Introduction

À l’ère numérique, les entreprises sont confrontées à un environnement commercial en constante évolution, où la rapidité des décisions et la conscience accrue de l’environnement sont essentielles pour rester compétitives (Akhtar et al., 2019). Pour répondre à ces défis, de nombreuses organisations adoptent des technologies émergentes visant à améliorer leurs performances et à obtenir un avantage concurrentiel. Parmi ces avancées technologiques, l’Intelligence Artificielle (IA) occupe une place centrale et suscite un intérêt croissant tant dans le milieu académique que dans l’industrie (Balog, 2020). L’IA est définie comme la capacité d’une machine à apprendre de l’expérience, à s’adapter à de nouvelles entrées et à effectuer des tâches similaires à celles des humains (Duan et al., 2019). Selon certaines études, l’IA est considérée comme l’innovation ayant le potentiel de perturbation le plus important (Duan et al., 2019).

Au cours de la dernière décennie, la quantité de données collectées sous différentes formes a connu une croissance exponentielle. Cela a conduit à l’émergence de nouvelles technologies, notamment dans le domaine de l’IA, qui permettent de traiter efficacement de vastes quantités de données (Akhtar et al., 2019 ; Sujata et al., 2019). Les entreprises peuvent exploiter ces données pour élargir leurs activités vers de nouveaux marchés, produits et services (Chen et Siau, 2020 ; Sujata et al., 2019).

Dans un environnement concurrentiel où la prise de décision rapide est cruciale et où les ressources sont limitées, de nombreuses entreprises ont été inspirées par les implications potentielles de l’IA, particulièrement observées chez les grandes entreprises numériques (Taylor et al., 2020 ; Zaki, 2019). Ainsi, elles ont commencé à mettre en œuvre des outils d’IA dans leurs processus de décision, en reconnaissant que la transformation numérique nécessite une révision de la stratégie d’entreprise (Yin et al., 2020). Cependant, malgré l’intérêt grandissant pour l’IA, il existe encore un manque de résultats théoriques et empiriques sur la manière dont elle peut créer de la valeur pour les entreprises (Duan et al., 2019 ; Yin et al., 2020 ; Pappas et al., 2018 ; Reis et al., 2020).

L’objectif de cet article est de mener une revue de la littérature conceptuelle pour examiner la relation entre l’IA et la gestion des connaissances. Plus précisément, nous cherchons à répondre à la question suivante : Quel est l’impact de l’IA sur la stratégie d’entreprise et la gestion des connaissances ?

Pour atteindre cet objectif, nous avons mené une revue de la littérature conceptuelle. Cette approche nous a permis d’explorer la manière dont l’IA est intégrée dans la stratégie d’entreprise et la gestion des connaissances. Cet article explore l’impact de l’Intelligence Artificielle (IA) alimentée par les mégadonnées, mettant en avant la croissance exponentielle des données et l’émergence de technologies d’IA efficaces. La Théorie de la Gestion des Connaissances (TGC) est examinée, en soulignant son évolution en relation avec l’IA. L’utilisation de l’IA dans la prise de décision et la gestion organisationnelle est analysée, mettant en lumière son impact stratégique et opérationnel. La dynamique des relations de pouvoir dans l’IA et la gestion des connaissances est explorée, en examinant comment l’IA influence les hiérarchies et redistribue le pouvoir. Enfin, l’IA est présentée comme un pilier de la gestion des connaissances, discutant de son rôle dans l’acquisition, l’organisation des connaissances, la collaboration, le partage des connaissances et le renforcement de l’apprentissage organisationnel.

Intelligence artificielle alimentée par les mégadonnées

L’histoire de l’intelligence artificielle (IA) remonte à 1956 avec l’atelier de Dartmouth, mais elle a traversé un « hiver de l’IA » jusqu’aux années 1980. La discipline vise à créer des machines intelligentes capables de résoudre des problèmes à l’aide d’algorithmes (Haenlein & Kaplan, 2019). La commercialisation des systèmes experts a suivi, avec l’application d’agents intelligents en 1995 et l’émergence du big data en 2001, renforçant l’IA (Batistič & van der Laken, 2019).

L’impact de l’IA sur la production, grâce à l’automatisation, est notable, notamment dans les secteurs bancaire, financier et d’assurance (Krüger, Lien, & Verl, 2009). L’apprentissage machine (ML) joue un rôle clé dans le marketing B2B, avec des techniques telles que l’apprentissage supervisé, non supervisé et par renforcement (Lison, 2015). L’apprentissage profond, utilisant des réseaux neuronaux, gagne en importance, offrant une approche distincte du ML (Batistič & van der Laken, 2019).

À l’ère numérique actuelle, les organisations ont accès à d’importants ensembles de mégadonnées, qu’elles soient structurées ou non, destinés à l’analyse (Gupta et al., 2019). Néanmoins, les spécialistes du marketing se heurtent à des défis majeurs lors de l’utilisation de données provenant des médias sociaux, notamment la nature non structurée de ces données et le volume élevé qui rend les méthodes d’analyse standard peu praticables (Liu et al., 2016).

L’analyse des mégadonnées (Big-Data) émerge comme une solution permettant d’exploiter tant les données structurées que non structurées, extrayant des informations clés (Chintagunta et al., 2016). Dans cette ère numérique, l’intelligence artificielle (IA) alimentée par les mégadonnées prend une importance particulière, renforcée par l’augmentation des capacités de calcul dans le contexte de la révolution numérique (Duan et al., 2019).

La littérature s’accorde sur le fait que la combinaison de la Big Data et de l’IA joue un rôle crucial dans la création de connaissances utilisateur, améliorant ainsi la prise de décision (Paschen et al., 2019). Cette synergie démontre également son efficacité dans la génération de connaissances liées au marché externe, où les modèles d’IA utilisent le Big Data pour collecter des données d’intelligence de marché, surveiller les activités concurrentes, suivre les lancements de produits, et réagir aux changements législatifs ou à l’entrée de nouveaux acteurs sur le marché (Paschen et al., 2019).

Il est important de noter que l' »intelligence artificielle alimentée par le Big Data » agit comme un catalyseur essentiel dans le domaine de la gestion des connaissances. Cela se manifeste particulièrement dans le processus de création de connaissances clients et de création de connaissances utilisateur (Bag et al., 2021).

Dans le domaine des mégadonnées, la théorie de la gestion des connaissances (KMT) est explorée pour comprendre l’adoption (De Camargo Fiorini et al., 2018). Cette synthèse introduit la KMT, qui sera examinée en détail dans la section suivante pour son application technologique et son impact sur la performance organisationnelle.

Théorie de la gestion des connaissances (TGC)

La gestion des connaissances (GC) se révèle être une stratégie cruciale pour renforcer la compétitivité organisationnelle (DeTienne & Jackson, 2001 ; Dwivedi et al., 2011). L’apprentissage organisationnel, composante essentielle de la GC, contribue à la création de nouvelles connaissances et à l’émergence d’insights transformateurs des comportements (McElroy, 2000). Les connaissances, qu’elles soient explicites et documentées ou tacites et ancrées dans l’expérience des employés, représentent des ressources cruciales pour toute organisation (Nonaka et Takeuchi, 1995). En fusionnant et exploitant ces deux types de connaissances, une organisation peut significativement améliorer ses performances (DeTienne & Jackson, 2001).

Au 21^e siècle, les connaissances sont devenues un pilier essentiel de la production, dictant l’adaptabilité et l’apprentissage continu comme impératifs pour la rentabilité organisationnelle (Tzortzaki & Mihiotis, 2014). La GC, en abordant la diffusion, le développement et l’analyse des caractéristiques des connaissances, émerge comme une stratégie cruciale pour la gestion efficiente de ces actifs immatériels (Powell & Swart, 2010). La fusion de l’information contextuelle, de l’expertise et de la valeur constitue la connaissance, moteur de l’innovation (Abubakar et al., 2019), tandis que les catalyseurs tels que la structure organisationnelle, la culture et la technologie impulsent la GC, favorisant la créativité et optimisant la performance (Abubakar et al., 2019).

Le processus de GC, englobant l’acquisition, la conception, la gestion et la diffusion des connaissances, impacte le style de prise de décision, qui peut être intuitif ou rationnel. Bien que la prise de décision rationnelle soit méthodique et exigeante en informations, elle contribue à la performance individuelle et organisationnelle. Les systèmes de GC, en éliminant les obstacles opérationnels, améliorent l’efficacité organisationnelle, favorisant des décisions éclairées et stimulant les revenus (Abubakar et al., 2019).

IA dans la prise de décision et gestion organisationnelle

À l’ère actuelle, les applications basées sur les technologies de l’information émergent comme des éléments cruciaux dans la conception de produits intelligents destinés à l’usage humain (Shareef et al., 2021). L’intelligence artificielle (IA) est comparée à la nouvelle électricité dans cette ère numérique en constante évolution (Grover, Kar, & Dwivedi, 2020). Les systèmes intelligents alimentés par l’IA sont désormais reconnus pour leur capacité à soutenir la prise de décision stratégique, comblant les lacunes là où l’intelligence stratégique est nécessaire (Martínez-Lopez & Casillas, 2013).

Bien que l’intégration de l’IA dans le processus de prise de décision remonte aux années 1960, les entreprises font face à des défis majeurs, notamment la planification des systèmes informatiques en alignement avec la stratégie organisationnelle. Les outils analytiques basés sur l’IA jouent un rôle essentiel dans le domaine du soutien à la décision, en fournissant des informations basées sur les données (Duan et al., 2019 ; Ghasemaghaei, 2019). Un modèle théorique proposé par (Demirkan, Delen, 2013) soutient la planification des systèmes de soutien à la décision dans le cloud, contribuant ainsi à la stratégie informatique. Des cadres théoriques développés par (Nalchigar, Yu, 2017 ; Ghasemaghaei, 2019 ; George, et al., 2020) intègrent l’IA, l’apprentissage de la représentation, et les outils d’apprentissage automatique pour garantir l’alignement des exigences analytiques avec la stratégie organisationnelle.

Les solutions basées sur l’IA pour la prise de décision ont également été étudiées dans le contexte de la responsabilité sociale et de la durabilité. Liu (2013) propose un modèle hybride utilisant des outils traditionnels d’IA pour décider de la priorité des programmes de responsabilité sociale. De leur côté Goralski et Tan, (2020) ont exploré la durabilité en utilisant des algorithmes d’IA pour identifier les priorités et les politiques, contribuant ainsi à la formulation de stratégies opérationnelles en accord avec les objectifs organisationnels.

En adoptant une approche rationnelle de la prise de décision, les décideurs sont incités à explorer divers scénarios et à évaluer la probabilité de chaque choix avant de prendre une décision. Ce processus exige des informations pertinentes et fiables, soulignant l’importance d’une prise de décision rationnelle exempte d’hypothèses et de biais. Cette approche contribue à des décisions de qualité, favorisant ainsi l’amélioration de la performance organisationnelle, mesurée par la comparaison des objectifs fixés avec les résultats réels. Dans ce contexte, la gestion des connaissances se présente comme un levier essentiel, améliorant les processus organisationnels et éliminant les obstacles potentiels pour favoriser des décisions rationnelles (Abubakar et al., 2019 ; Johnston & Chandler, 2012).

Dynamique des relations de pouvoir dans l’IA et la gestion des connaissances

Les forces et les faiblesses de l’IA et de la gestion des connaissances ne découlent pas uniquement de la nature intrinsèque des connaissances et des mécanismes en jeu. Elles sont également profondément influencées par les dynamiques complexes des relations de pouvoir. L’utilisation conjointe de l’IA et de la gestion des connaissances se déploie au sein d’une négociation continue impliquant des identités en jeu, des règles définies, et des destins en cours de détermination, créant ainsi des trajectoires de domination ou de résistance (Courpasson et al., 2012).

Les mécanismes de gestion des connaissances douces, caractérisés par leur orientation centrée sur les individus et leur support technologique, occupent un rôle central dans cette dynamique. En examinant de près quatre mécanismes distincts – les systèmes de mémoire organisationnelle, les systèmes de mémoire basés sur les personnes et les centres de connaissances, les communautés de pratique, ainsi que l’apprentissage par l’action – on peut observer comment ces mécanismes définissent la manière dont les organisations collectent, stockent, et permettent l’accès à leurs connaissances explicites expérientielles (Olivera, 2000).

L’interaction entre l’IA et la gestion des connaissances est étroitement liée à la nature spécifique des connaissances nécessaires, aux mécanismes de gestion des connaissances employés, et à l’application des mécanismes associés au pouvoir (Stacey, 2007). Les environnements stables favorisent l’utilisation de connaissances explicites, mais l’adoption de mécanismes technologiques peut engendrer des risques, y compris la création de contre-connaissances. En revanche, dans des contextes ouverts caractérisés par des problèmes flous et des objectifs non partagés, les connaissances tacites deviennent cruciales, nécessitant l’implication de processus politiques et de mécanismes de pouvoir.

La connaissance tacite, souvent subjective et relationnelle, émerge comme un élément étroitement intriqué dans les processus politiques et les mécanismes de pouvoir. Les relations de pouvoir exercent une influence significative sur l’utilisation des mécanismes doux de gestion des connaissances, intégrant des processus politiques ponctuels ainsi que des mécanismes systémiques de pouvoir (Clegg et al., 2006). La confiance et la collaboration au sein des organisations reposent sur ces relations de pouvoir, comme illustré par des exemples concrets tels que les avocats qui retiennent délibérément leur connaissance dans les cabinets d’avocats. Ainsi, les relations de pouvoir jouent un rôle central dans la modulation des interactions sociales, les négociations et la construction de la confiance au sein des organisations (Roberts, 2006 ; Guzman and Wilson, 2005).

L’IA comme pilier de la gestion des connaissances

Avant de plonger dans les avancées passionnantes de la gestion des connaissances (KM), un examen approfondi des cadres actuels de KM s’impose pour mettre en évidence le rôle croissant de l’intelligence artificielle (IA) dans ce domaine dynamique. Le cadre révisé de KM, tel que dévoilé dans (référence non spécifiée), dévoile trois sous-domaines distincts. La gestion des connaissances axée sur l’interaction se focalise sur les échanges entre individus, tandis que l’IA automatise l’application des connaissances, et la gestion des connaissances en contenu et contexte aborde les activités contextualisées liées au contenu.

Pour Wieneke et Phlypo-Price (2010), le domaine de l’apprentissage au sein de la gestion des connaissances est subdivisé en trois types : l’apprentissage humain, l’apprentissage organisationnel, et l’apprentissage machine ou technologique, correspondant respectivement au savoir-faire, au savoir-quoi et au savoir-où. L’apprentissage organisationnel, relevant de la théorie organisationnelle, se penche sur la manière dont une organisation apprend et s’adapte, tandis que l’apprentissage machine et l’IA facilitent l’identification de modèles complexes et la prise de décisions basées sur les données.

Cette distinction entre les types d’apprentissage est stratégiquement établie : l’apprentissage machine s’ancre principalement dans le domaine des outils de KM, l’apprentissage humain s’intègre dans le cadre des processus de KM, et l’apprentissage organisationnel se positionne principalement dans le domaine des normes de KM (Birzniece, 2011). Les deux taxonomies reconnaissent l’IA comme un élément crucial de la gestion des connaissances (Birzniece, 2011).

Conclusion

Dans cet article, nous avons entrepris une exploration basée sur une revue de littérature conceptuelle pour définir le rôle de l’Intelligence Artificielle (IA) dans le domaine de la gestion des connaissances. Nous avons souligné l’importance cruciale de l’IA dans l’exploitation des données à grande échelle (Big-Data) et l’expansion des activités des entreprises, compte tenu de la croissance exponentielle de ces données et de l’émergence de technologies IA alimentées par les mégadonnées. Notre exploration de la Théorie de la Gestion des Connaissances (TGC) a mis en évidence la transformation des processus de gestion des connaissances induite par l’IA. Nous avons abordé l’application de l’IA dans la prise de décision et la gestion organisationnelle, en mettant en évidence à la fois ses avantages substantiels et les défis qui lui sont inhérents. L’analyse de la dynamique des relations de pouvoir dans le contexte de l’IA et de la gestion des connaissances nous a permis de constater l’influence de l’IA sur les structures hiérarchiques et sa capacité à redéfinir la répartition du pouvoir au sein des organisations.

Notre objectif principal était d’aborder l’impact de l’IA sur la stratégie d’entreprise et la gestion des connaissances. Notre revue de littérature démontre clairement que l’IA joue un rôle crucial dans ces domaines. L’IA alimentée par les mégadonnées permet aux entreprises de tirer parti de vastes quantités de données pour prendre des décisions plus éclairées et améliorer leur performance globale.

Du point de vue théorique, cet article enrichit de la relation entre l’IA et la gestion des connaissances, en mettant en évidence les dynamiques de pouvoir et les transformations organisationnelles induites par l’IA.

Il est important de reconnaître certaines limitations de cette étude. Tout d’abord, la revue de la littérature conceptuelle que nous avons réalisée est basée sur des travaux existants, ce qui peut introduire des biais ou des lacunes dans notre analyse. De plus, notre compréhension de l’IA et de la gestion des connaissances est basée sur les connaissances disponibles jusqu’à notre date de coupure en septembre 2021, et il est possible que de nouveaux développements aient eu lieu depuis lors.

Cet article offre des perspectives prometteuses pour de futurs travaux de recherche. Il serait intéressant d’évaluer l’impact de l’IA sur les performances des entreprises et identifier les meilleures pratiques pour intégrer l’IA dans la gestion des connaissances.