Uma regra geral é que, quanto mais abstrata / exótica for a matemática que você deseja mecanizar, mais fácil será. Por outro lado, quanto mais concreta / familiar for a matemática, mais difícil será. Portanto (por exemplo) animais raros, como topologia sem pontos predicativos, são muito mais fáceis de mecanizar do que a topologia métrica comum.
Inicialmente, isso pode parecer um pouco surpreendente, mas isso ocorre basicamente porque objetos concretos, como números reais, participam de uma variedade selvagem de estruturas algébricas, e as provas que os envolvem podem fazer uso de qualquer propriedade de qualquer visualização delas. Portanto, para poder entender o raciocínio comum a que os matemáticos estão acostumados, é necessário mecanizar todas essas coisas. Por outro lado, construções altamente abstratas têm um conjunto (deliberadamente) pequeno e restrito de propriedades; portanto, você precisa mecanizar muito menos antes de obter os bons bits.
Provas na teoria da complexidade e algoritmos / estruturas de dados tendem (via regra) a usar propriedades sofisticadas de dispositivos simples como números, árvores ou listas. Por exemplo, argumentos combinatórios, probabilísticos e teóricos dos números rotineiramente aparecem todos ao mesmo tempo em teoremas da teoria da complexidade. Obter suporte à biblioteca assistente de provas até o ponto em que isso é bom de fazer é bastante trabalho!
Um contexto em que as pessoas estão dispostas a colocar o trabalho é em algoritmos criptográficos. Existem restrições algorítmicas muito sutis por razões matemáticas complexas e, como o código criptográfico é executado em um ambiente adversário, até o menor erro pode ser desastroso. Por exemplo, o projeto Certicrypt construiu muita infraestrutura de verificação com o objetivo de criar provas verificadas por máquina da exatidão dos algoritmos criptográficos.