Conjecture KLS : un problème ouvert depuis 1995 résolu par deux chercheurs épaulés par des agents IA

Dans un billet du 21 octobre 2026, Microsoft Research revient sur la démonstration de la conjecture KLS, un problème de mathématiques resté ouvert depuis 1995. Le résultat intéresse les spécialistes. La manière dont il a été obtenu intéresse tous ceux qui se demandent ce que les agents IA savent réellement faire.

De quoi parle la conjecture

Formulée par Kannan, Lovász et Simonovits, elle porte sur les formes en très grande dimension. La question, simplifiée : pour couper une forme en deux, la meilleure coupe plane est-elle toujours presque aussi efficace que la meilleure coupe de forme quelconque ? La conjecture affirme que l'écart est borné par une constante, quel que soit le nombre de dimensions.

L'enjeu dépasse la géométrie. Cette propriété détermine la vitesse à laquelle une marche aléatoire explore un espace, donc l'efficacité des algorithmes d'échantillonnage utilisés en statistique et en optimisation. De nombreux résultats supposaient la conjecture vraie ; selon le billet, ils peuvent désormais être énoncés sans condition.

Ce qui a été fait

L'article, signé par deux chercheurs, part d'un résultat de juillet 2026 dans lequel la borne croissait encore lentement avec la dimension. Une première version, le 1er octobre, réduit fortement cette dépendance. La version du 4 octobre l'élimine et achève la preuve.

Le billet décrit la méthode comme une recherche conduite par l'humain avec des agents :

• plusieurs agents explorent en parallèle des variantes d'une idée ;
• le chercheur examine les résultats intermédiaires, écarte les impasses et transmet la piste la plus prometteuse au tour suivant ;
• une centaine de pistes ont été explorées avant l'idée décisive.

Les agents ont mené des calculs longs, préparé le manuscrit et effectué des vérifications internes. Le choix de la direction, la sélection des idées, l'assemblage de l'argument final et la vérification sont revendiqués par les chercheurs.

L'expérience témoin

C'est le passage le plus instructif. Les auteurs ont lancé en parallèle des tentatives non guidées avec plusieurs modèles de premier plan, pour un budget de jetons à peu près équivalent. Elles n'ont pas abouti. La conclusion du billet : le succès tient à la combinaison des capacités de l'IA et du jugement mathématique des chercheurs.

Quelles garanties

• Le jour même de la publication de la preuve complète, un autre groupe d'experts a mis en ligne sa propre démonstration, construite sur la première version de l'article de Microsoft. Une troisième preuve, fondée sur une idée voisine, est parue le même jour.
• Une formalisation en Lean 4, un langage qui permet à un ordinateur de vérifier une démonstration, a été publiée ensuite sur GitHub.
• Les auteurs disent avoir raccourci leur preuve et vérifié cette version en Lean. Ils prévoient de la publier après relecture finale.

Les limites

• Le billet ne nomme ni les modèles ni le système d'agents utilisés, et ne chiffre pas le budget consommé.
• Il ne dit rien d'une relecture par une revue scientifique.
• La vérification en Lean réalisée par les auteurs n'est pas encore publique.
• Le récit vient du laboratoire lui-même. La part exacte de l'IA dans l'idée décisive ne peut pas être contrôlée de l'extérieur.

Notre lecture

Ce cas ne montre pas une IA qui fait des mathématiques seule. Il montre un expert qui multiplie sa capacité d'exploration : cent pistes examinées au lieu de quelques-unes, avec un tri humain à chaque tour.

Le schéma se transpose à des travaux bien plus ordinaires, comme une étude de marché, une analyse juridique ou la recherche d'une panne. Faites explorer large par des agents, gardez pour vous le choix de la direction et la vérification finale. Et retenez l'expérience témoin : à budget égal, les mêmes outils sans pilote compétent n'ont rien produit. L'expertise de la personne qui dirige reste le facteur limitant.