La menace du solveur : l'assistance mathématique par IA en 2026, et ce qui y résiste vraiment

Résultats

1. Solveurs mathématiques grand public : capacité et portée

Photomath combine un système de calcul formel avec de l’OCR (étendu à la reconnaissance de l’écriture manuscrite depuis 2016) pour scanner un problème imprimé ou manuscrit — y compris des problèmes énoncés en texte — et produire une solution détaillée par étapes en quelques secondes, couvrant les mathématiques « du primaire à l’université » : arithmétique, algèbre, géométrie, trigonométrie, statistiques et calcul infinitésimal [4][5]. L’échelle est massive : dès 2021, plus de 220 millions de téléchargements et environ 2,2 milliards de problèmes résolus par mois [4]. Symbolab annonce explicitement accepter des « pages manuscrites et captures d’écran » en plus de la notation tapée et des requêtes en langage naturel, couvrant du pré-algèbre au calcul infinitésimal, la trigonométrie, la physique et les statistiques, en présentant sa sortie comme détaillée par étapes plutôt que comme une simple réponse [6]. La force de Wolfram|Alpha réside dans le calcul symbolique/en forme close avec une saisie libre — très solide en algèbre canonique, calcul infinitésimal et résolution d’équations, historiquement plus faible sur les problèmes nécessitant l’analyse sémantique d’un énoncé ambigu. Les applications « caméra d’abord » comme Gauth (et Microsoft Math Solver, qui ajoute la reconnaissance d’écriture manuscrite et le traçage de graphiques à un pipeline OCR-plus-solveur similaire) suivent le même schéma : caméra en entrée, réponse détaillée par étapes en sortie, en quelques secondes, plusieurs offrant en plus un tchat de tuteur humain ou IA en direct pour tout ce que le solveur automatique ne parvient pas à analyser proprement. Le point commun est que ces outils sont les plus forts exactement là où les problèmes scolaires et d’applications d’entraînement sont les plus faibles par nécessité de conception : des problèmes uniques, bien posés, en forme close, avec une seule réponse finale correcte.

2. Assistants d’IA généralistes : de l’AIME à l’or aux IMO

Les LLM de pointe ont traversé, puis dépassé, le palier des mathématiques de compétition qui constituait autrefois un plafond significatif. L’AIME (un examen olympique qualificatif américain) est désormais répertorié par au moins un traceur de benchmarks comme un benchmark « archivé » ou saturé, car « la performance sur ce benchmark a saturé » et les fournisseurs ont cessé de soumettre leurs nouvelles versions à ce test, avec un score maximal de 98,12 % enregistré pour Gemini 3.1 Pro Preview, et une note indiquant que neuf des dix modèles les mieux classés du classement sont des modèles de raisonnement [12]. La génération de preuves en langage naturel de niveau compétition, la frontière la plus difficile, a elle aussi reculé plus que prévu. En 2024, AlphaProof et AlphaGeometry 2 de DeepMind ont atteint 28/42 points (niveau médaille d’argent) aux IMO, mais seulement après que les problèmes ont été traduits manuellement dans le langage formel Lean, et le problème le plus difficile a nécessité jusqu’à trois jours de calcul [3]. Un an plus tard, en juillet 2025, une version avancée de Gemini dotée de « Deep Think » a atteint 35/42 (niveau médaille d’or), résolvant parfaitement cinq des six problèmes, de bout en bout en langage naturel — sans étape de formalisation — dans la même limite de 4,5 heures par session que les compétiteurs humains [2]. L’examen des IMO eux-mêmes a confirmé que les solutions soumises étaient « complètes et correctes », tout en précisant que « leur examen ne s’étend pas à la validation de notre système, de nos processus ou du modèle sous-jacent » [2] — ce sont des artefacts notés, pas des systèmes audités, et le résultat a tout de même impliqué une curation humaine substantielle des données d’entraînement et des indices généraux de résolution de problèmes [2]. OpenAI a rapporté séparément des résultats comparables de niveau médaille d’or pour un modèle expérimental sur la même période, bien que non soumis au même processus de coordination officiel des IMO ; il faut traiter cette annonce comme directionnellement cohérente avec le résultat vérifié de DeepMind, plutôt que comme un score audité de façon indépendante. Là où les modèles généralistes échouent encore, c’est sur la véritable frontière de la recherche : FrontierMath d’Epoch AI puise ses problèmes auprès de mathématiciens professionnels en théorie des nombres, analyse réelle, géométrie algébrique et théorie des catégories, des problèmes qui prennent chacun plusieurs heures à des experts, avec une tranche supérieure « Tier 4 » demandant plusieurs jours d’effort expert — conçu pour continuer à tester les systèmes de pointe à mesure que les benchmarks plus faciles saturent [11]. C’est bien au-dessus de tout ce qu’une application d’entraînement K-12/université assignerait, mais cela compte pour l’ambition de Math Challenge d’atteindre un contenu de niveau doctorat : quelque part entre « série d’exercices difficile » et « problème de recherche ouvert », les solveurs cessent d’être fiables, et cette frontière mérite d’être connue précisément avant de concevoir le contenu du plus haut niveau.

3. La capture d’écran multimodale vers la réponse : pourquoi les caméras déjouent les défenses internes à l’application

Le mécanisme qui rend la plupart des défenses anti-triche internes à l’application non pertinentes est simple : une photographie d’écran est un canal hors bande. Elle n’entre jamais dans le DOM de l’application, ne déclenche jamais d’événement clavier ou de collage, ne touche jamais ses requêtes réseau, et est invisible à toute défense de niveau JavaScript (désactivation du copier-coller, obscurcissement du code source, flou lors du changement d’onglet, filigrane, même la plupart des surveillances intégrées au navigateur). La photo quitte l’appareil par la caméra puis via une deuxième application ou un deuxième appareil — une surface que l’application d’entraînement ne peut absolument pas instrumenter. Chaque solveur grand public mentionné ci-dessus est construit exactement autour de ce flux de travail — caméra en entrée, réponse détaillée par étapes en sortie, en quelques secondes [4][5][6]. La nouveauté de 2026 est que cela ne nécessite plus une étape discrète « photo, attente de l’OCR » : les assistants multimodaux en direct (partage d’écran ou modes caméra/vision continus chez GPT, Gemini et des produits comparables) permettent à un élève de partager son écran en temps réel et d’obtenir une réponse parlée sur le ton de la conversation, y compris la narration de ce qu’il faut faire ensuite — lisant un problème sur un écran mobile ou partiellement obscurci, en pleine interaction. Aucune défense purement côté client ou purement basée sur le temps n’est durable à elle seule ; les deux réponses qui ne dépendent pas de « l’élève peut-il faire sortir une photo » sont (a) exiger un artefact soumis qui n’est pas une chaîne unique et reproductible — un processus, un état de manipulation d’interface, un dialogue — et (b) rendre un aller-retour externe plus coûteux, cumulativement, que les points qu’il rapporte, via la re-interrogation adaptative (§6 et les implications de conception ci-dessous).

4. L’ampleur déjà réelle de l’usage de l’IA chez les élèves

Ce n’est pas un comportement marginal. L’enquête de décembre 2024 de HEPI auprès de 1 041 étudiants britanniques de premier cycle à temps plein (menée par Savanta) a trouvé que 92 % avaient utilisé un outil d’IA quelconque et 88 % avaient utilisé l’IA générative spécifiquement pour des évaluations, en forte hausse par rapport aux 53 % de l’année précédente ; le gain de temps (51 %) et l’amélioration perçue de la qualité (50 %) arrivaient en tête des motivations déclarées, tandis que la crainte d’être accusé de triche (53 %) et le risque d’hallucination (51 %) étaient les principaux facteurs dissuasifs — pas un manque de capacité ou de connaissance [1]. La publication de janvier 2025 du Pew Research Center (Ipsos, sept.-oct. 2024, n=1 391 adolescents américains de 13 à 17 ans) a trouvé que 26 % avaient utilisé ChatGPT pour leurs devoirs, soit le double des 13 % enregistrés en 2023 — et le jugement des adolescents sur ce qui est acceptable varie fortement selon la tâche : 54 % jugent cela acceptable pour rechercher un sujet, mais seulement 29 % pour résoudre des problèmes de mathématiques (28 % jugent cela inacceptable), et 18 % pour rédiger des dissertations [10]. Cette asymétrie compte ici : les mathématiques sont la matière sur laquelle les élèves eux-mêmes sont le plus partagés, une véritable ouverture pour un produit dont les surfaces notées ou classées peuvent revendiquer de manière crédible de résister à l’usage occasionnel de solveurs. L’usage chez les personnes ayant déjà accès à l’IA penche vers la recherche directe de réponses : l’analyse d’Anthropic sur environ 575 000 conversations académiques sur Claude.ai a trouvé l’informatique et les STEM fortement surreprésentées par rapport aux inscriptions (l’informatique seule représentant 36,8 % des conversations contre 5,4 % des diplômes américains), et près de la moitié (~47 %) des conversations étaient « directes » — recherchant une réponse ou un contenu fini avec peu d’allers-retours [9]. La répartition des tâches penchait vers un travail d’ordre supérieur (Créer 39,8 %, Analyser 30,2 %) et s’éloignait du rappel (Se souvenir 1,8 %) [9], cohérent avec un réflexe « laisser l’outil raisonner, je prends le résultat » — précisément le comportement qu’une application d’entraînement doit rendre non gratifiant.

5. L’échec des détecteurs de texte d’IA, et ce que cela implique

Deux axes de recherche publiée sapent l’idée qu’un détecteur puisse filtrer la triche de manière fiable. D’abord, les détecteurs sont manifestement biaisés : des études sur les détecteurs de type GPT trouvent qu’ils « classent systématiquement à tort les échantillons d’écriture en anglais non natif comme générés par l’IA, tandis que les échantillons d’écriture native sont correctement identifiés », et les mêmes stratégies simples de formulation de prompt qui réduisent ce biais permettent aussi à un utilisateur d’échapper totalement à la détection — le même levier joue dans les deux sens [7]. Ensuite, les détecteurs sont fragiles face à l’évasion adversariale en général : une recherche testant la détection contre des textes de ChatGPT et de Claude a trouvé que la paraphrase, l’espacement aléatoire et les perturbations adversariales « peuvent diminuer significativement l’efficacité de la détection », concluant que les méthodes actuelles manquent de robustesse même face à une évasion peu sophistiquée [8]. L’implication ici est directe : tout champ « explique ton raisonnement » ne peut pas utiliser en toute sécurité un détecteur d’IA comme filtre automatique de réussite/échec — cela serait trivialement contournable et risquerait de signaler de façon disproportionnée du travail authentique venant d’élèves hispanophones ou d’autres non-natifs, dans un produit dont les exigences mêmes imposent une UX bilingue. La détection, là où elle est utilisée, doit rester un signal souple alimentant une révision humaine, jamais un blocage automatique.

6. Les réponses de conception qui survivent réellement au contact d’un solveur

Le fil conducteur de toute mesure d’atténuation qui tient est le même : cesser de noter un artefact final unique et reproductible, et commencer à noter quelque chose qu’un solveur ne peut pas remettre en une seule fois — un processus avec des étapes intermédiaires notées, un jugement sur le travail d’autrui, un suivi adaptatif en direct, ou un état d’interface manipulé. Rien de tout cela ne rend un élève déterminé totalement résistant au solveur ; cela augmente le nombre d’allers-retours, le travail de traduction et le coût en temps par point gagné — le seul levier qu’une PWA en libre-service contrôle réellement. Le tableau et les implications de conception ci-dessous transforment cela en un catalogue de construction concret.

Ce qui survit à un solveur

Format d’item	Facilité avec laquelle un solveur le déjoue	Notabilité
Réponse finale simple (« résoudre pour x »)	Trivial — en quelques secondes, taux de réussite quasi total [4][5][6]	Entièrement notable automatiquement ; format le plus faible
Problème en texte à une seule étape	Facile pour les LLM multimodaux ; solveurs OCR seuls plus faibles mais rattrapent leur retard	Notable automatiquement avec un analyseur
Problème en texte à plusieurs étapes, sous-quantités nommées	Toujours déjoué, mais exige de retranscrire tout le problème	Notable automatiquement par étape ; friction, pas immunité
« Montre ton travail » / processus complet	Le solveur génère un processus complet à copier mot pour mot	Nécessite une notation humaine/IA ; texte copié pas détectable de façon fiable [7][8]
« Repère l’erreur dans cette solution »	Plus difficile — le solveur doit évaluer un argument, pas seulement en produire un	Notable automatiquement (quelle ligne, quelle erreur)
Estimation / ordre de grandeur seulement	Faible isolément — une réponse exacte de solveur satisfait trivialement une vérification de plage	Facile à noter automatiquement ; à combiner avec une justification
Manipulation interactive (glisser un point, construire un graphique, équilibrer une équation)	Le solveur peut décrire la cible, mais réaliser l’action d’interface exige encore l’élève	Notée sur l’état final de l’interface, pas sur une chaîne de texte
Réponses multiples/tout sélectionner, distracteurs de conception erronée	Modéré — la résolution brute force donne l’ensemble, mais des distracteurs ciblés affaiblissent le raccourci	Entièrement notable automatiquement
Suivi adaptatif (nouveaux nombres, même méthode)	Fort — capte « a répondu une fois » vs. « peut répéter » ; déjoué seulement en re-interrogeant à chaque fois	Notable automatiquement, entièrement contrôlé par l’application
Dialogue de tuteur socratique intégré à l’application	Fort face aux captures d’écran statiques ; se dégrade si du texte de solveur est collé	Nécessite son propre correcteur — la même course aux armements, un niveau plus haut
Défense orale en direct / vérification synchrone	Très fort	Nécessite du personnel/une infrastructure en direct ; peu adapté à une PWA en libre-service
Preuve originale/inédite de niveau recherche	Résiste aux solveurs et aux LLM généralistes à la véritable frontière [11][2][3]	Non notable à grande échelle ; révision par des experts uniquement

Implications de conception

1. Format par défaut d’indice/défi : montrer une solution détaillée avec une étape erronée, demander quelle ligne et pourquoi — évaluer un argument vaut mieux qu’en produire un.
2. Remplacer la case de réponse unique par un processus structuré à plusieurs champs (chaque opération plus son résultat intermédiaire), noté par étape, de sorte qu’une réponse finale copiée sans les étapes correspondantes échoue automatiquement.
3. Re-interrogation adaptative obligatoire : faire suivre une réponse correcte immédiatement d’un problème isomorphe (même méthode, nouveaux nombres) ; « juste une fois, faux sur la variante » est un signal réel, en particulier dans les modes classés/tableau de bord.
4. Items à réponses multiples/tout sélectionner avec des distracteurs construits à partir d’erreurs de conception documentées et propres au sujet, pas des « nombres proches » génériques, de sorte que la résolution brute force soit un raccourci plus faible vers l’ensemble correct complet.
5. Verrouiller les questions à valeur exacte derrière une étape d’estimation préalable (noter une plage ou une réponse d’ordre de grandeur avant de révéler la question précise), récompensant un sens du nombre dont un solveur n’a pas besoin.
6. Manipulables interactifs — glisser un point sur une droite numérique, placer des points pour construire un graphique, déplacer des termes pour équilibrer une équation — notés sur l’état résultant de l’interface, pas sur un nombre tapé : le seul format qu’un solveur ne peut pas restituer comme une chaîne copiable, même quand il peut en décrire la réponse.
7. Tchat de tuteur socratique intégré à l’application comme voie principale de demande d’aide, de sorte que demander de l’aide produise un dialogue noté plutôt qu’une chaîne extractible par capture d’écran ; noter en partie sur la cohérence et la spécificité des tours de parole propres à l’élève.
8. Un court champ « explique-le avec tes propres mots » avant qu’une réponse ne soit acceptée ; n’utiliser un éventuel signal de texte d’IA que comme un drapeau souple pour révision humaine, jamais comme un blocage automatique, étant donné le biais des détecteurs contre les non-natifs et leur contournabilité par paraphrase [7][8].
9. Des budgets de temps en mode classé assez courts pour qu’un aller-retour externe complet (photographie, OCR/résolution, recopie) coûte plus cher que de résoudre directement ; le mode pratique non chronométré reste la surface ouvertement peu contraignante et non compétitive.
10. Randomiser les paramètres numériques côté serveur par élève/tentative, de sorte qu’une capture d’écran, une clé de réponses partagée ou un résultat web mis en cache ne se transfère pas vers un item identique d’un autre élève.
11. Pondérer la notation vers la constance sur de nombreux petits items (séries, portfolios) plutôt que sur des items uniques à haute valeur, réduisant le gain à résoudre un seul item via une aide extérieure.
12. Une auto-évaluation de confiance (1-5) accompagnant chaque réponse ; une confiance élevée mal calibrée avec un raisonnement discordant est un signal utile et non punitif.
13. Diviser le discours d’intégrité par mode : le mode pratique ne revendique aucune résistance au solveur ; le mode classé/tableau de bord concentre les suivis adaptatifs, la notation de processus et les minuteurs courts, puisque c’est la surface dont l’intégrité compte pour les autres utilisateurs.
14. Router les items « produis une preuve inédite » de niveau doctorat vers une révision humaine ou par les pairs asynchrone plutôt qu’une notation automatique — le seul format qui résiste encore aux solveurs grand public et aux modèles de pointe [11][2][3], et le seul format que personne ne peut noter automatiquement à grande échelle.

Ce que nous ne pouvons pas empêcher, dit clairement : toute tâche entièrement spécifiable comme du texte simple ou une image unique avec une seule réponse finale vérifiable, soumise sans processus ni suivi obligatoire, sera résolue en quelques secondes par des outils déjà largement utilisés par les élèves — parce que le canal de la photo ou de la vision en direct ne touche jamais l’application. Les assistants multimodaux en direct érodent encore davantage les défenses fondées sur la pression temporelle, puisqu’un élève peut obtenir un guidage parlé pendant que l’écran reste visible, au lieu de faire l’aller-retour d’une capture d’écran statique. Aucun portail fondé sur un détecteur n’est sûr à utiliser de façon punitive. Rien de tout cela ne se corrige par l’ingénierie ; on ne peut que le rendre moins gratifiant (pas la surface notée) ou plus coûteux par point (conception adaptative). Une affirmation contraire relève du marketing, pas d’un fait.

Questions ouvertes pour le propriétaire du projet

1. Les modes classés/tableau de bord devraient-ils imposer un plafond de temps strict par item, plus court qu’un aller-retour photo-et-résolution typique — et quel aménagement existe pour les élèves ayant réellement besoin de plus de temps ?
2. Quelle part de la feuille de route va à un tuteur socratique interne (coût de son propre LLM, modération, latence) par rapport à une conception d’items adaptatifs et de notation de processus sans composante générative du tout ?
3. Le produit devrait-il jamais utiliser des signaux de similarité de texte d’IA dans un contexte bilingue EN/ES, étant donné le biais documenté des détecteurs contre les non-natifs — ou ce type de vérification est-il exclu par principe ?
4. Pour le contenu de niveau doctorat, la révision manuelle/par les pairs de preuves ouvertes est-elle envisagée, ou le niveau le plus élevé reste-t-il confiné à des formats notables automatiquement (critique de preuve, repérage d’erreur), même si cela plafonne à quel point ce niveau peut être « doctorat » ?
5. Le mode pratique devrait-il autoriser explicitement l’usage d’outils externes comme choix de conception assumé, recentrant le discours d’intégrité sur le mode classé et la maîtrise dans la durée, plutôt que de laisser entendre que les réponses en mode pratique résistent au solveur alors qu’elles ne le peuvent structurellement pas ?