Mathématicien · Des scribes babyloniens aux lauréats Fields et à la démonstration assistée par IA : la profession qui transforme les questions difficiles en certitude permanente, théorème après théorème.
Plus la case est foncee, plus le score de cet indicateur est eleve.
MoinsPlus
Derniere relecture Sources et creditsCrédits médiasMéthodologie
Les mathématiciens chercheurs passent leurs journées à tenter de démontrer des énoncés que personne n'a démontrés : lire des articles, calculer des exemples, remplir des tableaux noirs et rédiger la petite fraction d'idées qui survivent. La plupart enseignent aussi et encadrent des étudiants. Les mathématiciens appliqués et industriels construisent et analysent des modèles — de marchés, de machines, de maladies ou de données — où les mathématiques doivent répondre à une réalité désordonnée. Très peu de l'un ou l'autre métier relève de l'arithmétique.
Pour la recherche et les postes universitaires, oui, effectivement partout : le doctorat est le diplôme qui prouve que l'on peut produire des mathématiques nouvelles. Hors université, le tableau est plus souple — les sociétés de trading, les entreprises technologiques et les agences gouvernementales embauchent de solides licenciés et titulaires de master — et, contrairement à la médecine ou au droit, rien n'interdit légalement à quiconque de démontrer des théorèmes sans aucun diplôme. Ramanujan n'en a jamais obtenu un.
Le secteur compte bien plus que l'ancienneté. Aux États-Unis, les mathématiciens ont gagné une médiane d'environ 116 000 $ en 2023 (BLS) ; un professeur titulaire en Allemagne gagne typiquement environ 80 000–110 000 € ; un chercheur junior du CNRS en France commence près de 30 000 €. Les exceptions sont en finance, où des chercheurs quantitatifs seniors dans les grandes sociétés de trading peuvent dépasser de plusieurs fois le salaire d'un professeur — une petite tranche sélective de la profession.
Les systèmes d'IA ont atteint le niveau de la médaille d'or aux problèmes de l'Olympiade internationale de mathématiques en 2025, et des assistants de démonstration comme Lean peuvent désormais vérifier des arguments de niveau recherche. Ce que les machines ne savent toujours pas faire, c'est décider quelles questions comptent, inventer les définitions qui rendent un problème traitable ou assumer la responsabilité du sens mathématique. La plupart des chercheurs s'attendent à ce que le métier soit transformé — plus proche d'un travail avec un collaborateur puissant — plutôt qu'éliminé.
Alfred Nobel a simplement exclu les mathématiques de son testament de 1895 ; l'histoire populaire d'une querelle avec le mathématicien Gösta Mittag-Leffler n'a aucun fondement documentaire. La discipline a construit ses propres distinctions : la médaille Fields, décernée tous les quatre ans depuis 1936 à des mathématiciens de moins de quarante ans, et le prix Abel, décerné annuellement par la Norvège depuis 2003 avec une dotation comparable à celle d'un Nobel.
Sept problèmes que le Clay Mathematics Institute a nommés en 2000, chacun portant un prix d'un million de dollars : l'hypothèse de Riemann, P versus NP, les problèmes de Navier–Stokes et Yang–Mills, les conjectures de Birch et Swinnerton-Dyer et de Hodge, et la conjecture de Poincaré. Seule celle de Poincaré a été résolue — par Grigori Perelman, qui a refusé à la fois l'argent du prix en 2010 et la médaille Fields avant cela.
Les mathématiques sont la profession rare où les machines s'attaquent d'abord aux tâches de prestige. Le calcul est tombé il y a des décennies ; en 2024–25, les systèmes d'IA atteignirent le niveau argent puis or aux problèmes de l'Olympiade internationale de mathématiques, et des assistants comme Lean vérifièrent des arguments à la frontière de la recherche — y compris, en 2022, un théorème que son propre auteur redoutait de vérifier à la main. Aucun mathématicien sérieux ne parie désormais que la démonstration routinière de lemmes restera humaine longtemps.
Pourtant, la réaction de la profession fut plus proche de l'enthousiasme que de la crainte, parce que son travail le plus rare se situe en amont de tout ce que font les machines : décider quelles questions valent des années d'une vie, inventer les définitions qui rendent une intuition vague démontrable, et juger lesquels des infiniment nombreux énoncés vrais signifient quelque chose. Terence Tao, entre autres, décrit le futur proche comme des mathématiciens dirigeant des équipes de collaborateurs machines infatigables et semi-fiables.
Une part réelle de la journée — recherche bibliographique, vérification, calcul, résolution de problèmes bien posés — s'automatise maintenant, et l'IA démontre déjà des résultats de niveau compétition. Mais les tâches qui définissent la carrière (choisir des problèmes, former des concepts, juger la signification, enseigner aux humains) sont les plus éloignées de ce que font les systèmes actuels. L'issue la plus probable : moins d'heures à démontrer des lemmes routiniers et plus à décider quoi démontrer — transformation du métier, pas suppression de la profession.
Scored from the tasks, not the job title. Lower is safer.
Jobs AI cannot take →Un démonstrateur de théorèmes peut attaquer une conjecture énoncée ; il ne peut pas décider qu'une question vaut dix ans, ni remarquer qu'une autre question est la importante. Le choix des problèmes est l'avantage cumulatif de la profession.
Les mouvements les plus profonds du domaine — les schémas de Grothendieck, les anneaux de Noether, les infinis de Cantor — créèrent les objets avec lesquels le travail ultérieur calcule. La formation de concepts, pas la déduction, est là où les mathématiques croissent réellement, et aucun système ne le fait encore.
Il existe une infinité d'énoncés vrais ; presque tous sont sans valeur. Juger quels résultats éclairent, quelles démonstrations expliquent plutôt que vérifient seulement, et quelles directions sont fécondes reste un consensus humain construit sur des carrières.
Quand les mathématiques certifient un cryptosystème, les statistiques d'un essai clinique ou une loi de commande d'aéronef, un humain nommé doit répondre de ce que le théorème dit réellement sur le monde. Vérifié par machine n'est pas la même chose que correctement modélisé.
La chaîne d'apprentissage — directeur à étudiant, de main en main depuis les universités médiévales — transmet goût et standards, pas seulement contenu, et reste la façon dont la profession se reproduit.
Déjà parti : les systèmes d'algèbre informatique gèrent le calcul, l'intégration et la résolution d'équations du domaine depuis les années 1980, et aucun mathématicien en activité ne le regrette.
Les modèles de langage récupèrent désormais lemmes pertinents, techniques connues et antériorité à travers des millions d'articles plus vite que toute lecture humaine — érodant l'avantage de la mémoire encyclopédique qui définissait des savants comme Erdős.
Contrôler la correction ligne par ligne — le devoir le plus fastidieux du rapporteur — appartient de plus en plus à des systèmes formels comme Lean et Coq, qui le font avec un rigueur qu'aucun rapporteur humain fatigué n'égale.
Étant donné un problème de style compétition précisément énoncé, les systèmes d'IA atteignirent le niveau de la médaille d'or IMO en 2025. Étendre cela aux lemmes de recherche routiniers — énoncés par un humain, démontrés par une machine — est la frontière en train d'être franchie.
L'expérience Liquid Tensor de Peter Scholze (2021–22) vit la communauté Lean vérifier un théorème qu'il considérait comme son plus important et le moins vérifiable, convertissant beaucoup de sceptiques ; les grandes nouvelles démonstrations arrivent de plus en plus avec des compagnons vérifiés par machine, et les revues commencent à l'attendre.
L'article Nature 2021 de DeepMind généra des conjectures en théorie des nœuds et en théorie des représentations que les mathématiciens Geordie Williamson et collègues démontrèrent ensuite ; AlphaProof suivit en 2024. La division émergente du travail : les machines proposent et broient, les humains cadrent et jugent.
La classification des groupes simples finis consomma des dizaines de milliers de pages de revues et plus de cent auteurs ; les projets Polymath depuis 2009 démontrent des théorèmes par des foules ouvertes en ligne. L'authorship moyen ne cesse de monter — le flux de travail du génie solitaire prend discrètement sa retraite.
Les laboratoires d'IA, sociétés de trading et équipes de cryptographie enchérissent désormais directement pour des mathématiciens chercheurs, embauchant le talent exact que l'université forme mais ne peut payer. Le centre de gravité de la profession dérive du département de mathématiques vers l'industrie, comme celui de la physique au XXe siècle.
Les mathématiques de l'apprentissage profond — optimisation, probabilité, géométrie des espaces de haute dimension — sont minces et ouvertement reconnues comme telles ; des mathématiciens chercheurs sont embauchés pour construire la théorie que les résultats empiriques attendent encore.
Les sociétés de trading fonctionnent sur le calcul stochastique, les statistiques et l'optimisation, et recrutent directement dans les départements de mathématiques à plusieurs fois le salaire académique — la plus grande rampe de sortie pour les doctorats du domaine.
Les normes post-quantiques que le NIST a finalisées en 2024 reposent sur des problèmes de réseaux de la théorie des nombres pure ; la sécurité des communications mondiales est désormais, littéralement, des mathématiques de recherche appliquées avec une échéance de déploiement.
Les mêmes compétences d'assistant de démonstration qui entrent en mathématiques pures sont un travail industriel rémunéré chez les fabricants de puces et les fournisseurs cloud — Intel vérifie formellement des unités à virgule flottante depuis le bug de division du Pentium de 1994 qui lui coûta 475 millions de dollars, et AWS démontre des propriétés de ses protocoles centraux.
Trois lentilles reversibles: augmenter, remplacer une tranche, ou ouvrir une niche. Pedagogique, pas une prevision.
Le role reste; l IA accelere brouillons ou recherche; le jugement reste humain.
Un paquet etroit de taches peut se comprimer d abord tandis que le craft adjacent croit.
Supervision et integration peuvent apparaitre la ou la sortie IA doit etre fiable.
L'image honnête à court terme : les parties du métier qui ressemblent à résoudre — bien posées, autonomes, vérifiables — seront de plus en plus faites avec ou par des machines, exactement comme le calcul. Les parties qui ressemblent à demander — cadrer, définir, juger, enseigner — ne montrent aucun signe d'automatisation, et ce sont celles que les praticiens ont toujours identifiées comme le vrai travail.
L'économie pointe dans la même direction. La demande de personnes formées en mathématiques monte partout où les machines deviennent plus intelligentes, parce que quelqu'un doit spécifier ce que les machines doivent faire et vérifier ce qu'elles ont fait ; le Bureau of Labor Statistics américain projette une croissance à deux chiffres pour les occupations mathématiques jusqu'en 2033. Le titre sur le badge peut dire chercheur, quant ou scientifique, mais la formation est celle du mathématicien.
La question ouverte est culturelle, pas économique : si un domaine dont l'identité fut construite sur la démonstration humaine non assistée traitera les théorèmes assistés par machine comme connaissance pleinement possédée. La controverse des quatre couleurs de 1976 préfigura l'argument ; l'ère Lean le règle en pratique, une démonstration formalisée à la fois. La profession qui survécut à la perte de son propre nom — computer — au profit d'une machine survivra probablement à partager ses démonstrations avec une.
Voisins les plus proches sur le profil à six scores — pas seulement le même champ.
L'érudit payé pour professer une discipline en public — vingt-cinq siècles d'enseignement et de découverte, du bosquet de Platon à la titularisation et au tuteur IA.
AI-resistant 76 🎬Transforme un scénario en film achevé en décidant de chaque plan, de chaque jeu d'acteur et de chaque coupe, puis convainc producteur, studio et public que la vision valait le budget.
AI-resistant 73 🧩Le scientifique de l'esprit et du comportement, du laboratoire de Wundt à Leipzig en 1879 à la salle de thérapie — formé pour entendre ce qu'une personne ne peut pas encore se dire elle-même.
AI-resistant 82 💱Le spécialiste de la rareté — de l'usine d'épingles d'Adam Smith à la salle de décision de la banque centrale, toujours invité à prédire ce qu'aucun modèle ne saisit entièrement.
AI-resistant 62 🔭Le scientifique qui mesure l'univers, des tablettes d'argile babyloniennes aux télescopes spatiaux, et qui décide encore aujourd'hui quelle fluctuation dans les données est une découverte.
AI-resistant 70 ⚖️La personne à laquelle les sociétés font confiance pour décider : de la stèle d'Hammourabi aux audiences de libération sous caution notées par l'IA, les différends les plus difficiles se terminent toujours devant un être humain responsable.
AI-resistant 90Établit et teste les lois mathématiques qui régissent la matière, l'énergie, l'espace et le temps, d'un tableau noir solitaire à un article de collisionneur signé par 3 000 auteurs.
AI-resistant 65 🧬Le scientifique qui étudie la vie elle-même, de Linnaeus nommant les espèces à la main à l'édition de génomes avec CRISPR, testant encore chaque idée sur un organisme vivant.
AI-resistant 64 🧪Le scientifique qui fabrique et mesure la matière — de l'alambic babylonien de Tapputi aux laboratoires robotisés d'aujourd'hui, celui qui décide encore ce que signifie le spectre.
AI-resistant 70 📊Détecte des régularités et construit des modèles prédictifs à partir de données — un intitulé de poste né en 2008, fondé sur trois siècles de comptage, de tests et de visualisation des preuves.
AI-resistant 38 🔭Le scientifique qui mesure l'univers, des tablettes d'argile babyloniennes aux télescopes spatiaux, et qui décide encore aujourd'hui quelle fluctuation dans les données est une découverte.
AI-resistant 70 🧿Construit, mesure et contrôle des appareils qui exploitent les états quantiques pour l'informatique, la détection, la communication et la recherche sur les matériaux.
AI-resistant 78 🧫Utilise les données cliniques, d’essais et du système de santé pour générer des preuves fiables pour des soins, des recherches et des décisions opérationnelles plus sûrs.
AI-resistant 68