AiBrain 
Derrière les 10 000 agents, une organisation. Et un rôle humain qui s’est raréfié sans disparaître.
J’ai cru au plateau
J’en étais. Pas par posture, par lecture des courbes : les données d’entraînement de qualité paraissaient en voie d’épuisement, les gains par ordre de grandeur de calcul se tassaient visiblement, et surtout le raisonnement en chaîne s’effondrait passé quelques étapes. Les modèles savaient produire une réponse plausible à un problème isolé ; ils ne savaient pas tenir une ligne de raisonnement sur trois cents pas sans partir en vrille. J’ai cru que ce mur-là était structurel. Qu’on allait passer les deux années suivantes à polir des interfaces autour d’une capacité qui, elle, stagnerait.
Je me suis trompé.
Il faut le dire simplement, sans chercher tout de suite la sortie honorable. La progression a continué, mais pas sous la forme que j’attendais. Les modèles se sont améliorés. Surtout, des architectures sont apparues pour distribuer un raisonnement long, consolider ce qui tient et repartir ailleurs quand une trajectoire échoue. Mon mur existait sans doute. Il n’a pas été abattu, il a été contourné, et c’est là que je m’étais trompé : je n’avais pas vu que c’était une option.
Or ce n’est pas le progrès des modèles qui m’a le plus frappé cette année. C’est autre chose, et je pèse le mot : ce qui me paraît effarant, c’est la manière dont l’humain et la machine se sont mis à s’organiser ensemble en systèmes d’une complexité que personne n’avait vraiment anticipée. Pas des modèles plus forts utilisés de la même façon. Des dispositifs d’un autre genre.
Le 8 septembre 2026, OpenAI a publié un document de 166 pages accompagné d’une formalisation en Lean, affirmant qu’un système interne avait établi qu’un fluide tridimensionnel incompressible, initialement au repos et soumis à une force lisse, peut développer une singularité en temps fini. Ce résultat est soumis à la communauté scientifique et doit être validé.
Je vais parler du dispositif qui l’a produit, pas du résultat.
Ce qui a tourné pendant 88 heures
Le récit s’écrit tout seul : une IA a résolu un problème ouvert depuis près de quatre-vingt-dix ans. Formule imbattable, et fausse dans sa structure même. Ce n’est pas un modèle qui s’est assis devant le problème.
L’effort a commencé le 1er septembre 2026, sur plusieurs problèmes à la fois : les agents ont produit au total quelque 4,9 millions de messages et 300 milliards de tokens, dont 2,7 millions et 130 milliards pour le seul Navier-Stokes. En parallèle, près d’une centaine d’agents ont travaillé une cinquantaine d’heures sur la régularité des équations d’Euler non forcées, c’est-à-dire Navier-Stokes privé de son terme de viscosité. Leur résultat a modifié la trajectoire de l’expérience : l’avancée a été transmise aux groupes concernés et davantage de ressources ont été concentrées sur Navier-Stokes. Ce groupe-là a compté jusqu’à environ dix mille agents concurrents et atteint son résultat le 5 septembre, environ 88 heures après le premier lancement. Les groupes pouvaient communiquer entre eux et étaient croisés via Codex. Le modèle qui les animait n’est pas public ; OpenAI le décrit comme plus capable que GPT-6 Astra.
Sont venues ensuite dix-sept heures supplémentaires, pendant lesquelles GPT-6 Astra a formalisé et vérifié la preuve en Lean. Après coup, donc, sur un objet déjà produit.
Ces chiffres sont spectaculaires mais ils décrivent mal ce qui s’est passé. Les agents n’ont pas été lâchés en parallèle sur la même question en espérant qu’un seul trouve. Il y avait des voies concurrentes, un mécanisme de circulation de l’information entre elles, une règle de sélection, une réorientation en cours d’exécution déclenchée par un résultat intermédiaire.
Ce ne sont pas des caractéristiques de modèle. Ce sont des caractéristiques d’organisation.
L’unité pertinente n’est donc plus le modèle. C’est l’assemblage : modèle, agents, outils, mémoire partagée, circulation des résultats, règles de sélection, budget, mécanismes de validation. On appelle ça un harness, faute de mieux. Le terme est pauvre, il évoque un accessoire alors qu’il s’agit du dispositif principal. Ce qui a été construit ressemble davantage à une institution scientifique miniature et synthétique.
Et on remarquera ce que les chiffres publiés mesurent. Des tokens, des agents, des heures, des messages. Tout ce qui est mécanique est compté avec précision. Ce qui ne l’est pas n’apparaît nulle part.
Ce que l’humain a dû décider
Ici je mélange deux niveaux, et je préfère le dire. Certaines de ces décisions sont mentionnées par OpenAI, mais sans que rien ne soit dit de leur processus. Les autres sont des nécessités d’architecture que je reconstruis. Je ne décris pas ce qui s’est passé dans les bureaux d’OpenAI, je décris ce qu’il a fallu trancher pour qu’une expérience de cette forme existe.
Il a fallu choisir quel problème valait cette dépense. Il fallait un énoncé assez important pour justifier l’effort, assez formalisable pour être vérifiable, et assez structuré pour se décomposer en formulations parallèles. Ce triple critère élimine l’écrasante majorité des questions ouvertes.
Il a fallu décider combien de populations, sur quelles formulations, avec quel degré de diversité entre elles. Trop de diversité et le budget se disperse sur des impasses ; trop peu et dix mille agents paient dix mille fois le même raisonnement erroné.
Il a fallu définir quand une piste meurt. C’est peut-être la décision la plus délicate du dispositif : une règle de sélection trop agressive tue les hypothèses minoritaires, qui sont précisément celles qui finissent parfois par payer.
Il a fallu déterminer ce qui circule entre les groupes et sous quelle forme, arbitrage permanent entre contamination et coordination.
Il a fallu, enfin, que quelque chose reconnaisse dans le résultat sur Euler un signal changeant les chances de succès sur Navier-Stokes, et réalloue en conséquence. Le récit public attribue cette décision à l’équipe sans rien dire de son mécanisme : on ignore si elle a été prise par une personne devant un tableau de bord, par une règle écrite à l’avance, ou par une combinaison des deux. C’est pourtant le moment le plus intéressant de toute l’expérience, celui où la trajectoire bascule.
Et il a fallu se tromper avant. Un dispositif de cette complexité n’est pas juste du premier coup. Combien d’architectures testées, de budgets brûlés sans résultat, de règles de sélection réécrites ? Personne n’en sait rien.
C’est là que se loge le déséquilibre le plus intéressant de toute l’affaire. Nous connaissons le nombre de tokens à la dizaine de milliards près. Nous ne connaissons ni la taille de l’équipe humaine, ni son temps de travail, ni le nombre de tentatives. Nous savons mesurer le calcul injecté dans le résultat. Nous ne savons pas mesurer l’intelligence humaine cristallisée dans son architecture.
Je pensais écrire là une simple précaution méthodologique. Elle a pris un autre statut depuis : parmi les reproches publiquement adressés à OpenAI autour de cette annonce figure celui d’avoir sous-déclaré l’implication humaine dans le résultat. L’allégation est contestée par la société, et je ne la tranche pas. Mais elle indique que l’asymétrie de mesure n’est pas un détail d’écriture. Comme seule la partie machine est chiffrée, seule la partie machine devient visible, et le récit de « l’IA qui a résolu Navier-Stokes » s’installe sans que personne ait eu besoin de le fabriquer.
Degré, position, nature
Qu’est-ce qui a changé, au juste ?
L’IA a changé de degré. Les modèles sont meilleurs, les tokens moins chers, les agents suffisamment fiables pour enchaîner des centaines d’étapes sans se dissoudre. C’est la condition qui rend le reste possible : tant que les agents dérivaient trop vite, en assembler dix mille n’aurait rien produit. Mais c’est un franchissement de seuil, pas un changement de nature : rien dans ce qui a tourné pendant ces 88 heures ne fait quelque chose que les modèles ne savaient pas faire en petit.
L’humain, lui, n’a pas changé du tout. Aucune capacité nouvelle, aucune compétence acquise. Il a changé de position. Le même jugement, la même expérience, la même intuition de ce qui vaut la peine d’être tenté, appliqués un cran plus haut.
C’est le système qui a changé de nature. Et c’est le seul des trois.
Voilà ce que je trouve remarquable. Aucun composant n’a muté. Un progrès quantitatif d’un côté, un simple déplacement de l’autre, et à l’arrivée une forme qui n’existait pas. Ni l’humain ni l’IA : le système.
Concrètement, la bascule tient en une phrase. L’humain fixe un cadre et les conditions de validation ; les machines devinent, créent et exécutent les tâches à l’intérieur de ce cadre.
Dans la collaboration qu’on pratique tous depuis trois ans, l’humain formule une tâche, reçoit une réponse, la vérifie, formule la suivante. Il est dans la boucle à chaque tour, et sa capacité de production est bornée par sa capacité de supervision. Limite dure : on ne relit pas plus vite qu’on ne relit.
Ce qui s’est produit ici n’est pas la disparition de l’humain de la boucle. C’est sa sortie de chaque boucle. Il intervient encore, mais rarement, à des moments qui comptent beaucoup : au moment de concevoir le dispositif, au moment de déplacer les ressources, au moment de décider que le résultat sur Euler change la donne. Le jugement humain n’est pas supprimé. Il est raréfié, déplacé, et doté d’un effet de levier considérable.
C’est une formulation moins spectaculaire que « l’IA fait de la recherche toute seule ». Elle est aussi beaucoup plus exigeante, parce qu’elle implique que la qualité du résultat dépend d’un petit nombre de décisions humaines difficilement observables.
Reste à savoir ce qui a remplacé la supervision que l’humain n’exerce plus. Deux choses, très différentes : la capacité du dispositif à trier lui-même ses pistes pendant qu’il travaille, et sa capacité à produire un résultat vérifiable autrement qu’en le relisant. Trier pendant, auditer après.
C’est la question à se poser pour son propre domaine, avant même de se demander si les modèles sont assez bons. Sans tri automatisable, l’exploration massive ne produit pas dix mille pistes, elle produit dix mille choses à lire, et le goulot revient intact. Sans audit automatisable, on fabrique très vite un objet que personne ne peut valider.
La frontière intéressante ne passe donc pas entre intelligence humaine et intelligence artificielle. Elle passe entre les problèmes pour lesquels nous savons construire un cadre d’exploration et de validation, et ceux pour lesquels nous ne savons toujours pas dire ce que réussir voudrait dire.
The real work begins now
Le marketing promet depuis deux ans des systèmes d’IA qui ne se contentent plus d’exécuter des tâches isolées. Les démonstrations sont jusqu’ici restées largement en deçà. Celle-ci donne enfin à la promesse une forme assez concrète pour qu’on puisse l’examiner.
Reste à mesurer ce qui a été démontré. Une organisation cognitive hybride a produit, en quelques jours, un objet mathématique d’une ampleur qu’aucune équipe humaine n’aurait fabriquée de cette façon. Ce n’est pas rien. C’est peut-être même déjà une méthode, et non un coup unique, mais une méthode dont la reproductibilité, le coût réel et les conditions de fonctionnement restent inconnus de tous ceux qui n’étaient pas dans la pièce.
Personne ne sait encore dire quelles règles d’exploration fonctionnent et lesquelles tuent la diversité. Personne ne sait préserver une hypothèse minoritaire autrement qu’en l’ayant décidé à l’avance. Personne ne sait ce que devient l’édifice dans un domaine où l’on ne peut ni trier ni auditer mécaniquement.
On sait qu’un tel assemblage peut produire un résultat extraordinaire. On ne sait pas encore quelle part de cet assemblage est reproductible, généralisable, ou économiquement soutenable.
Un mot pour finir. Bravo à OpenAI, pour avoir continué à livrer des modèles qui progressent précisément là où beaucoup, moi compris, annonçaient un palier.
Et bravo, surtout, à l’équipe qui a conçu ce dispositif. Nous ignorons combien ils étaient, combien de temps ils y ont consacré, et combien d’architectures ils ont dû abandonner avant celle-ci. Cette invisibilité ne diminue pas leur rôle. Elle est exactement la raison pour laquelle il faut le nommer.