L’intelligence artificielle va profondément transformer les métiers de l’intermédiation entre la recherche publique et les entreprises. Identification de compétences scientifiques, veille technologique, recherche de partenaires, qualification d’opportunités : des activités qui mobilisent aujourd’hui une part importante du temps des professionnels deviennent progressivement automatisables. Cette évolution promet des gains de productivité considérables, mais elle pourrait surtout remettre en question l’organisation et le positionnement des structures qui assurent ces missions.
Les chargés d’affaires, business développeurs, ingénieurs de valorisation et responsables des partenariats jouent aujourd’hui un rôle essentiel dans le rapprochement entre des acteurs qui se connaissent mal et disposent d’informations fragmentaires sur leurs besoins et leurs compétences. À mesure que l’IA rendra ces informations plus facilement accessibles, une partie de la valeur ajoutée traditionnelle de ces métiers pourrait s’éroder, conduisant les professionnels de l’intermédiation à faire évoluer leurs pratiques, leurs compétences et leur positionnement.
Une PME industrielle souhaite améliorer les performances énergétiques de ses procédés de fabrication ? Elle envisage de collaborer avec un laboratoire public, mais ne connaît ni les équipes susceptibles de l’accompagner ni les modalités d’une telle collaboration. Elle peut solliciter un organisme de recherche, une université, un Pôle universitaire d’innovation ou un autre acteur de l’écosystème. Demain, elle pourra probablement obtenir en quelques minutes, grâce à l’intelligence artificielle, une première cartographie des équipes scientifiques pertinentes, une synthèse de leurs travaux et des suggestions de collaboration. Elle pourra même confier à un agent d’IA la recherche des interlocuteurs et la préparation des premiers échanges.
Du côté des laboratoires, les possibilités sont comparables. Un chercheur souhaitant identifier des applications industrielles à ses résultats pourra explorer automatiquement des marchés, analyser des brevets et rechercher des entreprises potentiellement intéressées.
L’intermédiation, une fonction plus complexe qu’il n’y paraît
L’intermédiation entre recherche et entreprises repose historiquement sur une difficulté : rapprocher des organisations qui possèdent des connaissances complémentaires, mais dont les objectifs, les pratiques et les contraintes diffèrent considérablement. Les laboratoires développent des connaissances scientifiques, des technologies et des compétences qui peuvent présenter un intérêt économique. Les entreprises disposent, de leur côté, de besoins, de ressources industrielles et d’une connaissance des marchés susceptibles de contribuer à la transformation de ces connaissances en innovations.
Jérémy Howells, University of Portsmouth
La rencontre entre ces deux univers est rarement spontanée. Dans un article de référence publié en 2006 dans Research Policy, Jeremy Howells a proposé une analyse des fonctions assurées par les intermédiaires de l’innovation. Il montre que leurs activités dépassent largement la circulation d’informations. Elles comprennent notamment l’identification d’opportunités, la mise en relation, l’évaluation, la combinaison de connaissances et l’accompagnement des processus d’innovation. Cette approche permet de comprendre pourquoi les intermédiaires ne peuvent pas être assimilés à de simples annuaires de compétences.
Dans le contexte français, cette fonction d’intermédiation est assurée par une grande diversité d’acteurs. Les SATT et les services de valorisation accompagnent notamment la protection et l’exploitation des résultats de recherche. Les équipes de développement partenarial des universités, organismes de recherche et Instituts Carnot contribuent à construire des collaborations avec les entreprises. Les Pôles universitaires d’innovation cherchent à faciliter l’accès des entreprises aux ressources de leurs écosystèmes académiques. D’autres structures, comme les pôles de compétitivité, interviennent également dans l’émergence de projets collaboratifs.
Ces organisations n’exercent pas toutes les mêmes missions, mais elles partagent une fonction de rapprochement entre les besoins économiques et les ressources scientifiques.
Deux logiques principales peuvent schématiquement être distinguées.
La première part de la recherche pour aller vers les entreprises. Il s’agit notamment d’identifier des applications industrielles à une technologie, de rechercher des partenaires susceptibles de l’exploiter ou d’accompagner la création d’une entreprise issue de la recherche.
La seconde part des besoins des entreprises pour mobiliser la recherche. L’intermédiaire cherche alors à comprendre une problématique industrielle, à identifier les compétences scientifiques pertinentes et à construire les modalités d’une collaboration.
Ces démarches se rejoignent fréquemment dans la pratique. Une collaboration engagée pour résoudre un problème technique peut faire émerger de nouvelles possibilités de valorisation. Inversement, une technologie proposée à une entreprise peut conduire à un programme de recherche dépassant largement son application initiale.
Dans une revue systématique de la littérature publiée en 2013 dans Research Policy, Markus Perkmann et ses collègues distinguent deux grandes formes de relations entre recherche publique et entreprises. La première concerne la commercialisation des résultats scientifiques, notamment à travers les brevets, les licences et la création de start-up. La seconde, que les auteurs désignent par le terme d’« engagement académique » (academic engagement), regroupe les collaborations de recherche, les prestations de recherche contractuelle, les activités de conseil et les relations informelles avec les entreprises. Leur analyse montre que ces dernières formes de collaboration sont plus répandues et s’inscrivent davantage dans les activités habituelles des chercheurs, qui y trouvent notamment des ressources pour développer leurs travaux. Cette distinction rappelle que les relations entre recherche publique et entreprises dépassent largement le seul transfert de technologies brevetées.
Cette distinction importe pour comprendre les effets de l’intelligence artificielle. Les différentes fonctions d’intermédiation ne seront pas transformées de la même manière.
L’IA pourrait réduire fortement le coût de l’accès à l’information
La recherche d’informations occupe une place considérable dans le quotidien des professionnels de l’intermédiation : identifier les compétences d’un laboratoire, comprendre une technologie, rechercher des applications, analyser le positionnement d’une entreprise ou préparer un rendez-vous nécessite de consulter de multiples sources, rarement organisées pour répondre directement aux besoins des utilisateurs. L’intelligence artificielle générative facilite déjà certaines de ces opérations. Les systèmes capables d’interroger des bases documentaires, de rechercher des informations et d’enchaîner différentes tâches pourraient aller beaucoup plus loin.
Les premières observations dans les structures de transfert confirment l’intérêt de ces applications, même si leur déploiement reste limité. En octobre 2025, le réseau européen d’universités scientifiques et technologiques CESAER a publié un rapport intitulé AI pathways for technology transfer: Lessons learned from universities of science and technology. Selon cette enquête, près de la moitié des structures répondantes expérimentaient déjà des usages de l’IA, principalement pour la rédaction documentaire, l’analyse de brevets ou la recherche de partenaires. Les résultats restent propres aux établissements interrogés et ne constituent pas une mesure représentative de l’ensemble des structures européennes. Ils témoignent néanmoins d’une appropriation progressive de ces technologies.
Les possibilités vont désormais au-delà de l’assistance individuelle. Imaginons un système capable d’analyser régulièrement les publications et les projets scientifiques d’un établissement, de les rapprocher des évolutions technologiques de différentes filières industrielles, puis d’identifier des entreprises susceptibles d’être intéressées.
L’agent pourrait rechercher les contacts pertinents, préparer une première analyse de l’opportunité et soumettre au chargé d’affaires des propositions argumentées. Une autre application consisterait à partir des besoins exprimés par une entreprise pour identifier automatiquement les laboratoires, plateformes technologiques ou équipes scientifiques susceptibles d’y répondre.
Cette perspective correspond à l’évolution vers une IA agentique, dans laquelle plusieurs opérations sont réalisées successivement par un système, avec des interventions humaines aux étapes nécessitant une validation ou une décision. Il faut néanmoins distinguer les démonstrations techniques des résultats obtenus dans des conditions professionnelles réelles. La possibilité d’automatiser une succession d’opérations ne garantit ni leur fiabilité ni leur intérêt économique.
Shakked Noy, Motu Institute
Les travaux de Shakked Noy et Whitney Zhang (on avait déjà parlé d’eux ici), publiés dans Science en 2023, ont par exemple montré des gains significatifs de productivité et de qualité dans des tâches professionnelles de rédaction réalisées avec ChatGPT. Ces résultats sont solides pour les activités étudiées, mais ils ne permettent pas d’extrapoler directement les mêmes gains à des processus complexes de développement partenarial.
Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586
En pratique, l’un des effets les plus importants de l’IA pourrait être de multiplier considérablement les possibilités de rapprochement entre recherche et entreprises. Mais cette abondance présente une difficulté. Identifier une correspondance entre une compétence scientifique et un besoin industriel potentiel ne signifie pas qu’il existe une véritable opportunité de collaboration.
Un système capable de proposer cinquante partenaires plutôt que cinq peut parfaitement accroître la charge de travail si les propositions doivent ensuite être longuement vérifiées et qualifiées.
L’amélioration des capacités de recherche d’information déplace ainsi une partie de la difficulté vers les étapes suivantes.
Pourquoi les collaborations ne se réduisent pas à des problèmes d’information
Une entreprise peut avoir identifié le laboratoire idéal et ne jamais parvenir à engager une collaboration avec lui. Les raisons sont nombreuses. L’entreprise peut manquer de moyens financiers, ne pas disposer des compétences nécessaires pour exploiter les résultats scientifiques ou poursuivre des objectifs incompatibles avec ceux des chercheurs. Les délais, les règles de propriété intellectuelle ou les modalités de publication peuvent également poser problème. Ces difficultés ont fait l’objet de nombreux travaux scientifiques.
La capacité des entreprises à exploiter les connaissances scientifiques
Dès 1990, Wesley Cohen et Daniel Levinthal ont introduit dans Administrative Science Quarterly le concept de capacité d’absorption (absorptive capacity). Dans un article fondateur, ils montrent que la capacité d’une entreprise à reconnaître la valeur d’une connaissance extérieure, à l’assimiler et à l’exploiter dépend fortement de ses connaissances préalables.
Cohen, W. M., & Levinthal, D. A. (1990). Absorptive Capacity: A New Perspective on Learning and Innovation. Administrative Science Quarterly, 35(1), 128. https://doi.org/10.2307/2393553
Cette observation conserve toute son importance à l’ère de l’IA. Une PME peut identifier très facilement un laboratoire travaillant sur une technologie susceptible de l’intéresser. Si elle ne possède pas les compétences nécessaires pour comprendre les résultats, conduire les expérimentations complémentaires ou intégrer la technologie dans ses procédés, cette identification restera sans effet.
L’intermédiaire peut alors contribuer à préciser le problème, à organiser les échanges scientifiques, à définir une première expérimentation ou à construire un programme de développement adapté aux capacités de l’entreprise. Il contribue ainsi à rendre la collaboration possible, en particulier lorsque les partenaires ne disposent pas initialement des mêmes connaissances ou de la même expérience.
Les connaissances scientifiques ne sont pas toutes accessibles
La recherche publique produit une quantité considérable de connaissances codifiées sous forme de publications, de brevets, de rapports et de données. Mais une partie importante des connaissances nécessaires à l’exploitation d’une technologie demeure liée à l’expérience des chercheurs.
Ajay Agrawal, université de Toronto
Dans une étude publiée en 2006 dans Strategic Management Journal, Ajay Agrawal s’est intéressé au rôle des connaissances non formalisées dans l’exploitation des inventions universitaires. À partir de 124 accords de licence associés à des inventions du MIT, il observe que l’implication directe des inventeurs dans le développement technologique est associée à de meilleures perspectives de commercialisation. Cette étude porte sur un contexte particulier, mais elle illustre l’importance des interactions entre les détenteurs de connaissances et ceux qui cherchent à les exploiter.
Agrawal, A. (2006). Engaging the inventor: exploring licensing strategies for university inventions and the role of latent knowledge. Strategic Management Journal, 27(1), 63–79. https://doi.org/10.1002/smj.508
Même si l’IA facilite l’accès à la littérature scientifique et aux brevets, elle ne rend pas automatiquement accessibles les savoir-faire expérimentaux, les difficultés rencontrées au laboratoire ou les ajustements techniques indispensables au passage à l’échelle industrielle.
La confiance et la compréhension mutuelle restent déterminantes
Les relations entre universités et entreprises sont également confrontées à des différences de culture et d’objectifs. Les chercheurs souhaitent préserver leur liberté scientifique et leur capacité à publier. Les entreprises cherchent généralement à sécuriser leurs investissements, leurs délais et leur avantage concurrentiel. Dans une étude publiée en 2010 dans Research Policy, Johan Bruneel, Pablo D’Este et Ammon Salter ont analysé les facteurs qui contribuent à réduire les obstacles aux collaborations universités-industrie.
Leurs résultats montrent notamment que l’expérience préalable des collaborations réduit certaines barrières liées aux différences d’orientation, tandis que la confiance entre organisations contribue à diminuer plusieurs catégories d’obstacles. Fait intéressant, l’élargissement des interactions peut aussi accroître certaines difficultés transactionnelles. Multiplier les contacts ne suffit donc pas à simplifier les collaborations.
Bruneel, J., D’Este, P., & Salter, A. (2010). Investigating the factors that diminish the barriers to university–industry collaboration. Research Policy, 39(7), 858–868. https://doi.org/10.1016/j.respol.2010.03.006
Ces résultats éclairent une dimension essentielle des métiers de l’intermédiation. Les professionnels ne se contentent pas de transmettre des informations. Ils contribuent à faire émerger une compréhension commune, à réduire les incertitudes et à rapprocher des organisations qui n’ont pas toujours les mêmes intérêts.
L’IA peut faciliter la préparation des échanges et l’analyse des différentes options. Elle ne garantit pas, à elle seule, la confiance et les engagements nécessaires à la réalisation d’un projet. Il serait toutefois imprudent d’en conclure que toutes les activités relationnelles resteront durablement à l’abri de l’automatisation. Une partie de la qualification des besoins, de la préparation des négociations ou du suivi des relations pourrait également être assistée par des systèmes intelligents.
La frontière entre les activités automatisables et celles qui nécessitent une intervention humaine continuera probablement d’évoluer.
Le capital relationnel, une ressource stratégique pour l’intermédiation
Au-delà de la confiance nécessaire à chaque collaboration, les professionnels de l’intermédiation construisent progressivement un capital relationnel qui constitue une ressource importante pour leur organisation. Celui-ci ne se résume pas à un réseau de contacts. Il repose également sur la connaissance des personnes, de leurs compétences, de leurs motivations et des relations qu’elles entretiennent. Un chargé d’affaires expérimenté sait parfois quels chercheurs accepteront de s’engager dans une collaboration industrielle, quelles entreprises disposent réellement de capacités de R&D ou quels interlocuteurs sont susceptibles de soutenir un projet en interne. Il connaît aussi les collaborations passées, les engagements pris et les difficultés qui ont pu laisser des traces.
Cette dimension rejoint les travaux de Janine Nahapiet et Sumantra Ghoshal (1998), publiés dans Academy of Management Review, sur les relations entre capital social et création de connaissances. Les auteurs proposent un cadre théorique distinguant notamment la structure des relations, leur dimension relationnelle, qui comprend la confiance et les obligations réciproques, et leur dimension cognitive, liée aux représentations et aux références partagées. Leur analyse suggère que ce capital social facilite les échanges et la combinaison des connaissances, contribuant ainsi à la création de nouvelles ressources intellectuelles. Appliquée aux métiers de l’intermédiation, cette approche permet de comprendre pourquoi deux professionnels disposant des mêmes informations scientifiques et industrielles ne parviendront pas nécessairement à construire les mêmes collaborations.
Nahapiet, J., & Ghoshal, S. (1998). Social Capital, Intellectual Capital, and the Organizational Advantage. The Academy of Management Review, 23(2), 242. https://doi.org/10.2307/259373
Capital social dans le processus de création du capital intellectuel
L’intelligence artificielle pourrait modifier la valeur de ce capital relationnel de plusieurs façons. Elle permettrait d’abord de mieux exploiter les informations accumulées au fil des relations, aujourd’hui souvent dispersées entre les comptes rendus, les outils de gestion et la mémoire individuelle des collaborateurs. Mais cette possibilité soulève une difficulté : la connaissance d’une relation ne se confond pas avec la relation elle-même. Savoir qu’un directeur R&D entretient depuis dix ans des échanges réguliers avec un chargé d’affaires ne suffit pas à bénéficier de la confiance construite entre eux. Celle-ci repose sur des expériences partagées, des engagements respectés et une compréhension mutuelle qui ne peuvent être entièrement transférés par la seule circulation des informations.
Il en résulte une conséquence importante pour l’avenir des métiers. À mesure que l’accès aux informations scientifiques et économiques deviendra moins différenciant, le capital relationnel pourrait prendre davantage de valeur. Les professionnels et les organisations disposant de relations anciennes, diversifiées et entretenues avec les entreprises et les laboratoires pourraient bénéficier d’un avantage significatif. Encore faut-il savoir mobiliser ce capital relationnel. Sa valeur ne se mesure pas simplement au nombre de contacts entretenus ou à l’ancienneté des relations. Elle dépend de la connaissance réelle des acteurs, de leurs compétences, de leurs besoins et de leurs motivations, mais aussi de la capacité à les rapprocher au bon moment. Un chargé d’affaires peut connaître personnellement plusieurs dizaines de responsables industriels sans jamais parvenir à identifier avec eux un projet de collaboration. À l’inverse, une relation suivie avec une entreprise, nourrie par une compréhension de sa stratégie et de ses difficultés, peut permettre d’anticiper ses besoins et de mobiliser les bonnes compétences scientifiques lorsqu’une opportunité se présente. Le capital relationnel ne produit donc de valeur que lorsqu’il est entretenu, actualisé et transformé en capacité d’action collective.
Des métiers et des organisations qui devront se repositionner
Les conséquences de l’IA dépendront largement de la manière dont les structures d’intermédiation choisiront de l’intégrer.
Une première approche consiste à équiper les professionnels d’assistants individuels pour accélérer la rédaction, la préparation des rendez-vous ou la recherche d’informations. Cette démarche peut apporter des gains appréciables, mais elle laisse généralement inchangée l’organisation du travail.
Une transformation plus profonde consisterait à repenser certains processus dans leur ensemble. Prenons l’exemple du développement partenarial. La recherche d’entreprises, l’analyse de leurs activités, l’identification de besoins potentiels et le rapprochement avec les compétences académiques pourraient constituer un processus largement automatisé.Le professionnel interviendrait davantage dans la qualification des opportunités, la compréhension des besoins industriels, la mobilisation des équipes scientifiques et la construction des projets.
Cette organisation suppose toutefois plusieurs évolutions importantes.
Des systèmes d’information adaptés à l’intermédiation
Les informations nécessaires à l’intermédiation sont aujourd’hui souvent dispersées entre les établissements, les laboratoires et les structures qui les accompagnent. Les bases documentaires, les outils de gestion de la relation entreprise, les informations contractuelles et les données relatives aux compétences scientifiques communiquent rarement de manière satisfaisante.
L’IA pourrait faciliter leur exploitation, mais elle ne supprimera pas les problèmes liés à leur qualité ou à leur accessibilité. Une base de données incomplète ou mal actualisée risque de produire des recommandations erronées, même lorsqu’elle est interrogée par un système particulièrement performant.
La gestion du capital relationnel pourrait devenir l’un des enjeux majeurs de cette évolution. Les outils de gestion de la relation entreprise permettent déjà de conserver l’historique des contacts et des projets. Associés à l’IA, ils pourraient faciliter la reconstitution des relations passées, identifier des partenaires à recontacter ou suggérer des rapprochements fondés sur l’expérience accumulée. Cela pourrait contribuer à transformer une partie des connaissances individuelles des chargés d’affaires en ressources accessibles à l’ensemble de l’organisation. Une telle évolution suppose néanmoins de définir les informations qu’il est pertinent de partager, les droits d’accès et les conditions de confidentialité. Elle exige aussi une attention particulière à la qualité des informations qualitatives, souvent difficiles à formaliser.
Cette perspective comporte également une dimension managériale. Dans beaucoup d’organisations, les relations partenariales restent fortement associées aux personnes qui les ont développées. Le départ d’un collaborateur peut entraîner la perte d’informations précieuses, mais aussi fragiliser certaines relations. L’IA pourrait faciliter la transmission des connaissances, sans supprimer la nécessité d’organiser humainement cette continuité. Elle pourrait également modifier les équilibres internes en rendant plus accessibles des informations qui constituaient auparavant une ressource individuelle. La capacité à partager le capital relationnel sans affaiblir l’engagement de ceux qui le construisent pourrait devenir un véritable enjeu de management.
La confidentialité constitue un autre obstacle important de l’intermédiation (et, dans les faits, un des principaux problèmes). Les structures d’intermédiation manipulent des résultats scientifiques non publiés, des informations industrielles sensibles et des données contractuelles. Les recommandations du Technology Licensing Office du MIT illustrent concrètement cette difficulté. Elles distinguent les informations brevetaires publiques des déclarations d’invention et des documents non publiés, soumis à des règles de protection beaucoup plus strictes lorsqu’ils sont utilisés avec des outils d’IA générative.
Ces contraintes pourraient encourager des investissements collectifs, notamment pour développer des infrastructures sécurisées et des outils partagés entre établissements ou structures de valorisation.
Une évolution de la répartition des activités
L’automatisation pourrait également conduire à une différenciation plus marquée des métiers. Certaines fonctions seraient davantage consacrées à la détection et à la qualification des opportunités, avec une forte assistance de l’IA.
D’autres se concentreraient sur le montage et l’accompagnement de projets, mobilisant des compétences scientifiques, juridiques, économiques et financières.
Enfin, les activités de développement stratégique pourraient prendre une place plus importante. Elles reposeraient sur la compréhension approfondie des enjeux des entreprises, la construction de relations durables et l’accompagnement de programmes de recherche ou d’innovation sur plusieurs années.
Cette évolution de l’intermédiation pourrait notamment favoriser les démarches partenariales qui partent des besoins industriels et accompagnent leur transformation progressive en projets de recherche. Elle ne découlera cependant pas mécaniquement de l’adoption de l’IA. Les structures pourraient aussi choisir d’augmenter simplement le nombre de dossiers instruits et de contacts commerciaux générés.
Les indicateurs de performance joueront ici un rôle déterminant. Mesurer le nombre d’opportunités détectées ou de mises en relation réalisées risque d’encourager une logique quantitative, particulièrement facile à développer avec l’IA. L’évaluation devrait davantage porter sur la pertinence des opportunités, leur transformation en projets effectifs, la qualité des partenariats et les résultats obtenus dans la durée.
Le risque d’une désintermédiation partielle
Une autre évolution mérite d’être envisagée : les entreprises n’auront pas nécessairement besoin de passer par les intermédiaires traditionnels pour accéder à certaines ressources scientifiques. Des systèmes capables d’interroger directement les publications, les brevets et les annuaires de compétences pourraient faciliter considérablement l’identification des laboratoires.
Les chercheurs pourraient, de leur côté, utiliser les mêmes technologies pour rechercher des partenaires économiques. Les structures dont l’activité repose principalement sur la détention ou la circulation d’informations publiques risquent donc de perdre une partie de leur utilité.
Cette désintermédiation ne concernera probablement pas toutes les organisations ni toutes les activités. Les projets complexes continueront de nécessiter des compétences en ingénierie partenariale, en négociation, en financement ou en gestion de la propriété intellectuelle.
Il faut également envisager l’apparition de nouveaux intermédiaires numériques. Les plateformes capables d’agréger les informations scientifiques, industrielles et économiques pourraient occuper une place croissante dans l’orientation des entreprises vers les laboratoires. Leur développement poserait alors d’autres questions, notamment sur les critères de recommandation, l’accès aux données, la visibilité des établissements et la dépendance éventuelle des acteurs publics à des opérateurs privés.
L’IA pourrait ainsi modifier la répartition des fonctions d’intermédiation, sans nécessairement réduire leur importance globale.
Mon point de vue : faire évoluer notre conception de l’intermédiation
Je pense que l’intelligence artificielle pourrait avoir un effet particulièrement bénéfique sur les métiers de l’intermédiation, à condition de ne pas chercher uniquement à automatiser les pratiques existantes. Ces métiers consacrent encore beaucoup de ressources à des activités de recherche et de traitement de l’information. Elles sont nécessaires, mais leur poids peut limiter le temps disponible pour accompagner réellement les entreprises et les laboratoires.
Les gains de productivité offerts par l’IA pourraient permettre de rééquilibrer cette situation. Je suis notamment convaincu que les structures d’intermédiation gagneraient à développer des approches davantage orientées vers les trajectoires d’innovation des entreprises.
Une entreprise ne se résume pas à un besoin technologique ponctuel. Elle développe des produits, transforme ses procédés, explore de nouveaux marchés et doit régulièrement faire évoluer ses compétences. L’accompagnement de ces transformations peut mobiliser successivement plusieurs équipes scientifiques, différentes formes de collaboration et plusieurs dispositifs de financement.
Cette approche exige une connaissance approfondie des entreprises, de leurs stratégies et de leurs contraintes. Elle suppose également de savoir organiser des collaborations qui dépassent les frontières des laboratoires et parfois celles des établissements. L’IA pourrait fournir aux professionnels les moyens de développer ces activités dans de meilleures conditions.
J’y vois néanmoins deux risques.
Le premier serait de confondre l’augmentation du nombre d’opportunités identifiées avec une amélioration de l’efficacité du transfert. Les structures d’intermédiation disposent déjà de nombreuses occasions de multiplier les contacts, les événements et les dossiers sans que cela se traduise nécessairement par davantage de collaborations significatives. L’IA pourrait amplifier cette tendance.
Le second serait de considérer que les nouvelles capacités technologiques justifient automatiquement une réorganisation radicale des structures. La transformation doit partir des missions que l’on souhaite mieux remplir, des difficultés rencontrées et des résultats recherchés.
Il me semble donc préférable de commencer par identifier les processus dont l’automatisation permettrait de dégager du temps pour des activités à plus forte valeur ajoutée, puis de mesurer concrètement les résultats obtenus.
À terme, certaines fonctions traditionnelles d’intermédiation perdront une grande partie de leur valeur. D’autres pourraient au contraire devenir plus importantes, notamment celles qui contribuent à construire des projets complexes et des partenariats durables.
L’IA pourrait finalement accélérer une évolution que les métiers de l’intermédiation auraient déjà intérêt à engager : consacrer moins de ressources à la circulation de l’information et davantage à la construction de collaborations capables de produire de véritables innovations.
Références
Jeremy Howells, chercheur de l’université de Portsmouth, dont les recherches sont centrales sur le sujet de l’intermédiation (j’en ferai un article prochainement)
Nahapiet, J., & Ghoshal, S. (1998). Social Capital, Intellectual Capital, and the Organizational Advantage. The Academy of Management Review, 23(2), 242. https://doi.org/10.2307/259373
Bruneel, J., D’Este, P., & Salter, A. (2010). Investigating the factors that diminish the barriers to university–industry collaboration. Research Policy, 39(7), 858–868. https://doi.org/10.1016/j.respol.2010.03.006
Agrawal, A. (2006). Engaging the inventor: exploring licensing strategies for university inventions and the role of latent knowledge. Strategic Management Journal, 27(1), 63–79. https://doi.org/10.1002/smj.508
Cohen, W. M., & Levinthal, D. A. (1990). Absorptive Capacity: A New Perspective on Learning and Innovation. Administrative Science Quarterly, 35(1), 128. https://doi.org/10.2307/2393553
Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586
Perkmann, M., Tartari, V., McKelvey, M., Autio, E., Broström, A., D’Este, P., Fini, R., Geuna, A., Grimaldi, R., Hughes, A., Krabel, S., Kitson, M., Llerena, P., Lissoni, F., Salter, A., & Sobrero, M. (2013). Academic engagement and commercialisation: A review of the literature on university–industry relations. Research Policy, 42(2), 423–442. https://doi.org/10.1016/j.respol.2012.09.007
je vous propose ici un mini-diagnostic accompagné d’un plan d’action, que vous pouvez utiliser pour « passer à l’IA » vos actions de business développement
Plan d’action : faire évoluer son business développement avec l’IA
L’intégration de l’intelligence artificielle dans les activités de développement partenarial mérite une réflexion sur l’organisation du travail, au-delà de l’adoption individuelle de nouveaux outils. Avant d’investir dans des solutions techniques, il est utile d’examiner les processus existants, les informations disponibles et les compétences mobilisées. Voici une démarche en cinq étapes pour réaliser un premier diagnostic et engager cette transformation.
1. Cartographier les activités et identifier les tâches automatisables
Commencez par reconstituer le déroulement d’une affaire réelle, depuis la détection d’une opportunité jusqu’à la mise en place d’une collaboration. Identifiez les différentes opérations, les personnes impliquées et le temps consacré à chacune d’elles.
Distinguez les activités principalement fondées sur le traitement d’informations (veille, recherche de compétences, préparation de dossiers), celles qui nécessitent une expertise particulière (qualification, évaluation, montage de projets) et celles qui reposent fortement sur les relations humaines (compréhension des besoins, négociation, développement des partenariats).
Objectif : identifier les activités susceptibles d’être automatisées, mais aussi celles auxquelles les professionnels pourraient consacrer davantage de temps grâce à l’IA.
2. Évaluer la qualité des données et du capital relationnel
Examinez les informations dont dispose votre organisation : bases de compétences scientifiques, CRM, historiques de collaboration, contrats, comptes rendus et connaissances des marchés.
Ces informations sont-elles fiables, actualisées et accessibles aux personnes concernées ? Les relations avec les entreprises sont-elles suffisamment documentées ? Quelle part des connaissances sur les partenaires repose exclusivement sur la mémoire individuelle des collaborateurs ?
Identifiez également les informations sensibles et les restrictions nécessaires à leur utilisation.
Objectif : déterminer si vos données permettent une exploitation pertinente par l’IA et comment mieux capitaliser sur l’expérience relationnelle de l’organisation.
3. Sélectionner les processus à transformer en priorité
Toutes les activités automatisables ne présentent pas le même intérêt. Pour chaque processus identifié, appréciez quatre dimensions :
Le gain potentiel : temps économisé, amélioration de la qualité, nouvelles possibilités de développement.
La faisabilité : disponibilité des données, maturité des outils, difficultés techniques.
Les risques : confidentialité, fiabilité des résultats, conséquences des erreurs.
La valeur humaine : importance du jugement professionnel, de la connaissance du contexte et des relations de confiance.
Privilégiez les processus présentant un potentiel significatif, des données suffisamment fiables et des risques maîtrisables.
Objectif : établir une première feuille de route, en évitant de consacrer des moyens importants à des automatisations dont l’utilité reste marginale.
4. Expérimenter sur un processus complet
Choisissez un premier cas d’usage suffisamment circonscrit pour être évalué, mais qui dépasse la simple génération de documents.
Par exemple, expérimentez un processus associant l’analyse des actualités d’entreprises, l’identification de besoins technologiques potentiels, la recherche de compétences scientifiques pertinentes et la préparation d’une proposition de mise en relation.
Définissez précisément les interventions humaines nécessaires, les informations auxquelles le système peut accéder et les critères de vérification des résultats. Aucun contact externe ni engagement ne devrait être déclenché automatiquement sans validation appropriée.
Objectif : mesurer ce que l’IA apporte réellement à un processus métier, plutôt que d’évaluer uniquement les performances d’un outil.
5. Mesurer les résultats et faire évoluer les missions
Comparez les résultats de l’expérimentation avec les pratiques antérieures. Le temps consacré aux tâches préparatoires a-t-il diminué ? Les opportunités identifiées sont-elles plus pertinentes ? Les professionnels disposent-ils de davantage de temps pour qualifier les besoins et développer les relations partenariales ?
Tenez également compte du temps consacré à vérifier et corriger les résultats produits par l’IA.
L’évaluation doit porter sur la qualité des opportunités et leur transformation en collaborations effectives, plutôt que sur le seul volume d’informations ou de contacts générés.
Objectif : décider des processus à généraliser, à modifier ou à abandonner, puis adapter progressivement les compétences et la répartition des missions.
Un dernier point de vigilance
L’automatisation peut augmenter considérablement la quantité d’informations et d’opportunités produites. Elle ne garantit pas une amélioration de l’efficacité du développement partenarial.
L’intérêt de cette transformation doit notamment s’apprécier à travers sa contribution à la compréhension des besoins industriels, à la mobilisation des compétences scientifiques et à la construction de collaborations durables.
Jean-Pierre Léac a travaillé dans l’industrie avant de créer une entreprise, puis de rejoindre des structures d’accompagnement de l’innovation et de transfert de technologie. Au fil de ces expériences, il a travaillé avec des PME, des startups, des grands groupes, des laboratoires et des acteurs publics, sur des sujets allant du développement de nouveaux projets aux collaborations entre recherche et entreprises.
Professionnel de l’innovation, il intervient aujourd’hui principalement à l’interface entre monde économique et recherche publique.
Laisser un commentaire
Vous devez vous connecter pour publier un commentaire.