calculs numériques.

Avec Claude et SageMath, la démarche a changé. L’IA a contribué à reformuler le calcul en utilisant une base mathématique plus adaptée et des matrices beaucoup plus creuses. Une matrice creuse contient surtout des zéros. Cela permet de réduire énormément le nombre d’opérations nécessaires.

Résultat :

Un calcul qui prenait auparavant plusieurs dizaines d’heures a pu être réalisé en moins d’une minute sur un ordinateur portable.

Ce n’est pas seulement une accélération technique. C’est un exemple de ce que l’IA peut apporter quand elle aide à changer la méthode de résolution, et non simplement à exécuter plus vite la même approche.

L’IA comme coauteur ou comme outil?

Le titre de l’article parle de l’IA comme d’un « coauteur ». Cette formulation est volontairement provocante. Dans les faits, la fiche officielle arXiv liste Jeffrey Kuan comme auteur humain. Le modèle n’est pas un auteur légalement ou scientifiquement responsable au même titre qu’un chercheur. Il ne peut pas assumer la responsabilité du contenu, répondre à une critique académique ou garantir la validité d’une preuve.

Mais l’expérience montre que la contribution de l’IA peut devenir suffisamment substantielle pour brouiller les frontières habituelles. L’IA ne s’est pas limitée à reformuler des phrases. Elle a participé à la production du raisonnement, à l’écriture du code, à la vérification de calculs et à l’organisation du travail.

Cela ne signifie pas que les chercheurs humains deviennent inutiles. Au contraire, l’article montre que le rôle humain reste essentiel, mais qu’il change. Le chercheur devient davantage un directeur de recherche, un vérificateur, un concepteur de problème et un arbitre de la validité mathématique.

Les limites observées

L’article ne présente pas Claude comme un outil magique. Plusieurs limites importantes sont documentées.

La première concerne l’estimation du temps de calcul. Claude pouvait proposer des estimations beaucoup trop optimistes, parfois en annonçant qu’un calcul serait instantané alors qu’il pouvait prendre plusieurs minutes ou plusieurs heures. Pour un projet scientifique, cette faiblesse est importante, car le temps de calcul influence les choix méthodologiques.

La deuxième limite touche aux conventions mathématiques. En mathématiques avancées, deux définitions peuvent être différentes techniquement, tout en étant considérées comme essentiellement équivalentes par des spécialistes. Un humain expérimenté comprend souvent ces nuances grâce au contexte. Claude, lui, peut appliquer les définitions de manière très littérale et ne pas reconnaître que deux formulations sont « moralement » les mêmes.

La troisième limite concerne le diagnostic. Lorsqu’un calcul ne donne pas le résultat attendu, un mathématicien peut souvent deviner rapidement où se trouve le problème : convention différente, signe inversé, facteur manquant, notation ambiguë. L’IA peut plutôt persister dans une mauvaise direction ou proposer des correctifs superficiels.

Ce que cela change pour la formation

Une des parties les plus intéressantes de l’article concerne la formation des étudiants. Jeffrey Kuan explique que ses projets de recherche de premier cycle ont déjà mené à des articles scientifiques. Or, si une IA peut maintenant produire un travail comparable à celui d’étudiants avancés dans un programme d’été de huit semaines, les encadrants doivent repenser la nature des projets proposés.

Le but de la recherche étudiante n’est pas seulement de produire un article. C’est aussi de développer la créativité, la persévérance, le jugement mathématique, l’autonomie et la capacité à comprendre en profondeur un problème. Si l’IA peut réaliser certaines tâches techniques plus rapidement que les étudiants, il faudra choisir des problèmes qui mettent mieux en valeur ces qualités humaines.

Cela ne rend pas la recherche étudiante obsolète. Au contraire, cela la rend peut-être plus importante. Les étudiants devront apprendre à travailler avec l’IA sans lui déléguer leur compréhension. Savoir utiliser un modèle devient une compétence, mais savoir vérifier, interpréter et critiquer ses résultats devient encore plus essentiel.

Une étape importante, mais pas une révolution complète

Cette expérience marque une étape importante dans l’utilisation de l’IA pour la recherche scientifique. Elle montre qu’un grand modèle de langage moderne peut aider à produire un article de mathématiques avancées, à développer du code spécialisé et à améliorer radicalement une méthode de calcul.

Mais elle montre aussi que l’IA ne remplace pas la responsabilité scientifique. Un résultat généré par IA doit être vérifié. Les preuves doivent être relues. Les conventions doivent être comprises. Les calculs doivent être testés. Et les conclusions doivent être assumées par des humains.

La prochaine étape pourrait passer par la vérification formelle, par exemple avec des assistants de preuve comme Lean. Cela permettrait de valider plus rigoureusement certains résultats générés ou aidés par l’IA. L’avenir de la recherche pourrait donc combiner trois forces : l’intuition humaine, la puissance générative des modèles de langage et la rigueur des outils de vérification formelle.

Conclusion

L’article de Jeffrey Kuan n’est pas seulement une curiosité sur l’IA. C’est un signal important pour le monde de la recherche et de l’éducation. Les grands modèles de langage ne sont plus seulement des outils d’aide à la rédaction. Ils peuvent participer à la résolution de problèmes complexes, proposer du code, accélérer des calculs et contribuer à la production d’un résultat scientifique.

Mais cette puissance exige une nouvelle prudence. L’IA peut accélérer la recherche, mais elle peut aussi se tromper avec assurance. Elle peut produire des idées utiles, mais elle ne comprend pas toujours les conventions implicites d’un domaine. Elle peut agir comme un collaborateur technique très performant, mais elle n’assume pas la responsabilité intellectuelle d’un chercheur.

La vraie question n’est donc pas de savoir si l’IA remplacera les chercheurs. La question est plutôt : comment former des chercheurs capables de travailler avec l’IA tout en conservant leur jugement, leur créativité et leur compréhension profonde des problèmes?