- ▸ Quand la machine résout, on dit « génie »
- ▸ Sept éléments, pas un de plus
- ▸ La fenêtre de contexte, un brouillon sans fin
- ▸ Mémoire ou raisonnement : le doute qu'on préfère éviter
Une machine résout un problème de mathématiques. Aussitôt, un mot tombe, toujours le même : intelligence. Nous prêtons à la machine une pensée supérieure, une lucidité qui nous dépasserait. Et si nous nous trompions de faculté ? Si elle ne raisonnait pas mieux, mais retenait davantage.
L’essentiel – L’avantage décisif d’un modèle tient à un espace de travail symbolique presque illimité, pas nécessairement à une pensée supérieure. – Le cerveau humain bute sur une mémoire de travail minuscule dès qu’il faut manipuler beaucoup d’informations en même temps. – Une IA garde tout le problème sous les yeux : hypothèses, équations intermédiaires, pistes abandonnées, contraintes de départ.
Quand la machine résout, on dit « génie »
En août 2026, le chercheur Davide Piffer a publié un texte au titre tranchant : AI Isn’t Outthinking Mathematicians. It’s Out-Remembering Them. — l’IA ne pense pas mieux que les mathématiciens, elle se souvient mieux qu’eux (davidepiffer.com). L’idée est simple, presque désarmante.
Voici le réflexe qu’il décrit. Quand un système résout un problème difficile, l’explication habituelle consiste à dire qu’il est devenu plus intelligent. Piffer avance une autre hypothèse : l’avantage clé ne serait pas un raisonnement supérieur, mais une mémoire de travail symbolique quasi illimitée. Ces systèmes deviennent, écrit-il, « better at mathematics » — meilleurs en mathématiques. La question est de savoir par quelle faculté.
Je crois que cette distinction change tout, parce qu’elle déplace la question. Nous cessons de demander « la machine est-elle plus intelligente ? » pour poser une question plus honnête, plus dérangeante aussi : combien de choses peut-elle tenir en tête à la fois, et nous, si peu.
Sept éléments, pas un de plus
La mémoire de travail est le système mental qui nous permet de retenir et de manipuler des informations sur de courtes durées. C’est l’établi de la pensée. Tout ce que vous « avez à l’esprit » en ce moment y tient — et cet établi est étroit.
En 1956, le psychologue George Miller publiait un article devenu un classique de la cognition : The Magical Number Seven, Plus or Minus Two. Sa thèse tenait dans son titre. Nous manipulons en simultané un nombre d’éléments dérisoire, de l’ordre de la poignée. Des travaux ultérieurs ont revu ce chiffre à la baisse, autour de quelques unités seulement. Peu importe le compte exact : l’ordre de grandeur est celui d’une main, pas d’une bibliothèque.
Prenez une démonstration mathématique. Vous devez suivre des hypothèses, des lemmes intermédiaires, des exceptions, plusieurs cas possibles qui se ramifient. À chaque nouvelle branche, une ancienne s’efface de votre conscience immédiate. Le mathématicien humain compense avec du papier, un tableau, des années d’entraînement à compresser l’information en blocs. Reste que le goulot d’étranglement demeure : notre pensée s’exerce à travers une fente. Nous raisonnons magnifiquement, mais sur trois idées à la fois, pas trois cents.
La fenêtre de contexte, un brouillon sans fin
C’est ici que la machine change de nature. Un modèle peut conserver dans sa fenêtre de contexte l’énoncé complet du problème, des centaines d’équations intermédiaires, plusieurs approches abandonnées, les définitions, les contraintes et les conclusions déjà établies — tout, en même temps, sans rien perdre.
Imaginez un mathématicien qui n’oublierait jamais aucune de ses tentatives ratées. Qui garderait sous les yeux, en permanence, l’intégralité de son brouillon depuis la première ligne. Aucune piste écartée ne s’évapore ; aucune contrainte posée au départ ne se dissout en cours de route. Cet établi-là n’a pas de bord.
Ce que Piffer nomme virtually unlimited symbolic working memory n’est pas une métaphore commerciale. C’est une différence de régime. Là où le cerveau doit sans cesse arbitrer entre ce qu’il retient et ce qu’il lâche, le modèle refuse l’arbitrage. Il ne choisit pas ce qu’il oublie parce qu’il n’oublie presque rien à l’échelle d’un problème donné. Une partie de ce que nous prenons pour de la clairvoyance pourrait n’être que cela : l’absence d’oubli. La différence, souligne le texte, pèse particulièrement lourd en mathématiques, discipline où chaque étape dépend de toutes les précédentes. Sur ce terrain, ne rien perdre, c’est déjà presque gagner.
Mémoire ou raisonnement : le doute qu’on préfère éviter
Je serais malhonnête de m’arrêter là. La thèse de la seule mémoire a des adversaires sérieux, et il faut les prendre au mot avant de leur répondre.
Premier contre-argument : le modèle a peut-être absorbé des millions d’exemples mathématiques. Il ne se souviendrait pas mieux ; il aurait simplement déjà vu des problèmes proches, dont il recrache une variante. Deuxième contre-argument, plus fort encore : l’apprentissage par renforcement lui aurait enseigné de meilleures stratégies de raisonnement, pas seulement une meilleure rétention. Ce ne serait donc pas l’établi qui grandit, mais la méthode qui s’affine.
Ces objections sont recevables. Je ne les balaie pas. J’observe seulement qu’elles ne s’excluent pas de la thèse mémorielle — elles la présupposent. Car pour exploiter des millions d’exemples ou une stratégie apprise, encore faut-il un espace où déployer tout ce matériau en même temps. La stratégie la plus fine ne vaut rien si le raisonneur oublie sa troisième prémisse en arrivant à la dixième. Mémoire et raisonnement ne se font pas concurrence : la première est la condition d’existence du second à grande échelle. Piffer ne prétend pas que la machine ne raisonne pas. Il suggère que nous mesurons mal ce qui, dans sa performance, relève de la pensée et ce qui relève de la capacité brute à tout garder en vue. Tant que nous confondons les deux, nous surestimons l’une en ignorant l’autre.
Ce que ce malentendu dit de nous
Cette querelle dépasse de loin les mathématiques. Nous avons pris l’habitude d’interpréter la performance d’une IA comme la preuve d’un raisonnement supérieur — dans le droit, le code, le diagnostic, partout. Or si une part du résultat vient d’un établi mille fois plus large que le nôtre, alors nous ne mesurons pas une intelligence : nous mesurons un empan.
L’enjeu est notre propre définition de l’intelligence. Depuis un siècle, nous confondons volontiers « penser » et « tenir beaucoup de choses en tête ». La machine nous tend un miroir gênant. Elle réussit là où nous échouons non parce qu’elle serait plus profonde, mais parce que nous, êtres à la mémoire de travail minuscule, avons érigé nos limites biologiques en critères de génie. Reconnaître cela n’abaisse pas la machine. Cela nous rend, à nous, une forme de dignité : notre pensée fait énormément, avec presque rien.
La prochaine frontière n’est pas la taille, c’est l’usage
Où regarder maintenant ? La course aux fenêtres de contexte toujours plus grandes — le passage au million de jetons, puis au-delà — occupe les laboratoires depuis 2025. Sur l’horizon 2026-2027, je fais le pari que le vrai saut ne se jouera pas sur la taille de l’établi, mais sur la manière de s’en servir. Un espace immense mal exploité ne vaut pas mieux qu’un établi étroit bien tenu.
La question que je surveillerai n’est donc plus « combien la machine peut-elle retenir ? », mais « sait-elle décider quoi oublier ? ». Ce jour-là, elle commencera peut-être à faire ce que nous faisons depuis toujours : penser sous contrainte.
Deux questions qui reviennent
Les IA sont-elles vraiment plus intelligentes que nous ?
Selon la lecture défendue par Davide Piffer, l’impression de supériorité tient surtout à un espace de travail incomparablement plus vaste, capable de retenir simultanément tous les éléments d’un problème. Ce n’est pas la même chose qu’une supériorité logique intrinsèque. La distinction reste débattue, et l’auteur ne tranche pas définitivement.
Qu’est-ce que la fenêtre de contexte d’une IA ?
C’est la mémoire de travail interne du modèle : l’ensemble des informations qu’il garde actives pendant qu’il traite une tâche — énoncé, étapes intermédiaires, contraintes, pistes abandonnées. Contrairement à la mémoire humaine, limitée à quelques éléments, elle peut en contenir des centaines à la fois.
Nous avons commencé par un mot : intelligence. Nous pourrions le remplacer par un autre, moins flatteur pour la machine, plus juste envers nous : mémoire. La question n’est pas de savoir si l’IA nous dépasse. C’est de savoir ce que, ce faisant, elle nous apprend sur la fente étroite par laquelle nous avons, depuis toujours, réussi à penser.
Cet article est une tribune et reflète l’opinion de son auteur.
