Médaillés Fields contre benchmarks d'IA : une leçon pour les marketeurs

Les mathématiciens n'écrivent généralement pas de lettres ouvertes sur le marketing. Mais l'argument avancé en septembre par un groupe de médaillés Fields s'applique presque mot pour mot à la manière dont notre secteur mesure l'IA. Leur propos : résoudre des problèmes est un indicateur indirect, et le véritable objectif est la compréhension. Confondez les deux, et vous risquez d'abîmer précisément ce que vous cherchiez à améliorer.

Ce qui s'est passé

Selon The Next Web, une déclaration intitulée A Severe Misalignment of AI in Mathematics a été publiée le 11 septembre sur mathandai.org. Le site recense 25 signataires, dont Terence Tao, Peter Scholze, Maryna Viazovska, Cédric Villani, Pierre Deligne, Manjul Bhargava et Martin Hairer. La déclaration soutient que la résolution de problèmes est un outil et un indicateur indirect, alors que le but premier des mathématiques est la compréhension conceptuelle et l'intuition profonde. Elle avertit que produire en masse des énoncés vrais ou faux à un rythme croissant « pourrait détruire un terrain fertile ». TNW la présente comme une déclaration sur les benchmarks ; elle ne mentionne aucun événement précis.

La même semaine, une lettre ouverte distincte a critiqué un « Mathathon » IA organisé par des étudiants à Caltech, qualifiant le format de « slop mathematics » (mathématiques au rabais) et soutenant que le travail de vérification et de correction des résultats de l'IA reste « non rémunéré, non crédité et non reconnu ». TNW rapporte qu'OpenAI a retiré le 10 septembre ses crédits d'un million US$ de l'événement, tandis qu'Anthropic a maintenu sa contribution, et que les organisateurs ont ajouté des exigences sans annuler.

Pourquoi c'est important

La critique des mathématiciens porte sur un piège bien connu. Quand un problème difficile et célèbre devient un benchmark, les laboratoires optimisent la production de réponses. Les réponses sont mesurables. La compréhension ne l'est pas. Avec le temps, ce qui est mesurable évince ce qui a de la valeur, et quelqu'un d'autre se retrouve à vérifier les résultats.

L'IA marketing a exactement ce problème. Nous évaluons les outils sur ce qui est facile à compter : nombre de contenus générés, temps gagné, taux de clics, part des réponses IA qui mentionnent la marque. Ces chiffres comptent. Mais le but du marketing n'est pas la production ; c'est de comprendre suffisamment bien les clients pour les servir, et de bâtir une marque en laquelle les gens ont confiance. Un système qui inonde les canaux de contenus et gagne sur des indicateurs indirects peut éroder les deux en silence.

L'argument sur la vérification non rémunérée porte aussi. Le contenu généré est bon marché à produire et coûteux à vérifier. Si la vérification est invisible dans vos indicateurs, vos « gains de productivité » relèvent en partie de l'artifice comptable.

Ce que disent mes recherches

Mes recherches récentes s'articulent autour de cette distinction. Dans notre article SIGIR 2026, SOMIN: Agentic AI for Automating Professional Visibility and Countering Content Homogenization, le problème que nous traitons est précisément que les contenus rédigés par IA convergent : l'assistant de chacun produit les mêmes publications compétentes et génériques. Notre approche consiste à récupérer de vraies données de contexte avant d'écrire, afin que le résultat reste distinctif. Le volume sans singularité, c'est la version marketing du « slop ».

En matière de mesure, j'ai soutenu sur e27 que tous les tableaux de bord sont au vert, mais que personne ne sait dire ce qui a fonctionné. Des indicateurs indirects qui pointent tous vers le haut ne valent pas la connaissance de ce qui a causé les résultats. Et dans nos travaux sur l'IA explicable, de Against Opacity à MindFuse, l'objectif n'est pas seulement une meilleure prédiction, mais une explication dont un marketeur peut tirer des enseignements. C'est l'équivalent marketing de la « compréhension conceptuelle » des mathématiciens.

Ce que les équipes marketing peuvent en retenir

• Nommez l'objectif derrière chaque indicateur. Pour chaque KPI d'IA, écrivez une phrase sur le résultat réel qu'il est censé représenter, et vérifiez périodiquement que le lien tient toujours.
• Comptabilisez le coût de vérification. Suivez le temps humain passé à relire et corriger les résultats de l'IA et intégrez-le à votre ROI.
• Mesurez la singularité. Comparez vos contenus assistés par IA à ceux de vos concurrents. S'ils deviennent impossibles à distinguer, vous gagnez sur un indicateur indirect et vous perdez la marque.
• Préférez les explications aux scores. Un outil qui vous dit pourquoi quelque chose a fonctionné construit le savoir de l'équipe ; un outil qui vous dit seulement que cela a fonctionné crée de la dépendance.
• Reconnaissez le travail des humains. Si des personnes corrigent les résultats de l'IA, rendez ce travail visible et valorisé, au lieu de le considérer comme acquis.

Les mathématiciens protègent leur discipline d'une culture du benchmark qui confond réponses et compréhension. Le marketing devrait se prémunir contre la même erreur.

FAQ