Au-delà du modèle : pourquoi l'architecture agentique est devenue le vrai différenciateur en IA
Depuis quelques semaines, la communauté IA s'emballe autour d'une série d'annonces spectaculaires : des systèmes d'intelligence artificielle qui résolvent des problèmes mathématiques ouverts depuis des décennies. Derrière ces titres, une question plus profonde émerge pour les équipes de développement : est-ce vraiment le modèle qui fait la différence, ou l'architecture qui l'entoure ?
Le contexte : la conjecture d'Erdős et la course aux preuves mathématiques
En mai 2026, OpenAI a annoncé avoir réfuté la conjecture d'Erdős sur les distances unitaires, un problème ouvert en géométrie combinatoire depuis 1946. Un résultat marquant, salué dans la communauté mathématique.
Mais quelques jours plus tard, Sholto Douglas, ingénieur chez Anthropic, publiait sur X que Claude Mythos avait lui aussi résolu ce problème — avec ce qu'il décrit comme "une preuve mignonne et simple", signe selon lui d'un "sérieux potentiel inexploité" dans les découvertes mathématiques assistées par IA.
Le mathématicien Daniel Litt a qualifié le résultat de Claude de "légèrement inférieur" à celui d'OpenAI, tout en précisant que Mythos avait également retrouvé la solution d'OpenAI de manière indépendante. Anthropic a d'ailleurs publié une version de la preuve préparée par Opus 4.7.
Google DeepMind, de son côté, a annoncé qu'un système assisté par IA avait résolu neuf problèmes d'Erdős — mais en s'appuyant sur Lean, un langage de preuve formelle, ce qui représente une approche différente, plus contrainte.
Le vrai sujet : ce n'est pas le modèle, c'est le harness
Ce qui est remarquable dans l'approche d'Anthropic, ce n'est pas uniquement la puissance brute de Mythos. C'est le système agentique mis en place autour du modèle.
Voici comment il fonctionne, tel que décrit par l'équipe :
- Des instances isolées de Claude Code avec accès à Mythos reçoivent le problème
- Chaque instance développe ses propres pistes de solution de manière indépendante
- Une instance centrale agrège et synthétise les approches trouvées
- Ces synthèses sont redistribuées aux instances suivantes pour itération
Ce pipeline rappelle les architectures map-reduce que les développeurs backend connaissent bien : parallélisation, agrégation, distribution. Appliqué à la résolution de problèmes complexes, il démultiplie les capacités d'un modèle déjà très performant.
L'ingénieur Sholto Douglas le souligne explicitement : Mythos a fréquemment emprunté une route différente de celle du modèle d'OpenAI. Ce n'est pas un clone de solution — c'est une exploration parallèle et indépendante de l'espace des preuves possibles.
Ce que cela signifie pour les équipes de développement
Pour nous, développeurs et architectes de systèmes, cette actualité est riche d'enseignements concrets.
L'orchestration est une compétence à part entière
On a longtemps pensé que l'essentiel était de choisir le "meilleur" modèle. Les récents résultats montrent que la façon dont on orchestre un modèle compte au moins autant. Claude Code n'est pas un LLM pur — c'est un harness agentique, un cadre d'exécution qui structure les interactions, gère les états, parallélise les tâches.
Dans nos projets PHP/Symfony, on retrouve exactement cette logique : un service métier bien architecturé surpasse souvent une bibliothèque "magique" mal intégrée. Le modèle, c'est la bibliothèque. L'architecture agentique, c'est le service.
La parallélisation des agents ouvre de nouveaux patterns
Le pattern décrit par Anthropic — instances indépendantes, agrégation centrale, redistribution — est directement transposable à des problèmes métier complexes :
- Analyse multi-angles d'un cahier des charges
- Revue de code par plusieurs agents spécialisés en parallèle
- Génération et validation de cas de tests de manière distribuée
Ces approches ne nécessitent pas forcément les modèles les plus puissants. Elles nécessitent une pensée système rigoureuse.
Le "overhang" agentique : anticiper la prochaine vague
L'expression utilisée par Douglas — "serious overhang" — mérite attention. Elle suggère que les capacités des modèles actuels sont encore sous-exploitées par nos architectures. Autrement dit : nous n'avons pas encore trouvé les meilleurs patterns d'utilisation.
Pour les équipes techniques, c'est à la fois une opportunité et un signal d'alerte : investir dès maintenant dans la maîtrise des architectures agentiques, c'est se positionner avant que ces pratiques ne deviennent la norme.
Conclusion : penser système, pas seulement modèle
La résolution de la conjecture d'Erdős par Claude Mythos est une démonstration éclatante d'un principe qui s'applique bien au-delà des mathématiques : l'intelligence d'un système dépasse toujours celle de ses composants pris isolément.
Que vous travailliez sur des applications Symfony, des pipelines de traitement de données ou des outils internes assistés par IA, la question à se poser n'est plus seulement "quel modèle utiliser ?" mais "comment concevoir l'architecture qui en tire le meilleur parti ?"
Les prochaines avancées significatives en IA appliquée viendront probablement moins des améliorations de modèles que des équipes capables de concevoir des harnesses agentiques élégants et robustes.
Source : The Decoder — Matthias Bastian, 26 mai 2026.
