Le 4 septembre 2026, Anthropic a publié les résultats d'un projet mené discrètement en août : Claude, opérant de façon largement autonome pendant 11 jours, a produit la première formalisation complète et vérifiée par ordinateur du dernier théorème de Fermat dans le langage de preuve formel Lean. Le résultat a été vérifié par le système de preuve Lean à partir de ses trois axiomes standards, sans recours à des extensions extérieures.
Pour situer l'importance : des équipes de mathématiciens estimaient que la formalisation de la preuve de Wiles — celle publiée en 1995 — nécessiterait plusieurs années de travail manuel. Claude a bouclé l'équivalent en onze jours. Le travail a été examiné par Kevin Buzzard, professeur à l'Imperial College London et spécialiste reconnu de la formalisation en Lean.
Cet article décrypte les faits vérifiés, la distinction fondamentale entre formalisation et découverte, et ce que cet exploit annonce — et n'annonce pas — pour les organisations qui s'interrogent sur l'IA dans des processus de vérification et d'audit complexes.
Formalisation vs découverte : la distinction critique
Réponse directe : Claude n'a pas découvert une nouvelle preuve de Fermat. Andrew Wiles l'a prouvé en 1993 (publié en 1995). Ce que Claude a accompli, c'est la formalisation — la traduction de cette preuve existante en un code que le vérificateur de preuves Lean peut vérifier mécaniquement, ligne par ligne.
La distinction est fondamentale pour interpréter correctement l'annonce :
- Découvrir une preuve signifie produire un raisonnement mathématique original qui démontre qu'un énoncé est vrai. C'est ce que Wiles a fait après sept ans de recherche.
- Formaliser une preuve signifie convertir un raisonnement mathématique — déjà reconnu comme correct par la communauté — en un code machine vérifiable de façon automatique. Le résultat est une preuve que ni humain ni programme ne peut accepter par erreur : chaque étape est justifiée par les axiomes de base du système logique.
La valeur de la formalisation n'est pas dans le « je sais que c'est vrai » — la communauté mathématique en était déjà convaincue. Elle réside dans la garantie absolue et reproductible : une preuve formalisée peut être vérifiée par n'importe qui disposant de Lean, sans jamais avoir à faire confiance à un expert. C'est précisément cette propriété qui ouvre des perspectives en dehors des mathématiques pures.
La difficulté de la tâche accomplie reste considérable. La preuve de Wiles mobilise des structures mathématiques avancées (courbes elliptiques, formes modulaires, représentations galoisiennes) dont la formalisation exige de construire des milliers de définitions et de lemmes intermédiaires depuis des bases très élémentaires.
11 jours en chiffres : l'échelle de l'exploit
Les chiffres publiés par Anthropic permettent de mesurer l'échelle opérationnelle de ce qui a été accompli :
- Durée totale : 11 jours calendaires de travail autonome
- Lignes de code Lean produites : 13 millions — le plus grand fichier de preuve formelle jamais publié selon Anthropic
- Théorèmes prouvés : 30 300, dont 29 500 effectivement utilisés dans la preuve finale (les 800 restants ont été produits mais ne sont pas retenus dans la chaîne de déduction finale)
- Tokens de sortie consommés : environ 6 milliards
- Agents simultanés : plusieurs dizaines, coordonnés via un scaffold interne
- Axiomes de base utilisés par Lean : trois axiomes standards, sans extension extérieure
Le chiffre des 6 milliards de tokens de sortie mérite d'être contextualisé. Pour comparaison, un article de blog de 1 500 mots produit environ 2 000 tokens. Ce projet a donc consommé l'équivalent de 3 millions d'articles de cette taille en sorties de modèle. L'essentiel de ce volume correspond à la compilation répétée du code Lean pour vérifier les erreurs, à la reformulation de définitions intermédiaires et à la coordination entre agents.
Comment ça a fonctionné : multi-agents et coordination
Anthropic décrit une architecture multi-agents où plusieurs instances de Claude opèrent en parallèle sur des sous-problèmes mathématiques distincts, coordonnées par un scaffold de recherche interne. Ce scaffold est comparable, en principes, à ce que l'on décrit dans nos articles sur les architectures d'agents pérennes : découpage de la tâche en sous-problèmes, gestion des dépendances, vérification automatique des résultats intermédiaires.
Deux éléments distinguent ce projet des déploiements d'agents habituels :
- La vérification intégrée. Lean joue le rôle de juge impartial : chaque lemme soumis est soit accepté (la preuve est correcte), soit rejeté avec un message d'erreur précis. Ce feedback immédiat et non ambigu est un avantage considérable pour l'apprentissage en boucle fermée. Les agents n'ont pas besoin d'un évaluateur humain — le compilateur Lean fait ce travail.
- L'absence de limite de contexte dure. La preuve de Fermat mobilise des dépendances sur des milliers de définitions. La gestion de ce graphe de dépendances à travers plusieurs dizaines d'agents sur onze jours représente le vrai défi d'ingénierie du projet, au-delà de la capacité mathématique brute.
Anthropic précise que ses chercheurs n'ont fourni qu'un high-level input limité — la stratégie de décomposition initiale et quelques orientations architecturales — le reste étant décidé de façon autonome par les agents.
Ce que ça annonce pour la vérification formelle
Réponse directe : cet exploit ouvre une perspective concrète pour tout domaine où la correction formelle a une valeur économique directe — vérification de code critique, audit de contrats intelligents, conformité réglementaire à base de règles formelles.
La prouesse de Fermat est un cas extrême de complexité, mais le mécanisme qu'elle démontre s'applique en deçà :
Vérification de code et de protocoles
Des projets de formalisation moins ambitieux — vérification d'algorithmes cryptographiques, de protocoles réseau, de code embarqué critique — sont depuis des années dans le champ d'application de Lean et de ses concurrents (Coq, Isabelle). L'IA comme assistant de formalisation était déjà une réalité partielle ; ce résultat suggère qu'un agent peut désormais prendre en charge des tâches de formalisation de taille intermédiaire avec une supervision humaine réduite.
Audit et conformité par preuve formelle
Certains domaines réglementaires — finance, médical, nucléaire — imposent des niveaux de confiance en la correction logicielle que les tests classiques n'atteignent pas. La vérification formelle a toujours été trop coûteuse en temps humain pour être utilisée largement. Si un agent peut formaliser et vérifier des spécifications à une fraction du coût actuel, les barrières économiques s'abaissent.
Mathématiques et revue de pairs
Anthropic note qu'un nombre croissant de preuves mathématiques est produit chaque année, et que la revue par des pairs qualifiés ne suit pas. La formalisation assistée par IA pourrait réduire ce goulot. Kevin Buzzard, qui a examiné le travail, milite depuis plusieurs années pour la démocratisation de Lean dans la communauté mathématique.
Si ces domaines concernent vos projets de développement sur mesure ou vos outils internes, il vaut la peine d'évaluer dès maintenant si la vérification formelle — longtemps trop coûteuse — devient accessible dans votre contexte.
Limites concrètes : coût, modèle interne, accessibilité
Plusieurs points de vigilance s'imposent avant de tirer des conclusions opérationnelles de cette annonce :
Le modèle utilisé n'est pas commercialement disponible
Anthropic précise explicitement que le projet a utilisé un internal research model — un modèle non accessible via l'API ou les abonnements Claude. Les performances obtenues ne sont donc pas directement reproductibles aujourd'hui avec Claude Fable 5.1 ou Sonnet 4.6. Anthropic ne publie pas de date de disponibilité commerciale de ce modèle.
Le coût reste prohibitif pour la majorité des cas d'usage
Six milliards de tokens de sortie représentent un investissement conséquent. Même avec les tarifs les plus bas disponibles (cache d'entrée à −75 % avec Fable 5.1), cette échelle est inaccessible pour la quasi-totalité des projets d'entreprise standard. En revanche, Anthropic note que des projets de formalisation plus petits ont déjà été réalisés avec des abonnements Claude Max classiques, via des agents multi-instances collaboratifs.
Lean reste une compétence rare
La vérification formelle en Lean requiert une expertise technique spécifique pour définir les bonnes spécifications et interpréter les résultats. L'IA peut accélérer la formalisation, mais ne supprime pas le besoin de comprendre ce que l'on cherche à prouver — et surtout comment le formuler de façon vérifiable.
Ce qui reste inconnu
Anthropic n'a pas encore publié le code complet du projet, ni les détails exacts du scaffold d'orchestration. Le PDF technique disponible décrit la structure de la preuve, pas l'architecture du système d'agents. Une validation externe complète — au-delà de la vérification Lean elle-même — reste à venir.
Si vous souhaitez évaluer si la vérification formelle ou les agents autonomes complexes correspondent à un besoin réel dans vos projets, l'équipe Genee peut vous aider à cadrer les cas d'usage réalistes avant d'investir dans cette direction.
FAQ — Claude formalise le dernier théorème de Fermat en Lean en 11 jours : 30 300 théorèmes prouvés, 6 milliards de tokens — l'exploit et ses limites réelles
Claude a-t-il vraiment prouvé le dernier théorème de Fermat ?
Non, au sens strict. Andrew Wiles a prouvé le théorème en 1993 (publié en 1995). Ce que Claude a accompli, c'est la formalisation complète de cette preuve dans le langage Lean, permettant sa vérification automatique par ordinateur. C'est une prouesse technique et logistique majeure, distincte d'une découverte mathématique originale.
Pourquoi la formalisation d'une preuve déjà connue a-t-elle de la valeur ?
Une preuve formalisée peut être vérifiée automatiquement par n'importe qui, sans faire confiance à un expert. Elle offre une garantie absolue de correction. Pour des domaines comme le code critique, les contrats intelligents ou la conformité réglementaire, cette garantie a une valeur économique directe. C'est aussi un outil contre les erreurs dans des preuves mathématiques longues.
Peut-on utiliser Claude pour des projets de vérification formelle en entreprise aujourd'hui ?
Le modèle utilisé par Anthropic pour ce projet est un modèle de recherche interne non disponible commercialement. Des projets de formalisation de plus petite taille ont été réalisés avec des abonnements Claude Max standard. La vérification formelle reste une compétence spécialisée ; l'IA accélère le processus mais ne le remplace pas entièrement.
Quel est le rapport avec les architectures multi-agents en entreprise ?
Le projet illustre une architecture multi-agents avec boucle de vérification automatique — plusieurs dizaines d'agents Claude coordonnés par un scaffold, avec Lean comme juge objectif à chaque étape. Cette architecture de vérification intégrée est transposable à des domaines où des tests automatiques objectifs existent : compilation, tests unitaires, règles métier formalisées.
Quels sont les secteurs les mieux placés pour exploiter la vérification formelle assistée par IA ?
Les secteurs avec des exigences de correction formelle élevées : aéronautique et spatial (certification DO-178C), finance (algorithmes de trading et protocoles de règlement), blockchain (smart contracts), médical et pharmacie (algorithmes de diagnostic certifiés). Dans ces secteurs, le coût de la vérification formelle a longtemps été prohibitif ; la réduction de ce coût par l'IA ouvre un levier concret.
Quel niveau d'autonomie les agents ont-ils réellement montré sur ce projet ?
Anthropic décrit une autonomie élevée : les chercheurs ont fourni la stratégie de décomposition initiale et quelques orientations, le reste — exploration des sous-preuves, gestion des erreurs Lean, coordination entre agents — a été décidé de façon autonome. C'est cohérent avec les tendances décrites dans nos analyses d'agents longue durée, mais réalisé ici à une échelle et une durée sans précédent public.