Les données propriétaires pourraient devenir le rempart d’IA le plus précieux

L’intelligence artificielle devient plus facile d’accès pour les entreprises. Les modèles de pointe peuvent être licenciés via des plateformes cloud, les systèmes open source peuvent être personnalisés, et des assistants IA apparaissent dans les logiciels d’entreprise courants. Cette disponibilité croissante soulève une question importante pour les investisseurs: si les concurrents peuvent accéder à des modèles similaires, d’où proviendront les avantages durables de l’IA ?

Une nouvelle étude publiée dans Research Policy¹ suggère que la réponse pourrait résider dans la manière dont les entreprises combinent efficacement l’intelligence artificielle avec des données propriétaires, des connaissances institutionnelles et l’expertise humaine. Son argument central est que l’IA ne doit plus être considérée comme un simple outil logiciel. Elle devient un autre agent d’apprentissage au sein de l’organisation.

Les entreprises qui assemblent ces capacités tôt peuvent développer des avantages qui deviennent progressivement plus difficiles à reproduire.

L’IA change la façon dont les entreprises absorbent le savoir

Les chercheurs en management utilisent le terme de capacité d’absorption pour décrire la capacité d’une entreprise à reconnaître les connaissances externes précieuses, à les comprendre et à les appliquer commercialement. Traditionnellement, ce processus était considéré comme une activité humaine soutenue par la recherche, la communication, la formation et l’expérience.

Le nouvel article soutient que ce cadre n’est plus suffisant. Les systèmes d’IA modernes peuvent analyser l’information, détecter des motifs, combiner des données provenant de domaines sans lien, et générer des explications ou des solutions possibles. Plutôt que de simplement stocker l’information pour que les employés la récupèrent, l’IA peut influencer ce que l’organisation recherche et la façon dont elle interprète ce qu’elle trouve.

Cela crée ce que le chercheur appelle une architecture d’apprentissage duale. L’apprentissage humain reste guidé par l’expérience, le contexte, l’association et le jugement. L’apprentissage automatique fonctionne à travers les relations statistiques découvertes dans les données. Chacun possède des forces et des faiblesses différentes, et aucun n’est suffisant à lui seul.

Cela soutient une leçon plus large qui émerge dans l’économie: l’information ne crée de la valeur que lorsqu’une organisation peut l’interpréter et agir en conséquence. La récente couverture de Securities.io sur la façon dont l’IA ouvre de nouvelles opportunités pour les petites entreprises a également constaté que la capacité d’IA et la capacité entrepreneuriale sont complémentaires plutôt qu’interchangeables.

L’héritage des données pourrait devenir un atout d’entreprise cumulatif

Un des concepts les plus utiles de l’article est l’héritage des données. Il désigne le volume, la variété, la qualité et l’historique des données accumulées par une entreprise.

Les bases de données traditionnelles sont en grande partie passives. Elles conservent l’information jusqu’à ce qu’une personne ou un programme prédéfini la récupère et l’analyse. L’IA rend les données accumulées plus actives, car de nouvelles informations peuvent modifier la façon dont le système identifie les motifs et génère des connaissances futures.

Un fabricant, par exemple, peut posséder des années de dossiers de maintenance, de mesures de production, de rapports de défauts, de journaux d’équipement et d’observations de techniciens. Un concurrent pourrait acquérir un logiciel d’IA comparable, mais il ne peut pas reproduire instantanément cet historique opérationnel. Les données du titulaire peuvent aider ses modèles à diagnostiquer les pannes, optimiser la production et identifier des relations qui n’étaient pas apparentes lorsque les dossiers ont été créés.

Le processus peut devenir auto-renforçant. Des données de meilleure qualité aident un système d’IA à identifier quelles informations supplémentaires seraient utiles. L’entreprise collecte alors de meilleures informations, améliorant l’analyse suivante et guidant de nouvelles collectes. L’article décrit cet investissement délibéré dans l’acquisition, la curation, l’intégration et la gestion des données comme un effort d’absorption des données.

L’avantage résultant n’est pas simplement d’avoir plus de données. Des données mal structurées, non pertinentes ou biaisées peuvent affaiblir un système. Le rempart provient de la combinaison de:

• Informations propriétaires et pertinentes
• Processus de collecte et de gouvernance fiables
• Employés qui comprennent le contexte opérationnel
• Expertise technique capable d’adapter l’IA

Cela est cohérent avec le virage plus large vers les stratégies de données hybrides qui combinent les informations d’entreprise propriétaires avec de grands ensembles de données externes. L’accès à un modèle puissant peut devenir courant, mais l’accès au bon contexte interne restera inégal.

Comment l’IA peut préserver les connaissances institutionnelles

L’étude introduit également l’idée de virtualisation des connaissances. Les employés accumulent souvent une expertise difficile à consigner par écrit. Un technicien expérimenté peut détecter un problème mécanique à partir d’une vibration inhabituelle, tandis qu’un analyste des risques peut reconnaître une application suspecte sans pouvoir réduire le jugement à une règle simple.

Les entreprises préservent traditionnellement ces connaissances tacites par la formation, le mentorat, les routines et l’expérience partagée. Ces méthodes sont précieuses mais coûteuses, difficiles à mettre à l’échelle et vulnérables au turnover du personnel.

L’IA crée un autre canal possible. Les modèles entraînés sur des décisions, des résultats, des documents, des relevés de capteurs et des cas historiques peuvent encoder des parties de la connaissance expérientielle sous forme de représentations mathématiques. Cela ne signifie pas qu’un modèle comprend littéralement tout ce qu’un employé expérimenté sait. Cela signifie que l’organisation peut être capable de préserver et de redéployer les schémas dérivés de cette expertise.

Cela pourrait transformer les connaissances auparavant associées à un employé ou à une équipe en un actif d’entreprise réutilisable. Le nouveau personnel pourrait interagir avec un système d’IA qui reflète des parties de la prise de décision historique de l’organisation, tandis que les employés expérimentés pourraient utiliser ses résultats pour identifier des preuves négligées.

Cependant, il existe une tension stratégique. Les connaissances tacites peuvent être précieuses précisément parce que les concurrents ne peuvent pas les copier facilement. Virtualiser ces connaissances les rend plus évolutives en interne, mais cela soulève également des problèmes de sécurité, de gouvernance et de propriété. Si des données d’entraînement sensibles, des poids de modèle ou des flux de travail sont exposés, l’entreprise pourrait transférer involontairement une partie de son avantage opérationnel.

Le jugement humain et machine doit rester connecté

L’article désigne la coordination efficace des connaissances de domaine et des connaissances d’IA comme une dualité cognitive. Cette capacité nécessite plus que d’employer des data scientists aux côtés de managers expérimentés. Les deux groupes doivent pouvoir se comprendre et se remettre en question.

Les experts du domaine ont besoin d’une suffisante maîtrise de l’IA pour reconnaître lorsqu’un modèle est peu fiable, fonctionne en dehors de son environnement d’entraînement, ou confond corrélation et causalité. Les équipes techniques ont besoin d’une familiarité suffisante avec le domaine pour comprendre quels résultats sont importants et quelles contraintes ne peuvent être déduites uniquement des données.

Sans ce pont, les entreprises font face à deux risques opposés. Les employés peuvent faire trop facilement confiance aux recommandations de l’IA, laissant les erreurs ou les biais historiques se propager à grande échelle. À l’inverse, ils peuvent rejeter des découvertes utiles parce que le raisonnement du système est inconnu ou insuffisamment explicable.

Cela aide à expliquer pourquoi les projets d’IA d’entreprise peuvent produire des résultats très différents même lorsque les organisations utilisent des modèles sous-jacents similaires. La performance dépend du système d’apprentissage environnant. Le Forum économique mondial a également identifié les données prêtes pour l’IA, les compétences des employés, les modèles appropriés et la gouvernance responsable comme exigences interconnectées pour déployer l’IA à l’échelle d’une entreprise.

Ce que l’étude a révélé sur l’apprentissage piloté par l’IA

La recherche a combiné une revue conceptuelle avec 40 entretiens menés dans huit petites et moyennes entreprises axées sur l’IA en Italie. Les participants occupaient des postes techniques et de direction dans les domaines de la santé, de la finance, du contenu créatif, de la gestion des données, de la prévision et de l’analyse des risques.

Le cadre est précieux, mais ses limites sont importantes. Il s’agit d’une étude qualitative de construction théorique plutôt que d’une preuve quantitative que ces capacités augmentent les bénéfices ou les rendements pour les actionnaires. Aucune des entreprises participantes n’employait 250 salariés ou plus, et toutes étaient basées dans un seul pays. Des recherches supplémentaires sont nécessaires pour tester le modèle dans les grandes entreprises, les industries à faible technologie et différents environnements économiques.

ServiceNow offre une exposition aux flux de travail IA d’entreprise

Pour les investisseurs cherchant une exposition à ce virage, ServiceNow constitue un exemple pertinent. Sa plateforme connecte les données d’entreprise, les flux de travail, les employés et des agents IA de plus en plus autonomes. Cette position reflète étroitement l’argument de l’article selon lequel la valeur de l’IA découle de son intégration aux processus organisationnels plutôt que du modèle seul.

ServiceNow a élargi son Workflow Data Fabric, son AI Control Tower et ses capacités d’analytique autonome. L’entreprise décrit sa fondation de données d’entreprise en temps réel comme un moyen de fournir un contexte opérationnel gouverné aux systèmes d’IA. Securities.io a également examiné l’opportunité adjacente dans sa couverture de UiPath et le marché de l’automatisation agentique.

Le cas d’investissement n’est pas sans risque. La concurrence dans les logiciels d’entreprise est intense, les fonctionnalités d’IA peuvent devenir des commodités groupées, et les clients peuvent résister au coût ou à la complexité des déploiements de plateforme à grande échelle. ServiceNow doit également démontrer que ses produits d’IA génèrent une valeur client mesurable plutôt que de simplement élargir la gamme de produits.

Néanmoins, sa position illustre l’idée d’investissement centrale de l’article. À mesure que les modèles de base deviennent plus accessibles, la valeur durable pourrait migrer vers les entreprises qui contrôlent le contexte des flux de travail, l’accès aux données gouvernées et les systèmes par lesquels les décisions humaines et machines deviennent des actions opérationnelles.

Le véritable fossé de l’IA pourrait s’élargir avec le temps

Le fossé émergent ne serait peut-être pas entre les entreprises qui utilisent l’IA et celles qui ne le font pas. Il pourrait être entre les sociétés qui considèrent l’IA comme un outil isolé et celles qui construisent un système d’apprentissage organisationnel autour de celle-ci.

Les données propriétaires, l’expertise accumulée, la gouvernance des modèles et la coordination inter-fonctionnelle sont toutes dépendantes du chemin parcouru. Elles nécessitent du temps pour se développer et s’améliorer grâce à une utilisation répétée. Les entreprises qui commencent à les construire tôt peuvent obtenir un avantage cumulatif, tandis que les adoptants tardifs ne peuvent pas nécessairement combler l’écart simplement en achetant le modèle le plus récent.

Pour les investisseurs, cela modifie la façon dont la préparation à l’IA doit être évaluée. Les dépenses en logiciels et en infrastructure informatique sont importantes, mais elles révèlent peu sur la capacité d’une entreprise à transformer l’IA en valeur défendable. Les questions les plus révélatrices portent sur les informations propriétaires que l’entreprise contrôle, sa capacité à préserver l’expertise des employés, le degré de collaboration entre les équipes techniques et les spécialistes du domaine, et la capacité des insights de l’IA à atteindre les flux de travail réels.

La prochaine génération de gagnants de l’IA pourrait donc être définie moins par qui a accès à l’intelligence et plus par qui sait comment l’absorber.

Références:

¹ Pedota, M. (2026). Esprits et machines: Repenser la capacité d’absorption à l’ère de l’intelligence artificielle. Research Policy, 55, 105600. https://doi.org/10.1016/j.respol.2026.105600